社区

一、 为什么大家都猜错了？

如果在十年前问一个普通人：未来第一个真正普及的AI产品会是什么？

绝大多数人的答案，大概率都会是机器人。

在很多人的想象中，机器人一直是人工智能最理想的终极形态。电影里的机器人会说话、会做饭、会照顾老人。科幻小说里的机器人拥有独立的人格，能陪伴人类，也能在工厂里代替人类完成各种复杂精密的体力劳动。

然而现实的发展，却走向了一条完全不同的道路。

截至今天，我们在日常生活中仍然很少看到能够真正像人一样端茶倒水和服务家庭的人形机器人。但相反，在世界各地的街头，越来越多的汽车已经能够自主完成高速领航和城市辅助驾驶，甚至在许多城市已经进入了完全去掉人类司机的Robotaxi无人驾驶出行时代。

这意味着，AI第一次真正走出虚拟的屏幕，进入现实的原子世界，并不是从机器人开始的，而是从汽车开始的。

很多人把这种现象，单纯地归结为汽车产业的体量更大、资金更多，或者发展速度快于机器人产业。

但我认为，这样的理解仍然停留在传统“行业分类”的狭隘视角里。如果站在物理AI的核心框架下来看，这其实意味着一件更本质，也更颠覆认知的事情：汽车，并不是机器人之前的一个独立赛道。汽车，就是机器人成长过程中的第一种身体。

二、 为什么汽车比机器人更容易成功？

技术的发展，从来不会选择最显而易见或者最复杂的路径，而是会选择约束条件最多、商业闭环最快且数据积累效率最高的路径。

在物理世界的所有硬件载体中，汽车恰好完美地同时满足了这三个条件。

很多人觉得开车是一件极其复杂的任务，但从人工智能训练的难度来看，汽车实际上是一道难度适中且高度标准化的训练题。

• 空间的高度约束：汽车始终运行在相对规则的道路环境中，它有明确的车道线、红绿灯、交通标志和高精或导航地图。

• 规则的高度统一：在绝大多数情况下，车辆遵循统一的，由人类社会制定了上百年的交通法规。

• 控制变量的极简：汽车由于其物理刚性结构和轮式底盘，AI只需要控制三个核心变量：方向、加速和制动。

换句话说，自动驾驶面对的是一个被高度约束的物理世界。

相比之下，机器人面对的，则是一个几乎没有边界的完全开放世界。

同样是拿起一个杯子这个看似简单的动作，对于机器人来说，却是一场灾难级的多模态算力风暴。它需要先用视觉识别杯子的材质、形状和精确的三维位置，再决定用多大的触觉力度去抓取，如何保持全身的机械平衡以及怎样避开周围毫无规律的障碍物。

汽车没有这样的复杂性。它不需要去理解杯子的材质，也不需要学会开门、做饭和叠衣服。它只需要在既定道路上，安全高效地完成移动。

因此，自动驾驶解决的是AI看懂世界并进行移动”的问题，而机器人解决的是AI理解世界并进行复杂操作最后改变世界的问题。前者，永远是后者的地基。

三、 汽车真正的价值不是交通工具，而是AI训练场

过去，人们购买汽车，是为了出行。汽车的属性是纯粹的交通工具。未来，汽车将迎来一个更重要的身份：它是物理AI走向通用化之前，体量最大、成本最低且效率最高的超级训练平台。

AI并不是天生聪明的。今天大语言模型的聪明，是因为它吞噬了整个互联网过去几十年积累的文本数据。而在现实的物理世界里，AI要想变得聪明，就必须吞噬海量的真实世界物理数据。

这种数据，在实验室的模拟环境里是绝对无法凭空捏造出来的。晴天、暴雨、夜晚的强光、复杂的施工路段、拥堵的早高峰和不遵守交通规则的行人突发窜出。这些极其致命且千奇百怪的极端场景，就是AI最好的养分。

每天，全球数百万辆智能汽车在路上持续行驶，就是数百万个分布式传感器在持续采集真实世界的动态物理标签。每一次变道，每一次避让，每一次在危险边缘的人类接管，都在帮助AI建立对现实世界更准确的世界模型。

因此，在物理AI的时代里，自动驾驶公司最大的护城河，从来都不是某一项孤立的软硬件功能，而是这个不断扩大且无法被逆转的数据飞轮。

这解释了为什么今天全球最前沿的汽车企业竞争，已经彻底从底盘、发动机甚至电池的竞争，转向了端到端的大模型能力与数据闭环能力的竞争。

四、 机器人为什么还需要等待？

既然汽车是机器人的老师，那么这个学生为什么今天还在等待？

因为如果说自动驾驶已经初步解决了AI看懂世界的问题，那么机器人还需要去跨越一座跨度更大的技术鸿沟：如何用复杂的身体去安全地改变世界。

移动只是物理AI的序章，操作才是真正的硬核高潮。

机器人不仅需要知道一个苹果在三维空间里的坐标，它还需要知道：

力觉与触觉的配合：应该用指尖的什么角度去接触它？需要多大的克重力度既能拿起来又不会捏爆它？

多自由度的连续决策：如果苹果在拿起的过程中发生了滑落，身体应该如何在毫秒级内调整重心，并通过手臂和手掌的联动进行二次拦截？

这些能力涉及到视觉、触觉、力反馈、高维运动控制以及极其复杂的连续动作决策。其技术复杂度与工程难度，远比驾驶一辆在平面上行驶的汽车要高出几个数量级。

更致命的是，机器人当前极度缺乏一个像汽车那样可以自我造血，大规模铺开的数据来源。

今天，全世界每天都有数以百万计的智能汽车在公路上跑，车主们自己在掏钱买车和加油充电，并在驾驶过程中自愿且免费地为AI提供着高价值的现实世界数据。

而真正的通用机器人呢？目前全球能够持续在非结构化场景中工作的机器人数量极其有限。它们大多待在昂贵的实验室里，或者在特定的工厂流水线上做着重复的动作。

没有足够的数据喂养，就很难训练出真正成熟的通用机器人大模型。

因此，从产业发展的内在逻辑和时间顺序来看，并不是机器人这个方向失败了。而是它在静静等待它的第一种身体汽车，帮它把现实世界的底座模型训练成熟。

在二级市场，理解了汽车是机器人的第一种身体这一产业逻辑，意味着我们需要彻底重新认识并定义今天的自动驾驶企业与智能车企。

过去，由于行业的局限性，我们把它们看作汽车公司，用的是产能、毛利率和交付量这些传统的制造业指标去评估它们。未来，我们必须把它们看作物理AI最早实现商业化落地且自带最强数据孵化器的平台型科技公司。

真正决定这些企业长期投资价值与远期估值天花板的，绝对不再是今年卖出了多少辆铁皮车，而是：

• 智能节点的规模：它拥有多少持续在线和持续回传数据的智能终端。

• 数据的资产质量：它每天能够产生多少高质量且高差异化的真实世界物理数据。

• 闭环的迭代速度：它是否建立了从数据采集，云端训练到边缘端下发的完整数据飞轮闭回环。

• 智能的泛化能力：它所训练出的这套世界模型，是否具备在未来某个节点，直接迁移到机器人和无人机等更多不同身体上的能力。