逃离 " 围城 "？

作者／   IT 时报   毛宇

编辑／   郝俊慧   孙妍

2026 年，中国智能驾驶行业（以下简称智驾）交出了一份光鲜的成绩单：截至上半年，L2 级新车渗透率达 70.5%，具备 NOA（领航辅助驾驶）功能的车型渗透率达 34.2%，L3 级自动驾驶开始在特定区域上路。

技术高歌猛进，政策密集落地，一切看起来都蒸蒸日上。但在聚光灯之外，一场无声的 " 人才迁徙 " 正在上演。

曾在头部科技企业智驾部门工作了三年的算法工程师陈茉（化名），数月前跳槽去了一家具身智能公司，" 新公司一半同事都来自智驾行业 "。

前知名车企数据岗员工周亦冉（化名）做了同样的选择。在她看来，智驾行业已走完从 " 技术探索 " 到 " 商业落地 " 的爆发期，" 当年智驾火的时候，钱和人一起涌进来，现在‘风’吹向了具身智能。"

资本流向是最诚实的信号。2025 年至 2026 年，具身智能领域的融资事件数和金额双双攀升。

8 月 19 日，宇树科技上市，市值一度突破 4449 亿元，截至 8 月 24 日，其股价有所回落，但市值仍有 2439 亿元。市场的确在用真金白银为 " 下一个十年 " 投下赞成票。

围城内外的人，开始重新打量自己的位置，但无论留下还是离开，他们共同拼凑出的，是中国智驾当前最真实的剖面。

商业困境

量产后无法 " 填满 " 的研发成本

" 智驾行业内卷有些严重，我卷不动了。" 陈茉语气中略带疲惫。

当智驾进入下半场，商业模式是决定企业能否生存的关键，但至少在目前，尽管大多数新发布的车型或多或少带有智驾或辅助驾驶功能，可行业仍未赚到钱。

目前，国内智驾软件仍主要采用一次性购买模式。" 国内消费者的软件付费习惯还没养成。" 某新能源汽车销售人员曾告诉《IT 时报》记者，" 几千元乃至上万元的智驾包，不少人觉得没必要买。"

图源：unsplash

陈茉算了笔账：" 招的是年薪百万的博士，租的是昂贵的算力集群，结果软件卖几千元用户还嫌贵，而且车售出后每次软件迭代都是纯成本，老用户不会再为之付费。"

这种成本与收入的结构性错配，让智驾研发成了 " 填不满的窟窿 "。

尤其是进入规模化量产阶段后，智驾团队面对的问题发生了变化，算法团队从 " 创新中心 " 变成了 " 成本中心 "，" 最早做自动驾驶的时候，招进来的都是顶尖人才，大家都想做新东西。量产之后，创新空间小了，让这些高端人才天天做维护、洗数据，能不累吗？" 陈茉说。

技术难题

创新仿佛被摁下了暂停键

过去几年，国内智驾企业的竞争集中在量产和落地速度上，但陈茉认为，部分关键技术能力仍存在一些问题。

第一个问题是对用户驾驶习惯的建模能力。有公开报道称，特斯拉近期计划在 FSD 中加入用户驾驶偏好模块，可以记录每次人工干预行为并学习驾驶员的习惯，比如记住用户在家、公司等固定地点的停车偏好，从而让系统能够根据个人驾驶习惯持续优化。但目前国内多数智驾方案仍未跟进。

" 不是数据没有，也不是技术做不到，而是很多企业认为用户偏好学习属于后续优化方向，架构设计之初就没有考虑。" 不过，陈茉也坦言，国内车企手里有用户数据，现在做也不算晚。

更关键的问题是对未来环境的预测和重建能力。

2026 年 1 月，特斯拉一项名为 " 基于地面实况启发式渲染环境的视点捕获模拟 " 的专利申请被公开，该专利提出了一套从真实驾驶数据中生成虚拟训练场景的技术方案，可以利用车辆摄像头采集的真实画面，重建出道路的 3D" 骨架 " 模型。在此基础上，专利显示，可通过算法生成多种在现实中难以大量采集或极具危险的虚拟驾驶场景，如极端天气、坑洼路面，甚至是逻辑冲突的路口，从而以较低成本生成海量且多样化的训练数据，可有效缓解真实世界高质量驾驶数据稀缺的困境。

类似的技术，" 国内也有团队在做，但国内车企多采用 3D 高斯重建等路径，与上述‘世界模拟器’仍有差距。" 陈茉表示。

在陈茉看来，之所以有差距，正是因为国内智驾产品量产后，研发部门成为成本中心，大家只是不断在现有代码上叠补丁、降成本，而不是做架构层面的根本创新，算法迭代的路径偏了，突破也就慢了。

也正是因为在创新上不像之前那样有一往无前的冲劲，不少对技术有信仰的高端人才希望能到一个新的行业，创造更多价值，进而转身离去。

数据之殇

稀缺的极端场景与卡住的飞轮

在智驾的叙事里，算法只是故事的一半。

" 模型和数据对智驾创新的影响，大概是一半一半。" 周亦冉认为，如果说算法决定智驾能力上限，那么数据决定企业能否达到这个上限，行业竞争正在从模型架构竞争转向数据工程竞争。

