智驾公司开始做机器人，智驾技术真的能撑起具身智能吗？

过去几年，自动驾驶企业一直在解决如何让机器理解道路环境，并根据周围交通参与者的变化做出驾驶决策。如今，这些企业正尝试将技术积累延伸到人形机器人、具身智能等领域。2026年8月，小鹏汽车宣布旗下机器人业务完成首轮融资，融资金额超过9亿美元，投后估值超过63亿美元。小鹏方面披露，其IRON人形机器人采用全栈自研体系，覆盖机器人本体、芯片、控制器、运动模组和灵巧手等环节。此前，奇瑞也在全球创新大会上展示了具身智能产品，并称其机器人业务复用了约70%的研发技术。除了车企，智驾企业也在加速布局具身智能。知行科技通过旗下艾摩星机器人布局机器人业务，德赛西威也推出了面向机器人领域的AI计算终端，尝试将智能驾驶领域的技术架构延伸到新的产品形态。

智驾公司开始做机器人，智驾技术真的能撑起具身智能吗？

01自动驾驶企业为什么开始关注机器人？

智驾产业链进入机器人领域，并非偶然。智能汽车与机器人在底层技术上其实存在很多交集，摄像头、激光雷达、计算平台，以及感知、空间建模、定位和规划算法等环节，都存在一定的技术复用空间。汽车企业和智驾供应商在这些领域积累了多年研发经验，也形成了相对成熟的工程开发和供应链体系。机器人也为汽车产业链提供了新的技术应用场景。一套成熟的智能驾驶系统，需要长期投入芯片适配、传感器开发、算法训练、仿真测试和整车验证。企业在这些环节形成的技术资产，不一定只能服务于乘用车，也可以尝试向其他智能设备延伸。此外，机器人也为智驾企业提供了一个新的市场方向。特别是人形机器人，其身体结构与人类使用的空间、工具和设施相适配，在部分不适合改造环境的场景中，可能比专用设备更容易部署。不过，这种形态优势并不会自动转化为效率优势，是否适合某项任务，仍然取决于操作能力、运行稳定性和整体成本。对汽车企业而言，已有的制造能力也有一定价值。电机、电控、电池、传感器、控制器和精密制造等供应链环节，与机器人产业存在交叉。汽车行业长期形成的质量管理、成本控制和规模化生产经验，也可能帮助机器人降低制造成本。但机器人关节模组、减速器、驱动器、灵巧手和触觉传感器等部件有自己的技术要求，汽车供应链的规模化能力不能替代这些专用技术的研发和验证。奇瑞在2026年10月21日的墨甲机器人全球发布会上披露，其AiMOGA（墨甲）机器人业务复用了约70%的研发技术，产品与服务已进入60多个国家和地区。小鹏的布局则更进一步，其机器人业务不仅涉及产品研发，还建立了相对完整的软硬件技术体系。小鹏披露，IRON机器人全身拥有76个自由度，单手有21个自由度，并采用三颗自研图灵AI芯片，端侧有效算力达到2250 TOPS。2026年8月，该业务完成超过9亿美元融资，投后估值超过63亿美元。
图片源自：网络智驾供应链企业也在尝试向机器人延伸。知行科技旗下艾摩星机器人于2025年3月挂牌运营，面向机器人应用开展业务，并推出了机器人控制器产品。德赛西威则于2025年11月发布面向机器人领域的AI计算终端AI Cube，沿用了公司在智能驾驶领域的技术架构。这些布局的切入点虽不相同，但都体现出智驾产业链正在尝试把计算平台、控制技术和工程经验拓展到机器人领域。不过，整车企业、自动驾驶算法公司和智驾Tier 1虽都在加速进入机器人领域，但做的事情并不完全相同。整车企业往往同时拥有整车研发、硬件制造和供应链资源；算法公司的优势更多集中在感知、决策、数据和软件平台；智驾Tier 1则可能从计算平台、控制器、传感器等产品切入。不同企业能够复用的能力并不一样。

