对LiDAR点云进行密集标注成本高昂，这限制了全监督学习方法的可扩展性。在本工作中，我们研究了在LiDAR分割任务中尚待充分探索的半监督学习（Semi-Supervised Learning, SSL）方法。我们的核心思想是利用LiDAR点云所具有的强空间结构信息，更有效地挖掘未标注数据的潜在价值。为此，我们提出了LaserMix方法，该方法通过混合来自不同LiDAR扫描数据的激光束，并促使模型在混合前后对同一场景做出一致且置信度高的预测。所提出的框架具备三个显著优势：1）通用性强：LaserMix与LiDAR的表示形式无关（例如，范围视图（range view）或体素（voxel）表示），因此我们的半监督学习框架具有广泛的适用性；2）理论基础扎实：我们进行了详尽的分析，从理论上解释了所提框架的有效性与适用条件；3）实际效果显著：在多个主流LiDAR分割数据集（nuScenes、SemanticKITTI和ScribbleKITTI）上的全面实验验证了方法的有效性与优越性。值得注意的是，仅需全监督方法所需标注数据的1/2至1/5，我们的方法即可取得与之相当甚至更优的性能；同时，在监督学习基线基础上，平均性能提升达10.8%。我们期望这一简洁而高效的框架能够推动未来半监督LiDAR分割领域的研究发展。代码已公开可用。