撰文 / 杜咏芳
编辑 / 张 南
设计 / 慕 衍
你有没有想象过，你的车不再只是个交通工具，而是一个能察言观色，甚至能主动帮你忙的机器人。
九识智能联合创始人庄立说道：“理论上，自动驾驶就是带着车轮的计算机，带着车轮的机器人。”
在未来，汽车感觉到你开累了，不光会调整座椅、播放音乐，还能在到商场后，像个贴心管家一样，自己去找车位、帮你取送行李。
这听起来像科幻片，对吧？但这并不是科幻设定，而是“具身智能”要给汽车行业带来的巨变。
眼下，“具身智能”已成为最炙手可热的赛道，而汽车行业因其百年积累的技术体系、成熟的供应链和明确的场景需求，正成为具身智能技术落地的天然试验场。
展开剩余90%9月25日上午，轩辕同学校长、世界新汽车技术合作生态协会理事长贾可博士在知行科技总部大楼主持了一场关于“泡沫还是第二增长曲线？为什么人人都做具身智能”的圆桌论坛。
电子科技大学教授罗蕾、银河通用工业事业部总裁仓玉、九识智能联合创始人庄立、国芯科技总经理肖佐楠、永鑫集团董事长兼永鑫方舟资本创始合伙人韦勇、知行科技战略投资和资本市场高级副总裁卢玉坤等人出席了此次论坛，围绕该话题进行了深入探讨。
01
一脉相承的产业基座
从自动驾驶到具身智能，并非一次突兀的赛道转换，而是一场在技术上一脉相承、在供应链上高度共享的“范式迁移”。
庄立回顾道：“早在2013、2014年，我们的自动驾驶技术就借鉴了AGV等工业机器人的模块化设计思路。”
模块化设计是将复杂任务拆解为感知、定位、规划、控制等独立环节，为早期技术突破提供了可行路径。
然而，技术演进的浪潮从未停歇。罗蕾指出：“从2017年Transformer算法出现，到OpenAI基于语言大模型的发展，智能技术正在向通用化迈进。”
这一趋势推动行业从“模块化”设计转向“端到端”的大模型范式——即通过统一的智能模型，直接从传感器数据中学习并输出控制指令，实现从感知到决策的端到端自主演化。
这种技术路径的延续性，使得深耕自动驾驶的企业在向具身智能拓展时具备了独特的底层能力优势。
至此，汽车工业的百年积淀，开始为具身智能产业的爆发提供关键力量。
庄立表示：“当我们有了大语言模型这样的技术范式之后，只需要做一些简单的二次训练或微调，相关能力就可以快速迁移甚至涌现出来。我们的算法，正是在这样的迭代中不断进步的。”
卢玉坤也表示，自动驾驶的感知算法与机器人有相当高的复用性：“首先，两者的功能要求一致，也就是精准定位、障碍物识别和路径规划与决策。同时，在传感器的使用以及算法的开发层面，工具链都高度重合，整个作业流程也基本一致。”
并且，汽车产业积累的控制器能力可直接迁移。卢玉坤说道：“车规级控制器的可靠性、实时性与冗余能力，非常契合机器人，尤其具身智能系统对‘大小脑协同’的需求。”
与此同时，汽车供应链的成熟度成为具身智能发展的关键因素。汽车行业建立的规模化、标准化、质量管控体系，正在降低机器人制造的门槛。
“汽车行业做得比较成熟，而且有量的支撑，所以成本和质量管控都做得很好。”卢玉坤指出了汽车供应链的独特优势。
当机器人行业还处于小批量阶段时，汽车供应链的经验能够很好地运用到机器人领域。
庄立对此深有体会：“汽车供应链有100年的历史，所有零部件的精准程度和安全性都受到了时代的考验。”
他对比了现状：“我们现在要求毫米级精度，但AI给出的值最后执行不到，因为供应链还处于非常初步的阶段。”
仓玉从产业融合角度补充道：“整个汽车行业，尤其是新能源汽车，无论是硬件基础还是算法侧，其实提供了特别成熟和完善的工业基地。”
除此之外，自动驾驶行业还为具身智能留下了宝贵的软资产。仓玉认为：“自动驾驶这么多年也帮具身智能行业培养了好多人才，这是一个贡献。”
自动驾驶积累的海量路采数据与高精度仿真平台，也构成了训练和验证具身智能模型的重要资源。
02
并非简单的“降维打击”
然而，从自动驾驶到具身智能的拓展并非简单的“降维打击”。卢玉坤的提醒切中要害：“每个行业都有自己的专业的地方，需要对所有行业都保持敬畏之心。”
尽管两者在技术上存在诸多共通之处，但所谓的“能力溢出”并非单向——而是自动驾驶与具身智能之间相互学习、彼此“补课”的探索过程。
BLA（Bird's-eye-view + LiDAR + AI）是自动驾驶的感知基石，而BLTA（BLA + Touch）则是具身智能的进阶架构。
根本区别在于，后者引入了“触觉”，使机器人从被动的环境观察者，转变为能够主动操作的物理交互体。