02自动驾驶的技术积累究竟能复用多少？

如果从技术架构来看，自动驾驶和具身智能确实有不少相似之处。自动驾驶系统需要通过传感器获取周围环境信息，识别道路、车辆、行人和障碍物，再预测其他交通参与者的运动趋势，规划车辆未来的行驶轨迹，最后通过转向、加速和制动系统执行决策。机器人也需要完成获取环境信息，识别物体和空间关系，理解任务要求，规划行动，再通过关节和执行器完成动作等类似的过程。两者都涉及感知、决策和执行，也都需要处理不确定环境中的连续决策问题。其中，感知能力是比较容易看到复用价值的环节。自动驾驶企业已经积累了大量多传感器融合、目标检测、场景理解、空间建模和动态目标跟踪技术。这些能力可以帮助机器人理解周围环境，识别物体的位置、形状和运动状态。尤其是在工厂、仓库等相对结构化的场景中，汽车领域积累的视觉感知、三维空间理解和目标跟踪经验，具备一定迁移基础。但机器人操作对物体局部几何、可接触区域和姿态变化的理解要求更高。识别一个箱子的位置，与判断从哪里抓取、怎样抓稳，是两种不同的能力。传统道路目标检测技术并不能直接解决后者。决策模型也有存在交集的地方。自动驾驶中的行为预测和路径规划，需要系统根据环境变化选择合适的行动；机器人则需要根据任务目标、物体状态和环境约束，决定下一步动作。近年来，视觉语言模型、视觉语言动作模型（VLA）和世界模型的发展，为机器人理解复杂任务、生成动作序列提供了新的技术路径。自动驾驶领域也在探索更强的端到端决策模型，两者在模型训练和环境理解方面出现了更多交集，但具体任务和控制方式仍有明显差异。
图片源自：网络仿真训练和数据闭环同样具有复用空间。自动驾驶企业长期依赖仿真环境进行场景生成、策略训练和极端情况测试。机器人也需要在虚拟环境中反复训练，降低真实设备测试的时间和成本。已有的仿真基础设施、模型训练平台和数据管理经验，能够成为机器人研发的工程基础。不过，机器人仿真还必须处理接触、摩擦、碰撞、关节约束和物体形变等物理过程。自动驾驶仿真平台可以提供工程经验，但仍需要围绕机器人任务建立新的物理仿真模型。需要补充一点的是，技术架构相似，不代表实际任务相同。自动驾驶系统主要处理车辆在道路环境中的运动问题。车辆虽然需要不断调整速度和方向，但其主要控制目标仍然是整车运动，控制过程需要综合考虑速度、加速度、横摆运动、轮胎附着和车辆动力学等状态。机器人则不同。它不仅需要移动，还要抓取、搬运、旋转、推拉和装配物体。每一次操作都可能改变物体状态，也会受到摩擦力、接触位置、物体重量和外部约束的影响。这使得机器人必须具备更强的接触感知、力控制和精细操作能力。举个例子，同样是面对纸箱，自动驾驶系统需要判断它的位置、尺寸和运动状态，并决定是否绕行。而对于机器人来说，识别纸箱只是任务的开始。它还要判断纸箱是否能够抓取、应该从哪个位置施力、需要多大的夹持力，以及搬运过程中如何避免物体滑落。这已经不是单纯的目标识别和路径规划问题，还涉及到视觉、触觉、力觉和运动控制的连续交互。

03从移动到操作技术难度并不是简单延续

自动驾驶技术迁移到机器人，最容易被低估的是运动控制和物理交互之间的差异。汽车控制主要围绕整车运动和车辆动力学展开。统通过转向、驱动和制动控制车辆，需要处理车辆质量、轴距、转向特性和路面附着等因素。虽然不同车型的运动响应存在差异，但其主要控制对象仍然是整车。人形机器人则需要同时控制多个关节。以双足机器人为例，行走过程中需要持续调整身体重心、支撑脚位置、关节力矩和身体姿态。只要地面摩擦条件、负载或者外部扰动发生变化，原有动作就可能需要重新调整。如果机器人还要同时完成抓取任务，控制难度会进一步增加。手臂、手指和身体之间需要协同运动，抓取物体时还要实时感知接触状态。机器人不能只根据摄像头看到的位置决定手指如何运动，还需要通过触觉和力反馈判断是否真正抓住物体，以及当前施加的力是否合适。
图片源自：网络这也说明，自动驾驶领域的轨迹规划经验，并不能直接替代机器人所需要的全身运动控制和灵巧操作能力。不同机器人任务对操作能力的要求也不一样。搬运标准化箱体、巡检等任务，可能只需要相对简单的执行机构；装配、插接、柔性物体处理等任务，则对力控制、触觉反馈和精细操作提出更高要求。两类系统都必须满足严格的安全要求，只是风险形态有所不同。自动驾驶主要面对车辆运动、道路交通和碰撞风险；人形机器人还要处理关节、末端执行器与人或物体近距离接触时产生的夹伤、碰撞、跌倒和意外施力等问题。特别是人形机器人，其执行器、关节和灵巧手都可能与人发生直接接触。系统不仅要知道应该完成什么任务，还要确保动作力度、速度和接触方式处于安全范围。因此，自动驾驶企业可以复用部分感知、模型训练和工程验证能力，但机器人本体、执行器、灵巧手、触觉传感器、全身控制和安全机制，仍然需要建立专门的技术体系。

