「最好的物理 AI 时刻，看起来就像什么都没发生。任务只是被安全、平稳地完成了。」 这句话来自 Waymo 联合 CEO Dmitri Dolgov 前不久在 Y Combinator 的一次分享。 Dolgov 提到，有一次他带孩子乘坐 Waymo Robotaxi，通过路口时，一辆车突然切入，Waymo Driver 没有急刹，只是平稳减速，安全通过，后排的孩子甚至没有意识到，刚刚存在一次潜在风险。 Waymo Driver 驶过十字路口 对研究自动驾驶接近 20 年的 Dolgov 来说，这个「什么都没发生」的瞬间，反而是一个非常强烈的时刻，比一次炫技式 Demo 更有分量。 当技术变得无感，才是真正成熟的开始，而这背后的工程，就是 Demo 和产品之间的距离。 Dolgov 在 Y Combinator 演讲中给出过一个非常直接的判断：一个能跑的 Demo，最多只占产品全部工作的 1%。剩下 99%，是把「能力」压成「可靠」。 Waymo 是这个差距的典型样本。 2010 年前后，一个约 12 人的工程师团队，用 18 个月就跑出了早期无人驾驶 Demo：累计 10 万英里（超 16 万公里）自动驾驶里程和 10 条各 100 英里的挑战路线，全程零人工干预。 用 Dolgov 的话说，按 Demo 标准，自动驾驶在 2010 年就已经「解决」了。 但从 Demo 走到面向公众的 Robotaxi 服务，也就是真正的商业化产品，Waymo 又用了约十年的时间。 2020 年，Waymo 在凤凰城向公众开放全无人驾驶服务，此后到每周 50 万次出行的规模化运营，又用了 5 年。 这条路上横亘的，是物理 AI 必须逐寸攻克的工程难题。 Waymo 第一个 1 亿英里全自动驾驶里程花了 15 年，第二个 1 亿英里只用了 7 个月。 从开启首个无人运营到服务四座城市，Wa

这两年，智驾圈发生了一件有意思的事：最懂自动驾驶的人，开始讨论自动驾驶之外的事情。 具身智能、物理 AI、机器人，成了他们挂在嘴边的新词。 今年 7 月，Mobileye 的创始人 Amnon Shashua 宣布，将在继任者到位后卸任 CEO，转任董事长，并全身心投入人形机器人公司 Mentee Robotics。 表面上看，这是 Mobileye 从汽车到机器人的业务延伸，但本质上，这是一场从智能驾驶到物理 AI 的产业迁移。 卓驭科技 CEO 沈劭劼把话说得更直接： 「智能驾驶只是物理 AI 的初始形态，绝非终局。」 Momenta CEO 曹旭东同样判断：自动驾驶是物理 AI 的序章。 这不是一场集体逃亡，而是行业在重新丈量自动驾驶的边界。 在他们的推演里，自动驾驶从来不是一个终点，而是 AI 走进物理世界踩下的第一个脚印。 和其他潜在载体相比，汽车恰好是第一台足够复杂、又足够标准化、还能卖出几千万台的机器，成了物理 AI 最早跑通「感知-决策-行动」闭环的载体。而这条路径的起点，可以追溯到 Mobileye。 1、Mobileye 证明了一件事：机器可以拥有一双「眼睛」 1998 年，行业的主流探索锚定在立体视觉上，大家希望用更多硬件信息，拼出一个更真实的世界。 意大利帕尔马大学 VisLab 实验室完成了 ARGO 项目，用两颗摄像头搭建的立体视觉系统，跑了 2000 公里来验证这条路。 而 Shashua 做出了一个反直觉的判断：不需要立体系统，一个简单的摄像头就能探测三维物体。 这个判断最终催生了 Mobileye，也划出了自动驾驶产业最早的一条分岔路，不停留在「摄像头怎么装」的工程问题，而是把问题拉回到原点： 一台机器，如何用更高的效率获得感知物理世界的能力。 单目视觉只是入口，真正撼动行业的，是 Mobileye 给了汽车「眼睛」，推动「摄像头+算法+专

