汽车和机器人，正在越来越频繁地出现在同一张技术路线图里。

7 月，现代汽车集团董事长郑义宣在旧金山提出，公司正从传统汽车制造扩展到自动驾驶、机器人和 AI 工厂，向一家 "Physical AI solution company" 转型。

NVIDIA 也在把两套产业的技术基础往一起收。面向汽车的 DRIVE AGX Thor 和面向机器人的 Jetson AGX Thor，都采用 Blackwell 架构。今年 6 月，NVIDIA 又把从自动驾驶安全研发中积累起来的 Halos 体系扩展到人形和工业机器人。Tesla 则一直把汽车和机器人放在同一套 AI & Robotics 体系里，视觉、规划和推理能力同时服务 FSD 和 Optimus。

产品形态相差很大，遇到的技术问题却越来越接近。机器需要看懂现实环境，形成判断，再把模型输出变成可靠的物理动作。算力、模型、仿真和安全体系，也开始跨越汽车与机器人原有的行业边界。

Physical AI 所需要的 " 身体 "，自然也不会只有一种形状。

今年 6 月发布的 AI 汽车品牌 AIVA，也把汽车放进了这场讨论。AIVA 由赛豆科技推出，提出 "AI 定义汽车，先有 AI，再有车 "。在 2026 世界机器人大会火山引擎具身智能技术与应用论坛上，AIVA 总裁、产品经理李博进一步提出了一个问题：AI 要走进物理世界，需要一副身体，这副身体除了人形，还有没有其他可能？

AIVA 选择了汽车。

这并不是给汽车重新贴一张 " 机器人 " 标签。更值得讨论的是，Physical AI 从数字世界进入现实以后，不同的物理载体正在回答不同的问题。

两种身体，回答两类问题

这届世界机器人大会上，评价机器人的尺度已经明显向实际任务移动。

中国电子学会理事长徐晓兰在谈到人形机器人产业时，用了一组很具体的描述。机器人正从 " 舞台上动起来 "" 赛场上跑起来 "，向 " 家庭里用起来 "" 工厂里干起来 " 进化。动作能力仍然重要，但能否换一个环境继续理解任务、稳定工作，才决定一台机器人能不能真正进入生产和生活。

人形机器人首先要攻克的是通用性。现实中的门、楼梯、货架和工具，大都围绕人的身体设计。拥有双腿、双臂和灵巧手的机器，理论上可以直接进入这些空间，不需要人类为它重新铺设一整套基础设施。对应的难度也很清楚，它必须适应大量没有提前训练过的环境和任务。

宇树科技创始人王兴兴给具身智能的 "ChatGPT 时刻 " 设过一个参考标准。在约 80% 的陌生场景里，机器人仅通过语音或文字指令，能够完成约 80% 的任务。他预计这个节点快则需要两三年，慢则五到十年。现在的瓶颈已经不只是机器人能不能学会某个动作，物品、环境变化以后，原来的能力还能保留多少，同样决定它能不能进入真实场景。

数据也是瓶颈。ACE Robotics 董事长王晓刚估计，过去几年整个机器人行业积累的训练数据约 10 万小时，而公司希望未来两年把自身采集规模提高到数千万小时。

不同载体的起点并不一样。在火山引擎具身智能技术与应用论坛上，李博从机器人这一典型载体谈到汽车：" 机器人是一条路径；而汽车，可能是另一条落地速度更快的路径。"

人形机器人希望得到一副尽可能通用的身体。汽车的任务范围窄得多，却已经每天在真实世界大规模运行。对汽车来说，需要回答的是另一个问题：AI 获得这样一副物理载体以后，可以把它的能力向前推进多少。

汽车提前走过一部分 Physical AI 的工程化路径

AIVA 判断汽车适合作为 Physical AI 载体，首先来自几项很现实的条件。

一辆电动车拥有几十甚至上百度的电池，可以支撑越来越强的车端计算；摄像头、麦克风和雷达负责感知，转向、制动、灯光、空调、座椅等系统负责执行。用户又会每天进入汽车，一辆车的使用时间通常长达数年，这给 AI 理解个人习惯、积累长期记忆留下了天然的交互场景。

汽车更特殊的积累发生在硬件之外。

自动驾驶发展十多年，汽车行业已经围绕机器如何在现实世界行动，建立起一套复杂的工程体系。道路数据被采集和重建，模型在仿真环境中反复测试，再经过封闭场地、真实道路、车端部署和后续数据迭代。

2026 年以来，国内搭载组合驾驶辅助功能的乘用车新车市场渗透率已经达到 70%，其中 NOA 车型超过 30%。这不是 L3、L4 自动驾驶的普及率，但足以说明，大量汽车已经在日常道路上持续执行 " 感知、判断、规划、控制 " 这套机器行动链路。

随着权限提高，汽车行业处理的问题也越来越接近 Physical AI 的大规模工程化。7 月底发布的《智能网联汽车 自动驾驶系统安全要求》，已经为 L3、L4 系统规定了全生命周期安全、仿真和道路试验、能力边界、驾驶人接管以及风险处置策略。模型应该在什么条件下行动，能力不足时怎样退出，出了问题怎样控制风险，这些都不再只是算法问题。

NVIDIA 把 Halos 从自动驾驶扩展到机器人，也说明这种经验正在跨行业迁移。汽车和机器人共享的已经不只有算力和视觉模型，还有如何测试机器的行为、怎样设计安全冗余，以及错误发生后怎样控制风险。

汽车进入 Physical AI，带来的因此不只是一组现成的传感器和执行器。它还带着数据、仿真、安全验证、供应链和规模部署的工程经验。这些基础设施已经在汽车行业运转多年，也是 AIVA 选择从汽车切入 Physical AI 的重要现实基础。

