智驾大佬转行做具身，这条路走通了吗？

最近有小伙伴在智驾最前沿交流群里讨论时说道：“智驾这个赛道开始进入出清阶段，再出现一个新的势力概率比较低了。但是具身智能这个赛道还比较新，有能力，有理想，有抱负不甘心跟随时代，就想试试引领时代”。群内也有小伙伴想让我聊一聊现在智驾大佬转行具身智能后的企业表现，感兴趣的小伙伴也可以一起来聊聊。

其实这两年，具身智能赛道里的确扎堆出现了一波从智能驾驶行业跨界过来的技术高管，有机构统计，国内智驾领域已经有将近四十位核心高管或技术负责人转入具身智能领域。其中理想汽车成了人才流失较集中的地方，过去半年有八位核心高管离开，涵盖了智驾、芯片、产品各个方向；地平线那边也一样，至少十四位核心技术和管理层离职创业，其中十三人去了具身智能赛道。

之所以会出现这个现象，是因为自动驾驶和具身智能在技术架构上高度重叠，两者都依赖感知、决策、执行的技术闭环，都需要借助传感器数据实时构建环境模型并做出最优决策。VLA模型、世界模型、端到端大模型、数据闭环这些概念，在智驾领域已经跑了很多年，迁移到机器人领域在逻辑上说得通。理想汽车就曾提过一个说法，自动驾驶是具身智能的上半场，通用人形机器人是下半场，对于这个话题，后面也会给大家展开讲讲。

时间来到2026年，那些从智驾进入具深智能的一些大佬，将企业做得如何了？这条跨界之路被他们走通了吗？我们不妨看看几家发展得比较快的公司，他们各自走了什么样的技术路线。

端到端大模型，能直接复制吗？

它石智航在智驾大佬跨界创业的企业里面应该是比较具有代表性的，其CEO陈亦伦是华为车BU前自动驾驶系统CTO，董事长李震宇是百度智能驾驶事业群前总裁，首席科学家丁文超是原华为“天才少年”。公司2025年2月成立，天使轮就融了1.2亿美元，创了国内具身智能天使轮融资纪录。

陈亦伦对具身智能技术路线有一个很明确的判断，即机器人必须从一开始就走端到端路线。他在华为车BU主导ADS系统研发时，团队用200万行代码堆出了一套能处理复杂城市道路的自动驾驶系统，但每遇到一个新的极端场景就得往里加规则，维护成本越来越高。陈亦伦后来在采访中回忆，当时最头疼的是规控环节，这是一个闭环AI，你产生的每一个动作都会影响下一刻的环境，规则编码很难覆盖所有可能性。

于是他和团队用3万行代码训练出一个神经网络，直接用来规划行驶轨迹，几乎不靠后处理来修修补补，结果车子跑得非常顺。陈亦伦把这次验证称为他的GPT Moment，3万行代码替代200万行代码这件事让他确信AI可以直接做规划。2024年底创立它石智航后，他把端到端定为公司核心技术路线，并在此基础上搞了AWE3.0通用具身大模型，延续了全身端到端学习、动态时空推理这些思路。

技术首秀时，它石智航技术团队让一个机器人拿着绣花针，绣出了它石智航的logo。这个演示其实更突出的是具身智能的精细操作能力，相较于简单的抓取和放置，具身智能有能力在复杂空间里完成高精度的操作任务。

此外，它石智航在数据层面还提出了一个以人为本的新范式，即通过硬件层面的创新来采集真实操作数据。陈亦伦有个观点，遥操作不是通向大模型的终局。

意思是说，靠人远程操控机器人来采集数据，这条路走不远，规模上不去，真正能支撑大模型训练的，得是机器人在真实场景里自主干活产生的数据。这个思路跟自动驾驶很像，当年智驾行业也是靠量产车在路上跑，才积累了海量的真实驾驶数据。

VLA路线上的不同选择？

星海图的创始人高继扬是Momenta量产负责人出身，这家公司把具身智能基础模型当作核心，他们自己建了VLA基础模型G0.5和世界模型Fast-WAM。G0.5底层用的是统一自回归VLA架构，将视觉理解、语言推理和动作生成整合到同一条链路里。

高继扬提过一个三重跃迁的说法，即本能智能、作业智能、进化智能。本能智能解决的是身体问题，让机器人保持平衡、行走、奔跑；作业智能解决的是任务问题，让机器人在具体场景里干活；进化智能则是让机器人能在真实世界里持续学习和适应。这个框架描述的是具身智能从能站稳到能干活再到能自己变聪明的演进路径。