过去几年，智能汽车有一个非常简单粗暴的公式：算力越高，智驾能力越强。 但现在这个公式正在失效。当城区 NOA 可以在上百 TOPS 算力上运行，车企却开始争抢 2000TOPS 以上的计算平台。 行业真正竞争的，已经不是「有没有算力」，而是「如何将算力变成持续进化的智能能力」。 芯片可以摞，但把高算力组织成一套能持续进化的架构，才是下一阶段的胜负手。 工信部的数据勾勒出了当下的行业坐标。 2026 年以来，国内 L2 级组合驾驶辅助功能的乘用车渗透率达到 70%，领航驾驶辅助功能乘用车渗透率超过 34.2%，首批 L3 级有条件自动驾驶车型已经在特定区域上路。 智能泊车、高速 NOA、城市 NOA，正在从旗舰配置走向大众标配。 支撑这些功能的算力并不需要太高，按照当前主流量产方案的经验： 智能泊车功能在 30TOPS 以内可完整落地； 支持高速 NOA 的算力区间在 30-250 TOPS 之间； 即便面对交互最复杂的城区 NOA，现阶段主流方案在 100-500 TOPS 之间也够用了。 一颗英伟达 Orin-X 芯片，254 TOPS 算力（INT8 稀疏口径），在搭配完整多传感器套件、成熟 BEV 感知算法前提下，足以支撑大多数车型的城区领航功能，坐在「主流选择」的宝座。 但端到端、VLA、世界模型上车，让算力需求，来到了一个新的量级。 高端车型的算力刻度，正在向千 TOPS 级靠拢，算力军备竞赛的硝烟已经燃起。车企的算力储备，本质上是在为下一阶段智能驾驶架构重构预留空间。 早在去年，小鹏就把「2000TOPS+VLA+VLM」划为 L3 级自动驾驶的算力基准。 今年 7 月第八届全球汽车技术发展领袖峰会上，德赛西威高级总工程师彭学明抛出类似判断： 2000 TOPS「大大脑」是 AI 原生 L3 的算力起步门槛，L4 平台算力则需要达到 6000 TOPS 以上。

雷军造车，又往前走了一步，小米澎程 N90 Max 的车尾，多了一颗以前同价位几乎看不到的零部件。 7 月 30 日，小米汽车发布了澎程系列，雷军将这两款新车定义为移动大平层，并重复了两遍「Only Skynomad can do」。 这句话最早出自乔布斯的「Only Apple can do」，雷军想借这句话强调澎程无法被复制的竞争力。 增程大型 SUV 本身并不稀奇，市面上同级在售车型超过 15 款，小米的差异在于三层叠加，大空间是增程的物理底子，生态是体验的软件层，最后再甩出一个超越预期的预售价，这是雷军喊出「只有小米造得出」的底气。 但真正能体现「Only Skynomad can do」含金量的，反而藏在容易被忽略的细节里，比如澎程 N90 Max 的车尾，多了一颗后向固态激光雷达。 关于的安全叙事，小米汽车第一次从前挡风玻璃，延伸到了后车顶。 过去十年智能汽车的感知竞争，比的是谁看得更远，而从这颗后向雷达开始，将是比谁覆盖得更完整。 1、车尾的死角，为什么要用激光雷达来补齐？ 「做同级最安全的车，是小米造车永不止步的追求」，这是小米汽车必须守住的底线。 安全这两个字，像钉子一样钉进了小米汽车的骨子里，而这颗后向固态激光雷达，就是这根钉子最直接的回响。 过去后向感知只有摄像头，但摄像头感知到的画面是平面的，没有纵深信息，它能「看见」，却做不到「测量」。 一个真实的场景是，车后方的墙上伸出一根水管，它既不是标准圆柱体，也不是常见路障模型，摄像头无法识别出危险。 另一个更隐蔽场景是村道倒车，后向摄像头会从头到尾都认定后面是路，实际路的旁边是低矮的农田，而摄像头难以区分不同路沿的高度差，同时由于地面落差的原因，超声波雷达也始终接收不到反射面。 这种低速场景下，恰恰是后向感知一直被忽略的死角，而固态激光雷达补上的，就是这个安全漏洞。 激光雷达的工作逻辑是先测量、再确认，激

过去中国互联网在应用层做到极致，最后发现绕不开芯片、大模型、光刻机，头部公司纷纷往底层硬核科技押注。 汽车产业走的是同一条路。 过去 20 年，中国汽车产业追赶的重点是发动机、变速箱、电池、智能驾驶和智能座舱，这些都是用户看得见、摸得着的技术，也是行业竞争的主战场。 很少人往下再看一层：一辆车在碰撞瞬间怎么变形、能不能扛住、安不安全，这个结果最终是由车身材料的成分表决定。而这张成分表，长期不在中国车企手里。 今年 7 月 8 日，2025 年度国家科学技术奖励大会在北京举行。 一个来自汽车制造领域的项目，拿到国家科学技术进步奖二等奖：「一体化压铸用免热处理强韧化铝/镁合金及其应用技术」。核心完成单位之一，是极氪。 「一体化压铸」这个词，中国汽车行业已经说了六年。 从最早的特斯拉 Model Y，到后来各家相继上车，这项技术几乎成了造车叙事里的标配，目前超过 15 款车型用上了一体化压铸。 但把这些车型拆开看，会发现一件有意思的事，车身是中国制造的，压铸机是意大利或者瑞士的，而一体化压铸的材料配方则是来自美国或者德国。 这项技术的核心壁垒不在压铸机的吨位上，零部件怎么设计、良品率怎么爬坡，这些都是工程问题，真正定义上限的，其实是材料配方，它决定了一体化压铸的强度极限。 所以这次获奖，落点并不在「又一家车企上了大压铸」。 如果说特斯拉的一体化压铸解决的是「如何更快造出一辆车」，那么极氪攻克的是另一件事：如何真正掌握一体式大压铸的底层材料科技。 这是中国科技界最高级别的奖项之一。能拿这个奖的项目，要么是底层理论突破，要么解决卡脖子技术。极氪属于后者，从零做出材料配方，解决了热处理变形开裂这个压铸行业几十年的老难题。 过去免热处理铝合金配方长期依赖进口，极氪补上的这块拼图，是国内整条压铸产业链自主跑通的关键一环。 国家科学技术进步奖的名单里，第一次出现了一体化压铸技术，这意味着在国