AIVA 想做的，是让 AI 进入整车定义

汽车使用 AI 已经不是新鲜事。大模型进车以后，聊天、搜索、导航、空调和车窗控制也会越来越普遍。

AIVA 想往产品源头再走一步。

"AI 定义汽车，先有 AI，再有车 " 里的 " 先 "，指的是产品定义顺序。先考虑 AI 应该理解用户什么、主动完成什么，再决定这些能力需要怎样的传感器、算力、硬件和交互方式。AI 由此不再只负责调用汽车已有的功能，也开始参与决定汽车应该怎么设计。

AIVA 已经公开的产品思路里，可以看到两个不同层次的切口。

一个是车内环境。

李博此前用 "22 度 " 解释过这种体验。夏天穿着 T 恤时的 22 度，与冬天刚刚脱掉羽绒服时的 22 度，对同一个人可能意味着完全不同的体感。

如果汽车只接受 " 调到 22 度 " 这个命令，传统控制系统已经可以完成。AI 再往前一步，需要感知车内外环境和用户当前状态，结合长期偏好形成判断，再调用空调、风量、座椅通风等执行机构。这里已经出现了感知、记忆、判断和物理执行之间的关系。

另一个切口是 " 灵动光眸 "。

这个设计适合作为观察 Physical AI 汽车的一个微观切口。它值得看的地方，不仅仅在于互动屏幕本身，而是 AI 进入产品定义以后，一项新的交互需求，怎样进入硬件成本、功能边界和产品取舍。

AIVA 把原本的大灯位置改成互动屏幕，用来承担车辆对外表达和交互的功能。它的出现源于另一个产品设想，如果 AI 能够感知和理解周围环境，汽车是否也需要一种更自然的方式，把自己的状态和意图表达给外界？

这个想法在内部经历过实际的产品争论。李博提到，成本团队更认为，这是一笔额外的、没啥用的支出。

AIVA 保留了这项设计，也给它设定了明确的产品要求。正如李博所言：" 我们要打造的是一个生命体，生命体需要表达和交互。就像人与人沟通的时候，往往都是先看眼睛，眼睛是心灵的窗户嘛。放到车上，这台车的‘眼睛’，天然就在大灯的位置。"

22 度这个例子展示的是 AI 怎样使用汽车已有的感知和执行能力；灵动光眸展示的则是另一个方向，AI 提出的新需求怎样反向进入硬件设计。

后者只是一个微观切口，却把 "AI 定义汽车，先有 AI，再有车 " 从一句产品主张拉到了具体的成本和工程选择里。

AIVA 与火山引擎的深度共创，也被放到了更早的产品阶段。双方共同讨论 AI 硬件选型、产品需求和设计方案，合作并没有停在模型接入。

另一层变化发生在造车团队自己的研发流程。车端 Physical AI 能力要变成产品，背后仍然依赖设计、研发和测试这些数字化工作。AIVA 希望 AI 深入汽车产品，做汽车的人也开始用 AI 重新安排工作方式。

AIVA 的 HMI 团队使用 ArkClaw 搭建设计助手，输入 PRD 后，可以自动拆解用户旅程并生成视频 Demo，部分原本以天计算的工作被压缩到几分钟；研发团队则使用 Trae 重构自动化测试链路。

这部分仍然属于 Digital AI，与车端 Physical AI 并不是同一层能力。它的意义更像一种前置准备：在让 AI 进入真实汽车之前，研发和生产这辆车的数字流程先开始被 AI 改变。

从产品定义、硬件选择到设计和研发流程，AIVA 希望 AI 参与的不只是用户看得到的几个功能，而是汽车被定义和制造出来的过程。这也是 "AI 定义汽车 " 更有分量的一部分。

Physical AI 还要建立信任

AI 留在屏幕里时，错误大多表现为信息出了问题。获得物理行动能力以后，模型的判断会直接改变现实世界。

汽车对此尤其敏感。它每天载着用户和家人在道路上移动，AI 得到的权限越高，稳定性、安全边界和行为可预期性就越重要。

李博把 Physical AI 最终要面对的问题归结为 " 信任 "：" 人不会把自己和家人的生活，托付给一个无法信任的事物。"

放到汽车上，信任并不抽象。它意味着判断准确、行为稳定、权限清楚，也意味着 AI 既能逐渐理解用户，又知道哪些事情应该交还给人。自动驾驶已经为安全、验证和责任积累了一套工程体系，大模型则补上理解、推理、长期记忆和自然交互。两者的结合，给汽车成为 Physical AI 载体提供了现实基础。

AIVA 值得看好的地方，也在这里。它没有把 AI 停留在汽车已有功能的升级，而是让 AI 从产品定义阶段进入硬件、交互、服务和研发流程。灵动光眸只是一个微观切口，22 度场景展示了另一种可能，而与火山引擎从硬件选型到研发流程的共创，则让这套方法继续向产品内部延伸。

AIVA ME7 将在今年年内亮相。届时，"AI 定义汽车 " 会从目前已经公开的产品细节，进一步展开到一台完整的量产车上。

Physical AI 不会只有一种载体。人形机器人在拓展通用能力的边界，汽车则拥有成熟的产业体系和进入高频日常生活的现实基础。AIVA 选择从汽车出发，让 AI 更早参与这副物理载体的定义，也为 Physical AI 提供了一条更具规模基础的产品路径。

汽车与 AI 的两条技术线正在汇合，AIVA 想从这个交点开始做一台 AI 汽车。这也是它值得期待的地方。