自动驾驶老兵转攻机器人，要造通用具身大脑

2018年英伟达GTC大会后台，一辆自动驾驶测试车悄悄开进了黄仁勋的私人车库——不是违规闯入，是核心工程师王一舟带着刚写完的算法来做终极验证。七年后，同样是这位英伟达DriveAV的创始成员，坐在杭州的办公室里，盯着屏幕上机械臂抓取零件的实时画面。他的身份成了原力无限CTO，赛道从四个轮子的自动驾驶，切换到了能跑能抓的具身智能机器人。不变的是他要解决的问题：怎么让AI在真实物理世界里，像人一样稳当又聪明地活着。

从马路到车间，底层逻辑没换过

自动驾驶和具身智能，看起来是风马牛不相及的两个赛道，但在王一舟眼里，本质都是「给物理世界的智能体装大脑」。 你可以把自动驾驶的世界模型想象成一个超级导航：它融合雷达、摄像头、地图的所有数据，提前算出10秒后前车会不会变道、路口会不会有行人冲出来，然后规划出最安全的路线。而具身智能的世界模型，就是给机器人装一个能「脑补」的大脑——不仅要看到眼前的零件，还要能预判「我伸手去抓，它会往哪个方向滑」「我用力太大会不会捏碎它」。 自动驾驶用了十年磨出来的本事：多模态感知融合、数据闭环训练、鲁棒控制逻辑，全是具身智能急需的「基本功」。比如自动驾驶里的模型预测控制（MPC），原本是用来控制汽车不压线、不追尾，现在套用到机械臂上，就能让它在抓取易碎品时，精准控制力度不超过安全阈值。 但具身智能的难度，是自动驾驶的N次方。汽车只需要在二维的马路上跑，机器人却要在三维空间里做拧螺丝、叠衣服这种精细动作；汽车的环境有交通规则约束，机器人却要面对堆满杂物的仓库、随时有人走动的车间——每一个变量都是新的挑战。

为什么机器人的核心是「大脑」而非身体

2026年的具身智能赛道，已经从「比谁的机器人跳得高」转向「比谁的机器人能干活」。随着中国供应链的成熟，机器人本体——也就是机械臂、机身、传感器这些硬件——正在快速标准化，就像十年前的智能手机，拼到最后，核心竞争力还是操作系统和生态。 王一舟团队押注的「通用具身大脑」，本质是一套能适配不同机器人的智能系统：给机械臂装上，它能在工厂里拧螺丝、搬零件；给服务机器人装上，它能在医院里送药、在家庭里叠衣服。这套系统的核心，是把多模态大模型和因果世界模型焊在一起：多模态大模型负责「看懂」视觉信号、「听懂」人类指令，因果世界模型负责「想明白」动作的后果。 和直接把ChatGPT这类通用大模型嫁接到机器人上的思路不同，他们坚持从底层自研。通用大模型擅长「说」，但不擅长「做」——它能告诉你「怎么叠衣服」，但不知道「手要用力多大才能把衣角拉直」。而具身原生模型，是从机器人的动作数据里训练出来的，每一个参数都对应着真实的物理反馈。 当然，这条路难走得多。光是搭建数据闭环，就要解决机器人在真实环境里的自动数据采集、标注、仿真问题。他们用的RADAR系统，能让机器人自动完成「任务生成-执行-评估-环境重置」的循环，不用人工干预，一天就能采集上万条有效数据——这在自动驾驶领域是常规操作，但在具身智能领域，还是少数玩家能做到的事。

工程化的坑，才是真正的门槛

很多人觉得，具身智能的难点是算法，但王一舟说，真正的门槛是工程化——是把实验室里的Demo，变成能在工厂里连续运行1000小时不出错的产品。 第一个坑是「现实差距」：仿真环境里训练得再好的机器人，到了真实车间，可能因为地面的一点灰尘、零件的一点磨损，就抓不住东西。自动驾驶解决这个问题的办法，是用海量真实道路数据训练模型，具身智能也一样——他们把机器人放到真实工厂里试错，把每一次失败的记录都喂给模型，让它学会应对各种「意外」。 第二个坑是多模态融合：机器人要同时处理视觉、触觉、力觉的数据，就像人用眼睛看、用手摸、用力道感知物体。这需要把不同传感器的数据精准同步，差几毫秒，机械臂的动作就会偏掉。王一舟团队把自动驾驶里的传感器融合算法改了又改，才让机器人能像人一样，「看一眼、摸一下」就知道怎么抓东西。

还有一个绕不开的坑是成本。现在一台能干活的具身智能机器人，成本还是几十万，要普及到工厂，必须把成本降下来。而成本的大头，除了硬件，就是「大脑」的研发投入——谁能先把具身智能的算法效率提上去，用更少的算力训练出更聪明的模型，谁就能拿到成本优势。

王一舟把从自动驾驶到具身智能的转型，比作「从开汽车到开飞机」——原理相通，但难度呈指数级上升。自动驾驶用了十年，才从实验室走到马路上；具身智能要从车间走到千家万户，可能需要更长的时间。 但有一点是确定的：当机器人本体的硬件不再是壁垒，「大脑」的竞争才刚刚开始。那些在自动驾驶领域磨出来的工程化能力，那些对真实物理世界的理解，正在成为具身智能赛道最稀缺的资产。 智能的终极形态，从来不是会说话，而是会做事。 这句话不仅适用于自动驾驶，也适用于具身智能——毕竟，能帮人类把活干好的AI，才是真正有用的AI。