理想汽车发布了一篇有关自研芯片马赫 M100 的论文，题目为： M100: An Orchestrated Dataflow Architecture Powering General AI Computing。 十几页的论文里，只字未提 TOPS，也就是业内惯用的算力值。 这个背后其实隐藏了一个反直觉的判断： 50TOPS 的芯片，推理延迟可能比 1500TOPS 的芯片更低；CPU 里的 1TOPS，可能顶得上 GPU 里的 10TOPS 甚至 30TOPS。 理想 CTO 谢炎更直接，他说 GPU 架构的执行效率天花板只有 40%，而马赫 M100 的目标是 50%-60%。 换句话说，同样标称 3000TOPS，实际能用上多少，是两回事。 自动驾驶和具身智能已经进入 VLM/World+Action Expert 时代，TOPS 这把尺子，量错了地方。 典型的 MAC 电路 首先要澄清算力这个概念，TOPS 这个指标是衡量芯片进行 MAC 运算时的能力，MAC 即 Multiply-accumulate，代表矩阵（矩阵是张量 tensor 的典型代表）的乘积累加。 MAC 一般是阵列形式，MAC 阵列一个周期能完成两次操作 0perations，算力值就是 MAC 阵列数量*2*MAC 阵列运行频率，这个数值仅仅代表芯片的矩阵乘法能力，AI 运算中还有很多非矩阵乘法，只不过卷积神经网络时代即 CNN 时代，95% 的运算都是矩阵乘法，于是将 TOPS 数值等同了芯片的 AI 算力。 今天 CNN 基本上被 Transformer 和 Transformer 与 Diffusion 的混合架构 DiT 替代，TOPS 这个数值已经无法反映真实的 AI 算力。 其次要说说等效算力这个水分重灾区。 除了高通、英特尔、谷歌、**这些老牌厂家，多数厂家给出的算力值是「等效算力」

过去几年，汽车行业有一个越来越明显的变化：车企开始亲自下场造芯片。 特斯拉有 FSD 已迭代至第五代；蔚来推出神玑 NX9031；小鹏自研 AI 图灵芯片；理想造了马赫 M100；比亚迪、吉利、Momenta 也被频繁点名。 表面上看，这是一场「去英伟达化」的运动。 但如果只看到这一层，就太浅了。 真正的问题是：自动驾驶模型本身，已经开始变了。 从 CNN，到 Transformer，再到 DiT 与世界模型，模型范式在切换，而旧时代的芯片逻辑，未必还能接住下一代自动驾驶。 这才是车企重新造芯片的真正原因。 01、不是省钱，是抢控制权 自研还是外采，表面是商业决策，骨子里是对技术路线的判断。 自研或外采取决于车厂对自动驾驶路线的判断，芯片研发周期比较长。 从完整定义设计目标到芯片上量产车型，中间需要 2-4 年。海外厂家更长，可能是 3-5 年。 这意味着芯片厂家在今天落笔，押注的其实是 5-8 年后的技术走向。 预测错了，要么芯片生命周期大幅缩短，要么干脆没人用。 做汽车数字类芯片，赌性确实很大。 车企自研芯片，某种意义上是在说：我比供应商更清楚自己五年后要跑什么模型。 5 纳米甚至 3 纳米，一次性工程费用加对外采购 IP 高达数亿人民币。一次性工程费用加 IP 授权，动辄数亿人民币。 出货量不够，账面上一定是亏的。但这笔钱可以进整体研发成本，还能拉高市值、强化科技品牌。 账算到最后，商业逻辑是通的。 技术门槛方面，随着 IP 生态成熟、EDA 工具链完善，以及索喜这类专门服务车厂定制芯片的中间商涌现，工程难度正在快速下降。 真正难的部分，已经转移到软件栈、编译器和长期模型适配上，这恰恰是芯片供应商最难替你定制的部分。 02、模型变了，芯片的逻辑也得变 先搞清楚现在的自动驾驶，在跑什么模型。 目前自动驾驶路线有三条。 一是分段端到端，大多数厂家的选择，典型代表是 Uni

