2024年已經(jīng)過去，但2024年最后幾個月的車圈動向，給2025年留下了很多遐想空間。

相比于“飛行汽車”在汽車領(lǐng)域的長周期提及和迭代，2024年最后一個月，“具身智能”這個詞在車圈出現(xiàn)頻次非常之高。12月26日，廣汽發(fā)布了人形機器人GoMate，比亞迪也宣布招募具身智能團(tuán)隊。小鵬、長安、奇瑞、上汽、北汽、東風(fēng)，都在2024年組建團(tuán)隊或者和創(chuàng)業(yè)公司簽約聯(lián)合開發(fā)。而賽力斯和小米則稍早一點，在2023年開始動作。華為和寧德時代、地平線、速騰（參數(shù)丨圖片）聚創(chuàng)、科大訊飛等供應(yīng)商，也在投資機器人業(yè)務(wù)。

事實上，這也不是一個全新領(lǐng)域，只不過車圈剛介入而已。自2023年英偉達(dá)CEO黃仁勛高呼“AI的下一個浪潮將是具身智能”，這個概念就火了。而特斯拉2024年10月展示的機器人，研發(fā)至少啟動兩三年了。兩年時間，中美有關(guān)具身智能的創(chuàng)業(yè)公司多如牛毛，就在車企當(dāng)回事的時候，非頭部具身智能創(chuàng)業(yè)公司拿融資已經(jīng)很困難了。

具身智能≠人形機器人

那么問題來了，“具身智能”是否就是“人形機器人”？后者已經(jīng)在科幻片里出現(xiàn)好幾十年了，而前者只能追溯到幾年前。兩者在外觀形態(tài)上可能有少許交集，但概念上完全不是一回事。

具身智能（Embodied Intelligence）之所以看著別扭，多少帶點翻譯腔，但確實是目前最為簡潔的描述。

雖然具身智能沒有共識的定義，但不妨礙大家爭著給它定義。斯坦福大學(xué)AI學(xué)者李飛飛給出的定義是：“具身的含義，不是身體本身，而是與環(huán)境交互以及在環(huán)境中做事的整體需求和功能?！?/p>

這個定義不那么易懂，但可以看出，具身智能必須與物理執(zhí)行能力有關(guān)，是不是人形倒不重要（但應(yīng)有實體，而非單純的代碼）。我們可以將其簡單理解為一種認(rèn)知-行為智能，就像自動駕駛是某種意義上的認(rèn)知-空間智能一樣。

假設(shè)，我們支使一個“具身智能”去“倒掉廚房垃圾”，這個指令的理解和執(zhí)行對人類來說再簡單不過，但對于機器人卻很復(fù)雜。后者應(yīng)該將其拆解為一系列“子指令”——運動到廚房，搜索并辨識垃圾，分類裝袋（獲取袋子是另一個任務(wù)分支），確認(rèn)無遺撒，抓握提起，打開房門，乘電梯下樓，搜索定位垃圾桶，移動到位，分類放入，原路返回。

圖：目前的機器人只能在特定場景中執(zhí)行固定任務(wù)

這些動作牽扯的技術(shù)棧非常廣，包括語音識別、自然語言辨識，指令拆解，任務(wù)目標(biāo)辨識、3D姿態(tài)穩(wěn)定、機械移動、執(zhí)行評估反饋等，更別提可能的任務(wù)分支。這就是本世紀(jì)初炒作了一陣子的人形機器人概念，最后偃旗息鼓的原因。因為人們發(fā)現(xiàn)，根本寫不出通用機器人的代碼。機器人只能在特定場景中執(zhí)行固定任務(wù)，比如掃地機器人、跳舞機器人、工業(yè)噴漆機器人（機械臂）等。

好消息是，現(xiàn)在的大模型訓(xùn)練帶來了新靈感。大家都看到了VLM（視覺和自然語言處理模型）、LLM（大語言模型）可以辨識模糊語義（人類也擅長辨識模糊語義），也可以教會AI在從未定義過的場景中做自主決策。再往前一步，走到物理執(zhí)行層面，即解決本體與環(huán)境互動問題，那不就做出具身智能來了嗎？有人將具身智能訓(xùn)練（多模態(tài)輸入增強模型對物理現(xiàn)實的理解），描述成為智能注入靈魂（主觀性），確實有些道理。

具身智能依然處于初級階段

和大模型不同，發(fā)展到具身智能階段，就不應(yīng)該等著人類“填喂”給它數(shù)據(jù)并訓(xùn)練它（雖然初始可能這么做），它應(yīng)該主動獲取數(shù)據(jù)，并自我訓(xùn)練，然后擴(kuò)張自己的能力。這里面的主動性，也是區(qū)別具身智能和人形機器人的關(guān)鍵。