二者在交互逻辑上存在本质差异：自动驾驶属于“规避型交互”，而具身智能机器人则需实现“主动型交互”。这一跨越，带来的是技术难度呈指数级增长。
仓玉分析道：“交通的交互要素相对规则，车道线、斑马线、红绿灯都是规则的。并且，自动驾驶不会与交通要素产生物理接触，更多的是规避。”
他进一步解释：“相比之下，具身智能强调与物理世界的真实交互，这带来了大量长尾场景需要解决。”
并且，尽管具身智能机器人与汽车在某些部件（如传感器）上存在相似性，但二者本质上是截然不同的产品平台。从散热方案、接口标准到测试验证体系，都必须进行针对性设计，而无法直接沿用汽车行业的成熟方案。
卢玉坤以“传感器支架”为例，生动揭示了技术迁移的现实挑战。在与机器人公司交流时，他发现，即便是在汽车领域已十分成熟的支架技术，也难以直接移植到具身智能领域。
首先，技术方案的适用性因场景而异。卢玉坤说道：“机器人上面我是不能用电的（指液冷），没有那个资质，也没有管路。”
在散热设计上， 机器人行业普遍采用更简单、成本更低的风冷散热。而在汽车中，风冷会带来显著的NVH（综合性的驾乘舒适性评价体系：噪声、振动与平顺性）问题，影响用户体验，但在工业场景下的机器人中却可以接受。
其次，即便使用同类传感器，其接口标准与系统集成方式也可能完全不同。
卢玉坤继续为大家解释：“虽然大家都用摄像头、激光雷达，但它的接口可能跟汽车上面都不一样。”
这就要求企业必须针对机器人平台重新设计硬件，并建立相应的测试验证体系，从头构建技术闭环。
03
尚未突破的商业化瓶颈
打造机器人的“大脑”，即机器人的高级认知与决策系统，是当前发展具身智能最艰巨的挑战之一。
“大脑”的思考需要消耗算力，芯片是AI算力的物质载体，其性能直接决定了机器人“大脑”能有多聪明、反应能有多快。
肖佐楠强调芯片的智能化将是全方位的：“我们每一个环节的芯片可能都已经智能化了。”
换而言之，现在的设备（甚至一个简单的传感器）不再只是收集原始数据，而是能通过芯片算力进行“模型化的推算”，理解数据背后的含义。
正是因为看到了这个巨大的趋势，资本和产业界才大量投资于各种AI模型和相关产业，从而加速了技术从“智能驾驶”到“具身机器人”的必然发展。
但是仅仅依靠汽车产业的溢出效应，还不能够彻底推动具身智能实现商业化落地。
汽车的行驶环境主要在结构化道路，收集到的多是驾驶数据。而具身机器人则需要进入千家万户、各式办公室与工厂，面对的是无限多样、充满不确定性的非结构化环境。
因此，收集和标注足以训练一个通用机器人“大脑”的数据集，成本极高，形成了一个巨大的商业瓶颈。
正如罗蕾指出的：“大脑需要进行一些高级的推理任务，它的数据驱动开发投入是非常大的，而汽车在这方面贡献的数据相对比较少。”
韦勇同样表示：“这个大脑的问题需要有大量的数据来训练，这个数据的积累过程比较漫长。”
更关键的是，具身智能技术路径尚不明朗。罗蕾教授强调：“算法现在看起来其实还没有收敛。”
这意味着，业界仍在探索多种不同的技术路线，尚未像汽车产业那样形成稳定的供应链、技术栈和清晰的“玩法”。这种不确定性，无疑延长了产品成熟的周期，增加了商业化的风险。
正因如此，具身智能在当下注定是一场“巨头的游戏”。
04
真正的竞争才刚刚开始
对于具身智能的未来演进路径，论坛嘉宾展开了多维度的展望与预测。
仓玉给出了明确的时间判断：“未来一到三年更多的可能是在物流领域，在特定场景下做简单的劳动力替代，如搬运、分拣。”
韦勇从投资角度判断：“目前最有可能产业化还是工业机器人。要实现每家都有一两个人形机器人，估计要有五年、八年。”
罗蕾表示，具身智能未来发展可能性有很多：“机器人的软硬件开放度会更强，很像手机体系，硬件组合性可能会更多。”
并且，她进一步补充：“陪伴型机器人，还有代替人危险作业的机器人，可能是有刚需的。”
肖佐楠也特别提到：“心理陪伴机器人可能是一个方向，大家可能更愿意跟非人的对象交心。”
庄立则用数据展示了细分赛道的潜力：“我们估计大概会有3000万辆车这样的市场，每辆车10万到20万元，就是万亿级规模。”并且，当前市场渗透率“1%都还不到”，增长空间巨大。
正如主持人贾可博士总结的那样：“具身智能的竞争才刚刚开始，我们大家都在摸索，谁都有可能成为大的玩家，谁都有可能在中途被淘汰掉。”
但无论未来是赢家通吃，还是百花齐放，当下我们唯一能做的，就是锚定这条赛道，携手把蛋糕做得更大。
发布于：北京市港陆证券提示：文章来自网络，不代表本站观点。