智能编程（AI Coding），正在把一件极度“科幻”的事，变成智能汽车研发的日常。 试想下，前一天产品脑暴会上一个想法刚被抛出，第二天清晨，它已经真实地跑在了车主的车机上。 这种近乎“疯狂”的迭代效率，曾只存在于工程师的想象里。 但现在，随着智能编程开始系统性地嵌入底层研发链路，这一场景即将成为现实。 过去数年，汽车行业对于“ AI 定义汽车”的落地应用，更多集中在功能层面——智驾、座舱、芯片，本质都是在让车变聪明。 而现在， AI 直接进入生产层。智能编程接管了开发链路中的核心任务，被重构的不再只是车的产品力，更是造车方式本身。迭代速度、研发效率、组织响应能力，正从管理命题变成 AI 可深度介入的新战场。 AI Coding 的深度应用，带来的最确定结果正是：提质增效。 某种意义上，这类似于百年前福特流水线对制造业的改造。流水线重塑了工业生产效率，而智能编程正在重塑汽车软件研发效率。 前者决定一家车企能造多少车，后者则决定一家车企能多快迭代出下一代智能汽车。 一些头部玩家已率先行动。特斯拉已经全面整合 AI 编码工具链；而国内，无论是吉利、上汽等车企，还是地平线这样的智驾公司，都开始借助阿里 Qoder 等智能编程工具，将智能编程嵌入核心研发链路。 这场智能汽车最隐蔽、却最有可能颠覆牌局的战争，已拉开帷幕。 谁能先通过智能编程重构研发范式，谁就更快掌握定义下一代智能汽车的主动权。 01、AI 生产力，必须入场 在智能汽车行业，至少有三股力量正在同时把“ AI 工程师”推向台前。 首先是代码量的指数级爆炸。智能汽车本就系统复杂，智驾、座舱、车控、地图、云端服务、数据闭环……背后横跨十余个技术领域。 车企还在不断加码：智驾卷基座模型，座舱迎来Agent上车潮，舱驾一体的全场景智能逐渐成为行业共识。 而智能汽车的每一个创新，本质上都在继续推高软件复杂度。如今，一台智能汽车的代

小米造车的风向，变了。 从 SU7 Ultra 刷纽北，到 YU7 GT 破千匹马力，小米把「驾驶乐趣」这件事推到了极致。但这条赛道跑得再快，始终缺一块拼图：家庭。 如今，一个新的商标浮出水面——SkyNomad。 外界对它的猜测有两条线： 一是独立的第二品牌。 换标、换名、换叙事，跟现在的产品彻底切割，划分出纯电和增程两个不同的品牌，同时车尾和方向盘也换成「寻天」的专属标识。 据了解，小米增程车型将采用独立品牌和销售运营。 疑似小米昆仑 N90 尾标（图源网络） 二是新产品序列。类似揽胜之于路虎的关系，但定位更野、更户外、更游离于现有的产品谱系之外。 看似两种路径，但殊途同归——小米汽车的产品哲学，正在从「驾驶者之车」转向「全家人的车」。 从 SU7 到 SkyNomad，雷军开始认真思考：一辆车除了「好开」，还能承载什么。 过去，小米讲的是极致性能、极致效率和极致性价比。现在开始讲家庭场景、空间体验和户外生活。 这正是 SU7/YU7 和 SkyNomad 在产品理念上的分野。 小米 SU7、YU7 是「悦己型产品」，卖的是性能情绪。 SkyNomad 是「家庭型产品」，卖的是空间情绪。 前者追求速度的边界，后者探索空间的极限。 据了解，小米首款增程 SUV 昆仑 N3 将推出车顶升降功能，能提供小型房车甚至户外露营车的场景体验。 雷军要的不只是一块新增量，更想在家庭用车的红海里，踩出一片属于自己的无人区。 只是，当增程退潮、独立子品牌，以及大六座 SUV 红海的三重变奏之下，雷军的挑战，才刚刚开始。 01、小米为什么必须进入家庭市场？ 过去两年，小米汽车的成绩远超预期。 小米至今累计交付 68.5 万台车，去年汽车销售收入突破千亿并实现盈利，毛利润已经大幅超越了最会赚钱的理想。 小米这步棋「活了」，但市场瞬息万变，小米既要守住现有的基本盘，更要直面两个「题眼」。 一是

