2026 年 5 月，理想汽车 CEO 李想抛出了一个极具行业穿透力的论断：" 自动驾驶是具身智能的上半场，通用人形机器人是下半场。" 这句话迅速被奉为圭臬。但如果我们剥开这层宏大的叙事外衣，用工程逻辑去审视，这个论断真的严谨吗？

是技术底座，还是人才迁徙？

支持 " 上半场 " 论调的逻辑很顺理成章：自动驾驶已经在感知、决策和控制上跑通了闭环，这些能力可以直接平移给机器人。从系统架构看，两者确实共享一套框架。

但质疑声同样致命。自动驾驶要解决的核心问题相对单一——在高度结构化的规则下，安全地导航移动。而具身智能面对的是非结构化环境，导航只是入场券，真正的地狱级难度在于三维空间里的运动控制与灵巧操作。

既然技术鸿沟如此之大，为什么还有那么多人笃信 " 上半场 "？

答案或许不在技术，而在人。

现阶段，从智驾赛道冲杀出来的工程师们，正携带着被量产工程淬炼出的方法论集体涌入具身智能领域。仅地平线一家就有十多位核心高管离职创业，绝大多数扎进了机器人赛道。他们懂得如何在不确定性中拆解任务，如何在资源约束下做关键取舍。这种工程能力的迁移，才是 " 上半场 " 最真实的注脚。

当 VLA 走出汽车，还活得下去吗？

2026 年，VLA（视觉 - 语言 - 动作模型）成了连接两个赛道的技术纽带。小米、理想都在推统一的底层框架。但同一个模型，在车和机器人上面临的物理约束截然不同。

最致命的差异是延迟。当前 VLA 模型的推理延迟普遍在 100 到 300 毫秒。对于时速 72km/h 的汽车，这足以开出 6 到 8 米，在城市路口就是致命的。因此自动驾驶必须把端到端延迟压缩到 50 毫秒以内。

但机器人呢？抓取一个静止工件，即便模型思考了 200 毫秒，机械臂本身的物理运动也要耗时数百毫秒甚至数秒。在这里，延迟只影响节拍，不会导致任务崩溃。

世界模型也是如此。在车端，它做的是轨迹推演；而在机器人端，它需要处理的是真实的物理接触与力学建模。一个是平面预测，一个是三维交互，两者对物理规律的理解深度差了不止一个层级。

从跑起来到干起活来，还有多远？

政策端和市场端的热情已经就位。2026 年《政府工作报告》明确将具身智能列为前沿技术重点培育方向，工信部与国资委的专项行动更是首次将落地目标量化至万台级。

但技术成熟度达标了吗？

业内人士普遍认为，当前具身智能仍处在从 L1 向 L2 过渡的阶段。星源智创始人刘东将其类比为 2015 年的自动驾驶—— L2 刚起步，L4 还很远。自动驾驶从预期三五年落地到 L2 渗透率超 70%，走了整整十年。具身智能的物理交互复杂度远超开车，这个周期大概率只会更长。

结论：一个有用的比喻，但不是必然的前奏

回到最初的问题。

如果将 " 上半场 " 理解为时间上先发生、商业上先验证，那它成立。自动驾驶率先跑通了数据闭环，建立了供应链，培养了工程人才。

但如果将其理解为技术上的必经之路，那它并不严谨。一套为四轮汽车设计的算法栈，无法直接驱动双足机器人去拧螺丝。两者的失败代价、安全标准和工程方法论，注定会走向不同的方向。

" 上半场 " 是一个极佳的比喻，它帮助产业界理解了演进次序。但比喻终究是比喻，它简化了现实，也遮蔽了差异。

从更宏观的视角看，自动驾驶和具身智能更像是并行推进的两条赛道。它们共享底层技术，存在人才与数据的流动，但这种流动是双向的、渐进的，而不是单向的、决定性的。