04真正的瓶颈是数据和场景

如果说技术架构决定了自动驾驶企业能否进入机器人领域，那么数据和实际应用则决定了它们能否真正建立竞争优势。自动驾驶已经形成了相对成熟的数据闭环。车辆在运行过程中可以采集图像、点云和车辆状态等信息，企业再通过触发机制、数据筛选和场景挖掘，提取具有训练价值的样本，进行标注、训练和仿真验证，再通过模型更新改善驾驶表现。机器人也需要类似的数据闭环，但数据类型和采集方式存在明显区别。机器人完成操作任务时，需要记录的不只是看到了什么，还包括采取了什么动作、施加了多大力度、物体发生了什么变化，以及动作最终是否成功。像是抓取杯子的动作，训练数据不能只包含杯子的图像和位置，还需要包含手指接触位置、抓取力度、物体滑动情况以及最终是否稳定拿起。对于拧螺丝、插接线束、整理衣物等任务，动作过程中的接触反馈和操作结果同样重要。对于需要反复执行的任务，还要记录动作是否成功、失败发生在哪个环节，以及机器人能否根据反馈调整下一次操作。这类数据比单纯的视觉数据更难采集，也更难标准化。
图片源自：网络机器人硬件之间还存在明显差异。不同厂商的机械臂长度、关节布局、灵巧手结构和自由度并不一致，同一个动作在不同机器人上的执行方式可能完全不同。即使采集到大量操作数据，也需要解决不同本体之间的数据适配问题。MERICS在2026年4月发布的具身智能研究报告中指出，具身智能训练需要多模态数据支持，而机器人在真实物理环境中采集操作数据的成本较高；不同机器人平台在硬件和软件接口上的差异，也增加了数据共享和模型迁移的难度。这意味着，自动驾驶企业过去积累的海量道路数据，并不能直接变成机器人训练数据。真正有价值的，是把原有的数据工程、仿真和模型训练能力迁移过来，再围绕机器人任务建立新的数据采集和训练体系。具身智能的商业化也存在类似的问题。Counterpoint Research在2026年8月发布的报告显示，2026年上半年全球人形机器人出货量超过2.2万台，同比增长接近300%。但从应用结构来看，娱乐表演，以及数据生产和科研用途的人形机器人，合计仍占总出货量的六成以上；智能制造和仓储物流的占比分别约为13%和5%。这也说明，人形机器人出货量快速增长，并不等于已经在工厂和物流场景中形成大规模生产力。相当一部分产品仍用于展示、研究和数据采集。出货量反映的是产品交付规模，并不等于机器人已经在真实生产任务中实现稳定、高效的自主作业。因此对于具身智能企业而言，机器人业务不能只靠技术展示和产品发布建立长期优势。企业还需要找到能够持续采购的应用场景，证明机器人能够稳定完成任务，并在效率、成本和可靠性方面达到客户要求。

05最后的话

从小鹏加大机器人投入，到奇瑞尝试复用汽车研发体系，再到知行科技、德赛西威等智驾供应链企业向机器人领域延伸，汽车产业链正在把已有的感知、算法、算力和制造能力拓展到新的应用场景。但自动驾驶企业的优势主要体现在环境感知、空间理解、预测决策、仿真训练、数据工程和规模化工程管理等方面。这些能力能够降低机器人研发的部分门槛，却无法自动补齐运动控制、触觉感知、灵巧操作和物理交互方面的短板。而且，不同企业的起点并不相同。整车企业拥有供应链、制造体系和质量管理经验，但仍需要解决机器人本体、执行器和操作能力等专门问题；以算法为核心的自动驾驶公司，虽然在感知、决策和数据训练方面具有积累，却需要进一步补齐硬件设计、运动控制和规模化制造能力；智驾Tier 1则可以从计算平台、控制器和传感器等产品切入，但同样需要根据机器人任务重新适配技术方案。无论哪一类企业，最终都要建立从机器人本体、模型训练到实际任务执行的完整能力，而不能简单复用一套驾驶模型。#自动驾驶 #具身智能