几乎每年，行业都要把「舱驾一体」拉出来讲一遍。但今年的热闹不太一样——主角从高通换成了地平线。 为此，地平线包了一大盘饺子：从一颗叫「星空」的芯片，到 KaKaClaw 座舱系统，软硬一体，来势汹汹。 余凯还给车企算了一笔诱人的账。这颗芯片最高能为单车抠出 4000 元的成本。在存储价格暴涨的周期里，降本才是硬道理。 据晚点报道，这可能是地平线有史以来设计最复杂的芯片。 而复杂背后，是地平线几乎不留退路的决心。发布会后的群访里，有两句话，余凯和苏菁说得无比笃定： 一句是，「计算机工业的本质就是集成、集成、再集成。」 另一句则是，「在人工智能改变世界的大时代潮流面前，一定要不计一切地砸研发。」三年时间，地平线在这颗芯片上砸了几十亿元。 没人怀疑地平线要把舱驾一体「干穿」的决心。但少有人意识到，余凯真正想争的，或许从来不是一颗芯片的生意。 就像当年征程系列撕开 Mobileye 的垄断铁幕一样，「星空」真正承载的，是一张下一代汽车生态的话语权门票。 舱驾一体这场战打到最后，比的是谁能率先定义整车的计算平台。 而地平线的对手是高通与英伟达，两家顶级芯片大厂同样在觊觎这块肥肉。 高通 SA8775P（稠密算力 72TOPS）已率先在极狐阿尔法 T5 上量产落地，抢下了「舱驾一体第一车」的名头。 而在算力天花板一侧，英伟达依然想靠 DRIVE AGX Thor「通吃」全局，甚至不惜拉上联发科补座舱的课。 三路人马，各自亮剑。一场关于下一代「汽车大脑」的终极卡位战，悄悄打响。 01、舱驾一体，全是难题 很长一段时间里，舱驾一体的口号声与量产进度之间，横亘着一条明显的错位带。 所有人都认同这一大趋势，车企指望着它降本增效，用户更期待它能提升智能的「质价比」。 但舱驾一体的落地情况，不容乐观。 去年，极狐阿尔法 T5 的确让舱驾一体第一次有了量产下文。可回到体验层面，一颗芯片与两颗芯片，差

有一个问题，整个自动驾驶行业问了十年，却从来没有真正回答过： AI 到底有没有理解这个世界？ 这个问题的答案，决定了自动驾驶未来十年走哪条路。 今年的北京车展，轻舟智航给出了自己的答案：通用物理 AI。 所谓物理 AI，指的是能真正理解现实世界并与之交互的 AI：不只是看懂图像、识别物体，而是理解物理规律、预判行为、在真实环境里做决策。所谓通用，是指未来物理AI也能做很多事情，而不是只做开车这一件事。 而要实现这一点，轻舟押注的核心路径，是世界模型+强化学习。 世界模型的核心价值，在于让智能驾驶系统从「识别物体」升级为理解世界、预判趋势，不再局限于简单的感知与路径规划。 进一步说，它将仿真推演、场景生成、动态轨迹预判融为一体，让车辆在人车混杂、突发状况多的复杂路况中，依然能做出安全、平顺、接近人类老司机的决策。 在这套技术逻辑下，城市 NOA 不再依赖海量人类驾驶数据拟合，也不必靠路测「碰运气」收集极端场景，而是采用实际道路数据与云端生成数据双向互补的模式——以真实数据为基，用云端世界模型生成「稀缺场景与强化学习」的训练数据，再将知识蒸馏到车端。 这套叙事，在智驾圈并不陌生，各个玩家的差别不在于讲没讲这个故事，而在于有没有用工程化落地来撑住它。 01、模仿人类，是端到端的天花板 过去十年，是自动驾驶行业从无到有的探索十年。 从早期雷达与视觉融合的感知方案，到 BEV 架构、端到端模型逐步上车，再到高速 NOA、城区 NOA 功能落地，车辆完成了从「不能开」到「能开」、从「会开」到「开得稳」的跨越。 早期自动驾驶技术的局限十分清晰——系统依赖人类驾驶数据做监督学习，碰到训练集之外的场景便容易「卡壳」。而罕见场景靠路测采集效率极低，一个极端案例可能需要数百万公里才能自然触发。 这时候诞生了端到端：直接让 AI 学习人类成熟驾驶行为，理论上无限趋近人类司机，也更「丝滑」了。但数据