順便說一句，人類與環(huán)境互動，多數(shù)時候無須中央算力（大腦）。我們的小腦、肢體關(guān)節(jié)、皮膚，都能瞬時完成與環(huán)境互動，當(dāng)然前提是我們對特定環(huán)境熟悉（自我訓(xùn)練）。

現(xiàn)在這股風(fēng)吹到了汽車圈，除了特斯拉投資比較早，似乎也做出了產(chǎn)品（是否擁有典型的具身智能，尚存疑問），跟進(jìn)的基本都是中國車企，這一現(xiàn)象很有意思。

諸多的券商投研報告，都很樂意用數(shù)字來描述某新興產(chǎn)業(yè)的未來市場價值，動輒百億千億，還得是美元。這種餅畫多了，報告都看得麻木。但毫無疑問，具身智能如果做成，商業(yè)前景無疑廣闊，遠(yuǎn)超智能駕駛的商業(yè)價值，甚至還能和汽車產(chǎn)業(yè)掰一下手腕。

圖：具身智能產(chǎn)業(yè)發(fā)展歷程

現(xiàn)在全球汽車產(chǎn)業(yè)大概價值30多萬億人民幣（2023年數(shù)據(jù)），而其帶動的上游產(chǎn)業(yè)鏈，解決的就業(yè)崗位和周邊產(chǎn)業(yè)，其經(jīng)濟(jì)乘數(shù)效應(yīng)，在所有工業(yè)門類中無出其右。

相比而言，具身智能如果以產(chǎn)業(yè)標(biāo)準(zhǔn)來看，依然處于相當(dāng)初級的階段，即長期不招投資人待見的“備胎”學(xué)術(shù)門類，只不過，現(xiàn)在窺見了可能的技術(shù)路徑，具備了工程化的可行性（即工程當(dāng)中的“可研”）。

但如果從投資角度來看，又完全不一樣了。一個具備廣泛應(yīng)用前景的商業(yè)模式，投資人會急切地尋找投資標(biāo)的，搶著將支票塞到創(chuàng)始人口袋里。這種事，10年前已經(jīng)看到多次了。只有當(dāng)?shù)谝徊▌?chuàng)業(yè)企業(yè)在PPT和demo做出來之后裹足不前，耗盡前期資金，才能迫使部分投資人冷靜下來。

做個不完全嚴(yán)謹(jǐn)?shù)谋扔?，目前的具身智能，無論投資還是技術(shù)階段，可能相當(dāng)于智駕產(chǎn)業(yè)在2016年時的狀態(tài)。

智駕護(hù)城河已變淺

一個依然處于雛形的產(chǎn)業(yè)，為何依然讓諸多車企紛紛投資？

理由與投資飛行汽車有相似之處。畢竟智駕和具身智能，對大模型投資是貫通的。兩者的軟件（感知、視覺、算法、規(guī)控策略）技術(shù)路徑相近，硬件上電池、電機、控制芯片要求差不太多（具身智能對環(huán)境工況要求稍低），何況兩者都是大模型的商業(yè)變現(xiàn)途徑。智駕對空間控制精度的要求不及具身智能，但智駕對于時間精度的要求又往往高于后者?？傊?，兩者在技術(shù)和工程上，彼此映照。

換言之，智駕相當(dāng)于具身智能的子集，理論上具身智能可以替代任何人類非創(chuàng)造性勞動。

對于現(xiàn)在的主流車企而言，投了上萬張算力卡構(gòu)建大模型，廣泛部署了用戶端數(shù)據(jù)采集能力，招募了如此龐大而高成本的人力資源，為什么不順帶進(jìn)入具身智能領(lǐng)域？

再進(jìn)一步分析，現(xiàn)在智駕收斂到“端到端”路徑，加之車企同時在組織人馬自研，智駕公司的商業(yè)道路收窄，拿到車企的長期訂單越來越困難（除了少數(shù)供應(yīng)商），而相關(guān)知識的擴(kuò)散速度超出了此前的估計，智駕產(chǎn)業(yè)的護(hù)城河正在日益變淺。

圖：智駕與具身智能的大模型投資是貫通的

業(yè)內(nèi)普遍的共識是，L4目標(biāo)（Robotaxi）無法用端到端路線解決?，F(xiàn)在致力于L4的商業(yè)變現(xiàn)的公司，仍陷在虧損的爛泥坑里，原因并非是L2+那種規(guī)模效應(yīng)不足的問題，而是技術(shù)上沒有徹底走通。所以，車企智駕起步普遍晚于創(chuàng)業(yè)公司（除了特斯拉），而入局之后才認(rèn)識到智駕的商業(yè)變現(xiàn)存在瓶頸