相较于星海图，智平方走的则是另一条路，其创始人郭彦东是小鹏汽车前首席科学家，他们今年发布了NeuroVLA，一个类脑具身智能系统。这个架构模仿了人脑皮层、小脑、脊髓三层体系，皮层负责深度推理规划，小脑保障动作灵巧稳定，脊髓则用于实现本能极速反应。

郭彦东对世界模型与VLA的技术路线提出了自己的判断，世界模型不是VLA的竞争路线，而是VLA体系的核心组成部分。无论是智驾行业，还是具深身能行业，其实都有一种争论，一派认为要先建世界模型来理解物理世界，另一派主张直接从视觉和语言生成动作。

郭彦东觉得这两者不是对立关系，世界模型本质上是用海量数据训练出来的空间基础模型，应该融入VLA体系里。NeuroVLA就是目前唯一同时具备主动感知、故障自恢复与时序记忆三大能力的具身智能系统。

不走VLA，也能成立吗？

其实在具身智能领域，也有一些公司明确不走VLA路线，无界动力的创始人张玉峰是地平线前副总裁，他们选择的是以隐空间世界模型为核心，结合强化学习来构建具身通用大脑。

张玉峰认为，人类大脑的运转也是基于一个世界模型，但这个世界模型不是一比一还原现实世界的所有细节，真正的大脑应该是在隐空间里做表征和推理的。无界动力做的MWA模型，就是在隐空间里完成多模态信息的统一表征与推理闭环，从根源上规避信息衰减和特征割裂的问题。

这家公司在算力层面也有布局，完成了超过1100 TOPS的大小脑一体国产大算力计算平台的全栈自研。张玉峰说团队七成精力在软件算法大脑上，三成在硬件本体上。这个投入比例能很说明问题，在他看来，具身智能的核心竞争力在大脑而不在身体。

墨奇智能的CTO黄青虬也是华为智驾AI部门出身，其主导了华为ADS从1.0到4.0的算法演进，是业界第一个将一段式端到端架构做到百万规模量产的人。墨奇走的是软硬一体的系统工程路线。

黄青虬有一个说法，在实验室里，模型架构决定上限；但在百万规模的真实物理世界里，系统决定生死。对于VLA还是世界模型、端到端还是分层这些技术路线的争论，在他看来都不是核心问题，真正关键的是怎么构建一个软硬一体的实时闭环系统，也就是要将硬件的边界定义、数据的快速流动、模型的高效迭代、评测的闭环机制等融在一起。

从智驾到具身，这条路底走通了吗？

把我前面聊的这些公司的技术路线放在一起看，其实能发现一些有意思的东西。

对于这些企业来说，共识确实存在，几乎所有从智驾转过来的团队，都强调数据闭环的重要性。在自动驾驶行业，数据闭环就已经是被验证过的有效方法，车在路上跑，采集数据，反馈给模型训练，模型升级后再部署到车上，形成一个持续进化的循环。这个方法论其实也可以直接搬到机器人领域，黄青虬说机器人的终局在于搭建一套可量产、可复用、可闭环的底层架构；高继扬说星海图做的所有事情都围绕具身智能基础模型，这些表述虽然不同，但指向的是同一个东西，那就是让系统能在真实环境里持续学习和迭代。

当然，这些具身智能企业之间的分歧也很明显，在大脑应该长什么样这个问题上，各家选的路不一样。有走VLA的，有走世界模型的，有走类脑架构的，哪种路线最终能跑出来，现在没人知道。这其实有点像2016年前后自动驾驶行业的状态，当时有走模块化路线的，有的已经开始研究端到端的，但大家都在摸索。

此外，有一个趋势我们必须得认清，那就是具身智能的落地节奏会比很多人预想的要慢。星源智的创始人刘东打了个比方，现在的具身智能差不多是2015、2016年智驾的状态，刚刚起步，L2级别的应用能落地的还不多。纯移动的巡检、导览已经比较成熟，抓放操作解决了90%的场景，但还有一些品类抓不好，至于酒店打扫、家庭服务这些复杂操作，短期落地还是比较困难。

国务院发展研究中心在2025年10月发布的《中国发展报告2025》中研判，中国具身智能产业市场规模有望在2030年达到4000亿元、在2035年突破万亿元。国研中心产业经济研究部在后续研究中同时指出，产业目前仍面临技术瓶颈、经济可行性、安全风险等系统性挑战。从自动驾驶行业过去十年的发展历程来看，从技术验证到规模商用之间有很长一段时间，具身智能很可能也要经历类似的渐进过程。

#自动驾驶 #具身智能企业 #智驾行业转型