2026 北京车展，新车不再是唯一的焦点。 有些展台，甚至都没有新车。 广汽本田没有推出新车型。因为内部正在推行严苛的产品赛马机制，主动叫停了多款未达到核心竞争力标准的研发车型。 福特同样在收缩。2025 年启动电动化战略收缩，削减多款大型纯电车型的研发和生产计划。 蔚来旗下三大品牌（NIO、乐道、萤火虫）首次同台亮相，展台布局相较往年更紧凑，李斌的解释是，可以省不少精力和钱。 这三组动作表面不同，但指向同一个战略取向——收拢战线，降本增效。 2026 年一季度，中国汽车行业利润率仅为 2.9%，车企营收越做越大，利润反而越摊越薄。 然而，车企这种降本需求越来越迫切的信号，却成为了供应商扩大战略的破局点。 车企收缩的尽头，是供应商的边界扩张。甲方越省力，乙方越有力。 地平线、英伟达首次大规模从零部件馆「跃迁」至主展馆，跟整车企业同台竞技，**更是集结了智能汽车生态，从鸿蒙智行超 4000 平方米的展台，到**乾昆、**数字能源的独立展台，**几乎无处不在。 供应商的身影从未如此密集。 赛道也变了。过去供应商只管给车企「送上螺丝」，现在直接递上整套智能方案，火山引擎和荣威合作打造「家越」品牌、地平线也拿出了首颗舱驾融合芯片——星空（Starry)。 这背后还有一个更深层的逻辑：当车企开始降本、聚焦和收缩时，供应商反而迎来了历史性的窗口期。 01、押注中国版 Grok+FSD 这场变局，从一颗芯片开始。 2026 年北京车展释放出的第一个信号是：智驾和座舱的硬件边界，正在逐步消失。 随着电子电气架构迈向中央计算，一个现实的问题浮出水面：为什么不能用一颗芯片同时搞定智驾和座舱？ 从降本增效的逻辑来看，舱驾一体，即座舱域控和智驾域控合二为一，节约软硬件成本、提升通信效率。 这一变化的冲击，远比想象中剧烈。 但能量产舱驾一体的玩家，是极少数，目前只有两路玩家。 一路玩家是造车新势力，

刚结束的北京车展，声量是被物理 AI 撑起来的。 1451 台展车、181 台全球首发、38 万平方米展区，构成规模层面的新纪录，却不再构成核心价值。 过去新车、智驾开城数量、产品参数是发布会叙事主角，但这届车展，物理 AI 几乎统一行业语境。 小鹏、理想展露具身智能业务，将自身定义为 AI/具身智能公司，吉利首次以独立科技生态展台呈现全域 AI 2.0 能力。 而以元戎、Momenta、卓驭、轻舟智航等头部智驾玩家，都心照不宣得把发布会内容收敛为物理 AI。 元戎 CEO 周光直言，公司目标是要成为物理世界的 AI 基础设施。 只不过，物理 AI 的共识之下，分歧同样存在。所有人都在谈物理 AI，但谈论得似乎并不是同一件事。 一条新的竞争规则浮出水面——如何定义物理 AI 本身，构成了新的分水岭。 01、物理 AI，抵达技术与战略分岔口 车展上看似热闹的「物理 AI」表态，实际叙事角度各异： 一种是边界叙事。 如卓驭、轻舟智航都强调以通用物理 AI 为底座，布局乘用车、商用车和多垂类场景。 一种则是模型叙事。 如元戎、Momenta，则聚焦基座模型与世界模型，试图重构自动驾驶能力上限。 但这还只是浅层差异。 如果进一步深究物理 AI 模型的构建路线，还能看到两种战略站位： 路径一：AI 作为工程体系的增强层。 以「工程主导+AI 增强」为核心，将 AI 嵌入既有体系，用于提升感知、决策与数据效率，本质仍是工程优化问题。 尽管 AI 的确成为影响性能的关键标尺，但作用程度依然有限。 路径二：AI 就是系统本身。 直接以大模型重构架构，实现感知—推理—决策一体化。相比传统 CNN、BEV+Transformer 拼接方案，这一路径更接近「类人驾驶」，在语义理解与防御性决策上具备更高上限。 比如卓驭。在经历「删库重练」后，发布首个原生多模态基础模型，宣称 100% 含模量。 以

一场智能汽车的技术革命已经悄然到来。 以前，消费者购车决策的原因十分分散，据杰兰路 2025 年度新能源汽车消费者行为研究，购车原因 TOP10 分别是：外观、安全性、品牌、价格、空间、智驾、内饰、座舱和配置。 这些要素其实非常笼统，尤其是针对安全性的各种测试纷繁复杂。 这些要素其实非常笼统，很长一段时间汽车安全性测试，往往停留在汽车碰撞成绩、电池测试等等。 但被动安全是最后一道防线，真正能阻止事故发生的是主动安全。 所以最近几年主动安全能力也开始广受车企和消费者关注。所谓主动安全，比的是车辆对危险的感知速度和执行响应能力，而这两件事，都指向运动域。 从近两年中国自主品牌的技术突围就能窥探一二。 尊界 S800 使用了业界首个高压增程 800V 分布式电机，新一代问界 M9 采用了全新 800V 双碳化硅动力平台、全主动悬架，小鹏新一代旗舰 SUV 小鹏 X9 采用了全栈高集成高压油冷发电机，鸿蒙智行的首款 MPV 智界 V9 被曝将搭载后轮转向。 这些豪华车型，不约而同都在运动域争首发技术。 但现在，曾经散落在四处的车身安全、安全配置、刹车性能、配置质量等等，任何与车辆控制有关的单元都可以被归类为「运动域」。 **智擎率先提出这套新架构，给了行业清晰的答案——曾经纷繁复杂的制动、转向、悬架等等，可以被整合成一套完整的运动域智能化解决方案，统一调度、协同控制。 豪华旗舰车型争夺运动域话语权，也反映了「座舱域、智驾域、运动域」正在成为智能车的新三大件。 智驾、智舱是给汽车安装大脑，从而解放用户的时间精力。而运动域也有着自己的进化阶梯：随着运动域的逐步融合，最终就像给汽车安装人类小脑，用来协调、平衡、精准控制车辆动作。 运动域的水平决定了车辆动作执行的质量。 上层大脑再聪明，下层执行接不住，差距照样拉不开。 可以明确，继智驾和座舱之后，运动域将是智能汽车的第三场硬仗。 01、运

