原创 正文
具身智能“上车”:从汽车试验场到移动智能体新赛道
来源: 中国工业新闻网 2026-11-20 06:57
分享到:

中国工业报记者  余娜

当汽车产业从“规模取胜”转向“价值制胜”,具身智能正从实验室走向真实场景。

四维图新CEO程鹏在接受中国工业报记者采访时给出一个判断:“所有移动智能体底层逻辑相通:本体载体、感知执行能力、数据闭环驱动迭代。汽车是要求最高、价值最大的移动智能体。”

这一判断,构成了近日在上海举行的2026EVOLUTION四维图新创想大会的核心议题底色——具身机器人、无人配送车、eVTOL低空飞行器与智能汽车同台讨论,一个共同的共识是:汽车行业正成为具身智能技术最大的试验场和算力底座,而具身智能的应用反过来也在重新定义汽车智能化的边界。

汽车成具身智能“第一试验场”

2026EVOLUTION四维图新创想大会上,杰发科技副总经理胡小立给出一个行业观察:移动智能体是具备“感知—决策—执行”闭环的智能终端,智能汽车、智能两轮车、具身机器人、无人配送车、eVTOL低空飞行器五大形态正沿同一智能化路径演进。

“不同赛道、同一方向,移动智能体时代对高可靠、高安全、强算力提出共通需求。”胡小立表示,汽车作为最大的移动智能体,最严苛的场景才能形成最可靠的底座。

这一判断与行业数据形成呼应:2026年上半年,具身机器人出货近2.5万台,同比增幅达432%;2030年全球出货预计超过75万台。人形机器人被视为继电脑、智能手机、新能源汽车之后的下一代通用终端,按15%替代率估算,未来国内市场容量约75万台以上,全球约500万台。

圆桌环节,六分科技CEO李阳表示,“物理AI”是今年行业年度热词,智能汽车是最成熟的落地形态,具身机器人则是下一阶段重点方向。他分析,智能汽车规模化成功依托两大支撑:一是拟合能力很强的AI算法与数据闭环,通过大量高质量数据实现功能快速从0到1突破,并通过量产车持续反馈实现体验与安全迭代;二是覆盖产品定义、算力和数据基建、零部件、制造、营销等的全链路产业链。反观具身智能,虽有大算力与Scalinglaw支撑的VLA、世界模型技术底座,但多数场景尚未完成0到1规模落地,数据闭环与配套产业链仍处发展初期。

技术迁移已在企业层面展开。微软中国汽车事业部技术总监邓天坚分析,AI落地分两步,短期优先兑现研发提效价值,中长期将重构座舱交互与端到端智驾的产品定义。云+端是最优架构,端侧大模型需突破实时性、算力适配、安全可控、AI治理四大工程难题,实现从“理解交互”到“稳定执行”的升级。

高通高级产品市场经理周三奇表示,车载芯片在计算架构、多模态处理等方面的技术积累可延伸至机器人领域,但机器人对算力与能效的平衡提出了更高要求,同时需要针对运动控制等特定需求构建差异化的安全架构。随着芯片、模型与数据的协同日益紧密,算力平台也需要持续演进,以适应AI模型的快速迭代。

汽车智能化及具身智能领域跨界创业者杨继峰结合一线实践分析,汽车行业成熟的芯片优化、系统架构、功能安全、量产品控,是机器人赛道的可迁移资产。但车载安全体系无法直接照搬,大模型可解释性尚未突破,全身运动控制算法快速迭代,过早固化硬件将带来技术风险。

北汽将机器人交互能力融入座舱智驾,推进L3/L4高阶智驾落地。北京汽车研究总院有限公司智能驾驶部专业总师徐志刚介绍,北汽在工厂大规模部署工业机器人,依托产业投资搭建机器人生态。车企更青睐解决具体痛点的高性价比方案,机电制造依托原有供应链,通用AI能力与科技企业合作共建。

值得一提的是,汽车产业链多数上市公司已开始布局AI与具身智能。国联民生证券研究所副总经理、汽车行业首席分析师崔琰表示,这是自身智能化能力的外溢而非跨界。中国汽车供应链在机电一体化、成本管控、规模化制造上的全球领先优势,将随机器人从0-1迈向量产持续释放。而海量车载与制造场景沉淀的数据闭环能力,也将在大模型平权时代成为关键壁垒。

具身智能不能重复智驾的“数据浪费”

具身智能要走向规模应用,数据与算力是绕不开的两个底座。

阿里云给出一个直观的对比:智驾场景年存储需求约10EB,对应年存储成本约30亿元;具身场景数据量预计达到1000EB,年存储成本约3000亿元。

“100倍数据,没有一家企业付得起。”阿里云AI汽车行业北区解决方案负责人孙大全坦言。他认为,存储成本正从企业账单变成产业账单,倒逼行业存储变革。更关键的是具身智能的“GPT时刻”还未到来,上半场需要补基础设施,下半场才拼场景、产品与运营,真正的分水岭是从“能训练、能验证”走向“能落地、能运营”。