目前，自动驾驶头部玩家的算法架构趋同，Transformer（当前大部分 AI 大模型的底层核心架构）、BEV（鸟瞰视角算法）是行业基础配置，越来越多企业开始关注占用网络（自动驾驶感知新技术，可根据周围空间被占据的概率判断是否前进）等新方向，但真正拉开差距的，不再只是模型结构，而是谁拥有更高质量的数据闭环。

然而，高质量数据太稀缺了，尤其是 Corner Case（极端场景）数据。普通道路场景的数据并不稀缺，真正困难的是暴雨、暴雪、夜间复杂环境、异形车辆等情况。这些场景天然低频，完成几十万公里测试甚至可能都遇不到几次。

这让智驾企业普遍面临 "Scaling Law（规模法则）困境 "：模型能力与数据量成正比，但智驾领域的高质量数据稀缺，" 堆再多的普通道路数据，模型在长尾场景上的识别效果也不会变好。这是一个死循环，" 周亦冉认为。

更关键的是，采集到的数据变成可训练的素材，中间还要经过回流、筛选、标注、清洗等一系列流程，每一个环节都在烧钱，都在卡脖子。有时候，采集车一天能采集回数 TB 的数据，可真正能用于训练的不到 5%。

在周亦冉看来，过去行业更关注模型团队，而忽视数据团队的价值，可 " 进入量产阶段之后，真正决定效率的是数据流水线。" 周亦冉认为当前数据工程的重要性甚至超过单纯算法优化，但行业认知仍停留在 " 算法才是核心 " 阶段，数据团队的话语权很弱。

她将这种现象称为 " 模型组天龙人 "：" 数据岗觉得自己在教 AI 开车，但公司觉得你在做重复劳动。"

数据标注

被浪费的 " 人工 "

智驾行业的压力，也传导到了产业链底层。

李响（化名）是一家贵州智驾数据公司的员工，日常工作是在激光雷达点云中标注车辆、行人等目标，然而标准化要求和真实场景之间存在很多现实矛盾。

" 运动轨迹必须平滑，稍微偏一点就会被质检打回。" 他说。相比车辆，行人的标注更加困难。人体姿态变化会导致中心点偏移，需要反复调整。

为了应对质检要求，项目方最近强制规定行人框底面必须是特定边长的正方形。过关的比例提高了，可这种 " 一刀切 " 的方式也让标注员失去了精细判断的空间。

工具本身也有痛点。李响使用的甲方提供的标注平台偶有 Bug：精细调节按钮被放置在界面转角处，鼠标拖拽时易误触，框会 " 乱转 "；切帧时，三视图中的点云有时会残留上一帧数据，需等待或重切才能恢复。

更根本的问题出现在传感器盲区。" 有的采集车只在前后两端装了激光雷达，侧面没点云。" 有时候，目标物走到侧面，李响只能对着 2D 图片手动框，" 凭感觉猜位置 "。平台提供的 " 盲区伪点云 " 功能，不但加载慢且模糊，" 还不如自己手搓 "。

所谓的 AI 辅助标注也没有完全改变现状。" 有些是预标好的，但更多的是从零开始或者改错。" 李响说，那些 AI 辅助功能因为加载慢，实际使用并不多。 

逃离智驾

人才正在寻找下一个十年

陈茉和周亦冉的选择，并不是个例。当一个行业从高速扩张进入深度调整的阶段，人才会自然而然随着产业热点出现迁徙。

在与记者交流时，陈茉表示，自己所在部门约一半同事来自智驾行业，" 大家觉得机器人赛道至少还有十年空间。"

就连底层产业链也开始寻找新的方向。7 月，李响所在公司启动新业务——员工进入居民区，用夹取动作采集视频，为人形机器人训练提供数据。" 那批做智驾标注的同事，一部分已经被调去这个新项目。" 他说。

中国信通院《具身智能发展报告》数据显示，2025 年国内具身智能和机器人领域融资总额达到 735.43 亿元。另据 IT 桔子统计，2026 年上半年具身智能赛道融资规模突破 935 亿元。大量 AI 人才开始进入新的产业周期。

从自动驾驶到具身智能，这场人才 " 迁徙 " 正是当下产业周期轮动的缩影。每个新兴产业都要从 " 证明可能 " 走到 " 证明价值 "，自动驾驶的后一个阶段才刚刚开始，而具身智能则正在进入第一阶段。

不过也不必欢呼，具身智能未来同样可能经历从实验室到量产、从资本追捧到商业验证的全过程，也同样可能在泡沫被挤出时经历阵痛。当 " 大力出奇迹 " 的资本叙事退场，真正的考验才刚刚开始。

排版／   季嘉颖

图片／   unsplash   特斯拉   AI

来源／《IT 时报》公众号 vittimes

E   N   D

大家都在看

IT 时报

怕被 AI 替代？

不如先学会用好它

「挨踢妹 @AI 茶水间」

每日投喂

扫码即可加入↓↓↓

请加「星标」不错过我们