豪华 SUV 一直活在中国汽车市场的聚光灯下。 在中国，30 万级以上乘用车市场发生的故事，总是最精彩的。 首先市场够大，且持续增长。根据月度数据估算，2025 年 C 级车零售规模至少在 300 万辆以上，且这个价格带销量 TOP20 车型几乎都是 SUV。 其次，单价足够高，30 万级以上市场消费者结构稳定。尤其可以从今年中国自主品牌狂发「九系豪华 SUV」，就能管中窥豹。 当下，「豪华感+技术价值」成了消费者对 30 万级以上车型的新要求，尤其是豪华 SUV，已经成了许多旗舰技术的主战场。 豪华 SUV，就代表中国乘用车的技术风向标。 相对应地，豪华 SUV 的格局变化也是最大的，它既关乎自主品牌是否能通过豪华旗舰 SUV 车型「一车定乾坤」，也关乎传统高端品牌 BBA 的逆袭翻盘。 在今年北京车展上最受关注的，反而是一辆豪华燃油 SUV，全新奥迪 Q5L。 其中很多人是奔着奥迪 Q5L 全新的智能化升级去的——全新奥迪 Q5L 全系上线**乾昆智驾，成了全球首款搭载**乾昆智驾技术的豪华燃油 SUV。 在燃油车智能化这件事上，奥迪先人一步。 过去 30 万级豪华 SUV 一直存在取舍问题：要辅助驾驶就得换新能源，想要德系品质就得放弃好用的辅助驾驶。 曾经奥迪 Q5L 是豪华级 SUV 中硬件配置拉得最满的，是不少人的「梦中情车」。去年奥迪 Q5L 全年销量 14 万辆，销量领跑于宝马 X3、奔驰 GLC。 而现在，全新奥迪 Q5 有了**乾昆智驾加成，率先在宝马、奔驰，之前完成了智能化升维。 不仅销量领跑，智能化这局，BBA 也正在变阵「ABB」。 全新奥迪 Q5L 给了市场上以前从来不存在的选项：豪华燃油 SUV 的德系品质、辅助驾驶，可以既要又要，同时满足消费者对科技豪华的新需求。 01、燃油车 SUV 上车辅助驾驶，不容易 全新奥迪 Q5L 是全球首款搭载**

汽车行业的根基，开始向具身智能转移。 过去十年的新能源汽车行业如同一场未来竞赛，前半程拼硬件迭代速度：续航、性能、大屏、座舱系统持续升级。 但今年风向变了。 算法、AI、大模型、智能辅助驾驶，所有热词都开始指向同一个方向：谁能把车真正做成智能体。 这种切换，正在从根本上改变造车的底层逻辑。 传统汽车是硬件划定边界，软件沦为配角，而早期智能汽车看似迈入数字时代，实则在机械躯壳之外披上一层电子外衣，指令仍需层层转译。 具身智能则不同。它从每处关节，到每个执行器、传感器，都是数字神经元的自然延伸，把硬件与软件在架构层合二为一。 这套逻辑不仅重新定义了智能化，也预示着豪华市场竞争进入了「体系化能力」的新时代。 赛力斯魔方技术平台的六大系统，干的就是这件事。智慧中枢、智能底盘、多元动力、舱驾协同、智能安全和智慧服务六大系统，本质上是在构建一个类生命体的整车架构。 每一个系统都不独立存在，它们共用同一套智能中枢。 而这背后，则蕴藏着赛力斯更大的布局，不再简单造一台车，而是造一个具身智能体。 01、大脑+小脑，具身智能体的基建 在行业进入 AI 驱动的新阶段时，任何车企都必须重新回答同一个问题：下一代竞争靠什么赢？ 赛力斯的答案不是技术堆料、不是价格战，而是另一个更本质的东西，从传统汽车的轨道上抽离出来，走一条基于软硬件全链路研发的具身智能路线。 这条路的第一步，是重构整车的控制架构。 传统车企普遍采用分布式电子电气架构，中央控制器既要规划导航、判断路况，又要管悬架软硬、转向手感、刹车力度，结果就是资源互抢、响应延迟。 魔方技术平台改变了这种局面。升级为中央车控 + 区域控制模式，搭配智能底盘，形成「大脑 + 小脑」的毫秒级协同控制体系。 智慧中枢以软件定义 AI 驱动，为整车的感知、决策与跨域协同提供算力支撑。 智能底盘则承担「小脑」职能，主动参与动态调控，实现毫秒级响应。 两者在统一