既然投資如此龐大，那么做具身智能也就成為必然選擇。車企的意圖，恐怕嘗試?yán)眉扔匈Y源（人力和技術(shù)資產(chǎn)）開辟第二商業(yè)戰(zhàn)場。

有意思的是，2024年12月，小米、地平線、百度等負(fù)責(zé)智駕的高管，紛紛離職創(chuàng)立或者加入具身智能公司。技術(shù)出身的智駕研發(fā)一線高管，對行業(yè)趨勢的認(rèn)知，想必更敏感一些。

兩者技術(shù)至少部分相通，智駕的商業(yè)想象力正在走弱，而具身智能則顯得前途無量，轉(zhuǎn)投新業(yè)態(tài)太正常不過。

無共識階段才是最大機會

即便智駕與具身智能投資邏輯一貫而通，但業(yè)內(nèi)更愿意強調(diào)二者的差異性。

前者，智駕車輛行為由規(guī)則兜底，依靠數(shù)據(jù)驅(qū)動迭代；后者，學(xué)習(xí)的是生物體，通過長期與環(huán)境交互，進(jìn)化出復(fù)雜的行為模式。也就是說，具身智能因此也必須重點提升自主性和適應(yīng)性。

很多公司的智駕部署量，現(xiàn)在已經(jīng)達(dá)到幾十萬甚至百萬，海量數(shù)據(jù)來源不成問題。數(shù)據(jù)和訓(xùn)練是智駕成長的基石。具身智能也需要數(shù)據(jù)輸入，數(shù)據(jù)量嚴(yán)重偏少，且現(xiàn)在還看不到具身智能主動攝取數(shù)據(jù)的管道。

有些公司（譬如蔚來），希望透過構(gòu)造世界模型，形成解釋現(xiàn)實世界的認(rèn)知框架，并最終解決智駕的預(yù)測問題（基于對物理和交通規(guī)則，預(yù)測未來幾秒，是人開車的普遍思維模式）。世界模型的本質(zhì)，是AI構(gòu)造AI。準(zhǔn)確地說，是AI構(gòu)造“經(jīng)驗庫”。

現(xiàn)在，也有人試圖用世界模型，分層解決具身智能的執(zhí)行精度問題。簡言之，就是VLM疊加物理世界的運行常識，但根據(jù)LLM做高級決策（像人那樣，用直覺實現(xiàn)從模糊語義到精確執(zhí)行），這樣就能避免使用大量數(shù)據(jù)訓(xùn)練。但是，如此直接輸出動作，泛化能力可能相當(dāng)有限。

打個比方，我們從桌面拿起一本厚重的書，大腦不會給肢體輸出各個手指應(yīng)該張開多大角度，每根手指發(fā)力多少的指令。我們甚至無須根據(jù)重量和靜摩擦力感知來微調(diào)，因為我們的經(jīng)驗庫已經(jīng)非常適應(yīng)這一任務(wù)。若換做拿起紙杯咖啡，就不會用同樣的力度，因為早就知道會把杯子捏變形。我們不愿意教具身智能識別所有物體（也做不到），我們希望它自己悟出合適的拾取方式。

圖：目前所能看到的機器人表演，可能都不是嚴(yán)格意義的具身智能

我們懷疑，現(xiàn)在看到的很多機器人做家政表演，開發(fā)人員都在幾個有限動作數(shù)據(jù)上“過擬合”了而已，根本無法適應(yīng)泛在場景。所以，從嚴(yán)格意義講，這并不算具身智能。無法擺脫對海量訓(xùn)練數(shù)據(jù)的依賴，具身智能就不會獲得泛在能力。

盡管技術(shù)實現(xiàn)存在多個瓶頸，具身智能仍然具有潛在的非凡商業(yè)價值?，F(xiàn)在，具身智能從定義到技術(shù)路徑，再到首批應(yīng)用場景，都沒有形成共識。而無共識階段恰恰是最佳創(chuàng)業(yè)階段，很多資本都有在發(fā)展初期布局的宏大意圖。

車企自然也不例外。如今車企憑借優(yōu)勢資源大規(guī)模進(jìn)入，短期內(nèi)可能緩解了具身智能行業(yè)投資焦慮，但從長期來看，則有可能將多數(shù)具身智能的創(chuàng)業(yè)公司收編或者擠出這一行當(dāng)，重演智駕的發(fā)展規(guī)律。

注:圖片部分來源網(wǎng)絡(luò)，如有侵權(quán)，聯(lián)系刪除。

低空經(jīng)濟(jì) 還在夢想階段日產(chǎn)+本田 尚未清晰的效率之戰(zhàn)雷克薩斯國產(chǎn) 能復(fù)刻特斯拉嗎