这一判断与四维图新在数据领域的实践形成对照。程鹏坦言,四维图新的数据资产主要包括位置数据、车本体数据、外部环境感知数据和训练用数据,未来方向之一是大模型相关数据积累、海外数据和数据交易。四维图新正在建设数据交易平台,计划明年发布,不仅车的数据,具身智能等领域的数据也可以交易。数据交易面临确权等复杂问题,四维图新用上链技术确权,标注数据是谁采集、谁标注,别人下载后贡献方可以收费,四维图新扮演交易撮合角色,在合规前提下推动数据交易,帮助行业降低成本、加快迭代。

“当年智驾的数据浪费太大了,很多车厂的亏损来自智驾,智驾的亏损来自数据,数据的亏损来自采集和标注,关键是弄出来以后还没人用、不能用。”程鹏表示,具身智能不能同样的错再犯第二次,四维图新的策略是先做确定性的时空数据,再选几个典型、能快速发展起来的场景,把模型、数据和性价比好的芯片做好。

四维图新高级副总裁、杰发科技总经理毕垒在接受中国工业报记者采访时表示,在算力端,汽车行业利润率下行是长期趋势,杰发科技的降本绝不以牺牲质量为代价,核心思路分为四层:系统级成本优化、新品架构持续迭代、去冗余的场景化设计、供应链多元化布局。

毕垒同时强调,两轮车、出海属于增量补充,不是对冲主业利润压力的手段,是抓住的全新市场机会。据了解,AC8035是面向原生AI座舱打造的芯片,可同时承载大模型运行、座舱娱乐、导航、多屏显示等任务,预计2027年一季度出样片,2027—2028年实现量产。

从“能训练”走向“能落地”

具身智能在汽车行业的应用,最终要落到具体场景和可信体系上。

在李阳看来,评价尺度需要更新——从“下线台数”转向有效工时与合格产出,数据竞争从“数据小时数”转向场景覆盖与训练分层,空间智能则需从L1建图定位向L3世界动作模型跃迁,让不同形态的机器人共享同一套空间记忆。这一判断的底色,正是汽车智驾从“能训练”走向“能运营”所踩过的坑与攒下的经验。

在落地路径上,UQI优奇战略与产品合伙人万昕将目光投向工业场景。UQI优奇从制造工厂、电动汽车工厂、3C与物流场景切入,以替代相对简单、重复的劳动为应用标准,推动具身智能从“能思考的模型”走向“可交付的行动系统”。她认为,人形机器人产业规模可增长至汽车产业规模的10倍。

杨继峰从创业视角补充,工业与服务业等确定性场景下,机器人商业化价值取决于人工替代范围、作业效率、质量稳定性与复制边际成本的综合乘积。当前最优突破路径是从单工位验证走向多工位、多工厂复制,跑通“小规模验证—数据高速迭代—规模化复制”的正向循环,持续降低跨场景部署成本。

崔琰则提出三维评价标准:制造端看良率与成本管控,数据端看回传效率与泛化边际成本,运营端看设备活跃数、有效工时与能效比。当前行业机器人平均能效比仅0.5—0.6,动作效率偏低是规模化落地的主要卡点之一。

组织层面的效率革命同样在重塑“落地”内涵。飞书大制造解决方案总经理张明所代表的视角指向一个现实:当制造企业与AI深度融合,工具链的协同效率直接决定场景迭代速度,而汽车制造正是这种协同密度最高的试验田之一。阿里Qoder产品解决方案总监贾彬给出更激进样本:组建5至7人的“AI特战队”,将沟通链路从千余条压缩至二十余条,以“1人指挥一组Agent”的模式实现5人7天交付产品、此后每日发版。“未来的关键预算指标,不是人力编制,而是Token用量。”在贾彬的描述中,人做决策与异常处理,数字员工7×24小时执行,硅基与碳基的分工正在重新划定效率边界。

在安全与可信门槛上,四维图新的定位是“不做本体”,而是把基础服务做好。程鹏举例说,四维图新给具身领域做的控制器带双目定位、模型和视觉能力,帮行业降了50%的成本,“原来这个行业一个域控的成本,降了一半还效果更好。这就是我们在车里沉淀的能力——不仅是技术能力,还有供应链能力、高品质低成本交付的能力”。

从四维图新“不做本体”定位,到六分科技对“同源不同径”的清醒判断,UQI优奇在工业场景中的务实切入,再到北汽、微软、高通、飞书、阿里Qoder等产业链伙伴对技术迁移、组织效率与场景落地的重新定义,一个共识正在浮现:具身智能“上车”的终局,并非取决于某一家企业把数据或算力做到多大,而取决于产业链能否在安全合规框架下,把汽车行业验证过的工程能力、供应链能力与场景落地经验,转化为移动智能体时代的通用基础设施。从汽车试验场到移动智能体新赛道,这场马拉松没有捷径可走。

【作者:余娜】
【编辑:祁晓玲】