今年北京车展，AI座舱走到了台前。 千里与阶跃绑定，地平线发布整车操作系统“咖咖虾”...... 类似“特斯拉FSD+Grok”的体验成了所有车企的演进焦点。既要智能驾驶的顶流体验，又要智能座舱聪明的人机交互。 在这场变革里，阿里云是一个绕不过去的角色。 车展期间，阿里云和长安、东风、北汽、比亚迪、吉利、长城、理想、上汽大众、上汽智己10余家车企宣布千问上车，打出了“AI超级副驾”的概念。 阿里云智能集团公共云事业部AI汽车行业总经理李强说法很直接：“AI座舱不仅会聊天，还要会办事。” 车企与AI云联手，一场从内到外的变革已然到来。 01、“AI超级副驾“能干什么？ 先把座舱的进化史简单捋一遍。 汽车座舱经历了三个阶段：1.0时代是对话系统，以语言助手为主，主打闲聊和陪伴。 2.0时代是任务系统，能完成打开车窗、调低音量等简单任务，但无法处理复杂需求。 当车主说“帮我找一家顺路、好吃的餐厅”，座舱助手往往甩出一句“抱歉，我无法回答这个问题。” 这几乎是所有车载语音助手的标准对话模式。它们能执行指令，但不能理解意图；能检索数据，但不能作出判断，更别提复杂指令和办事儿了。 到了3.0时代，座舱才真正有了“办事“的能力：端云一体，既能感知车主在物理世界里发生了什么，又能帮用户“办事”。 问题是，过去大部分汽车座舱一直卡在1.0和2.0之间。 痛点很明显。一来，体验感不强。座舱助手聊天聊得再好，用户也不认为它重要。三年前有一项用户调研，智能座舱的售前关注度在所有性能中排倒数第三，使用满意度倒数第五。 二来，座舱拖了智驾的后腿。2025年国内L2及以上智能辅助驾驶渗透率到了67.6%，用户在车里闲下来的时间越来越多。但座舱没跟上，无法承接办事需求。 千问上车之后，局面开始不一样了。 以用户需求最多的导航为例。以前用车得知道目的地的精确名称，错一个字就可能去错地方，有时还得跟系统反复确

2026 年 4 月 24 日，北京国际车展期间，联想车计算推出搭载 NVIDIA DRIVE AGX Thor 的舱驾智算平台 Auto AI Box，持续推进在中高阶智能驾驶与座舱 AI 计算领域的布局，拓展车端 AI 计算能力的应用边界。 试想一下，汽车不再只是交通工具，而是一个可以对话的伙伴——它能够根据你的需求调节座舱温度、智能规划路线，甚至在长途驾驶中用幽默交谈缓解疲劳。 这一愿景正加速成为现实。 基于多模态大模型的 AI 助手正在走进量产车型，重塑人车交互体验。 新一代汽车不仅具备自动驾驶能力，更开始具备「理解与决策」的能力，能够持续学习用户习惯，如音乐偏好、导航路径与环境设置，成为真正意义的个性化移动空间。 在这一趋势下，生成式 AI 与大语言模型正深刻改变汽车行业： 不仅推动自动驾驶技术演进，也实现更自然的人机交互，让车载助手从「被动响应」升级为「主动服务」的智能体。 然而，这一切的背后，对车端算力与系统架构提出了更高要求。传统车载计算平台难以高效承载复杂 AI 负载，同时还需满足车规级安全、长期稳定运行以及实时响应等严苛条件。 边缘智能由此成为关键路径，使复杂 AI 能力能够在车端高效、可靠地运行。 基于上述挑战，联想推出舱驾智算平台 Auto AI Box，同时面向中高阶智能辅助驾驶与座舱智能体应用提供高性价比的 AI 计算平台，支持多场景部署与规模化应用。 该产品融合端侧多模态大模型能力，支持自然语言交互，为智能座舱提供独立且可扩展的 AI 算力支撑, 可作为即插即用方案叠加至现有车型，为车端智能化提供坚实底座。 Auto AI Box 支持多规格硬件配置，兼容风冷与水冷散热方案，并通过模块化设计适配不同算力与带宽需求，覆盖多样化的座舱 AI 应用场景。 基于 NVIDIA DRIVE 平台的 Transformer 引擎，产品支持 FP8 与 FP