【摘要】近年来，理想、小鹏等自动驾驶核心团队密集投身具身智能创业，至简动力、众擎、智平方等新公司快速完成融资并进入产品验证阶段。

表面上看，这是智驾人才向机器人赛道迁移；更深层看，是自动驾驶技术体系与具身智能融合后的首次路线分化。

围绕数据获取方式、模型架构、产品定义和商业落地，不同团队正在探索截然不同的发展路径。

最终胜负，或许取决于谁能率先建立起可持续的数据飞轮，把模型迭代、场景落地和商业反馈真正连成闭环。

为什么智驾顶级人才集体涌向具身智能？

根据公开信息统计，2023 年以来，国内已有多位智驾核心高管和技术骨干进入具身智能赛道。

理想汽车是人才流出最多的车企之一。2025 年至 2026 年上半年，智驾技术研发负责人贾鹏与前 CTO 王凯、智驾量产负责人王佳佳联合创办至简动力，前 AI 首席科学家陈伟与前产品线总裁张骁共同创立斜跃智能。

小鹏体系同样输出了多位创业者。前首席科学家郭彦东 2023 年创办智平方，前鹏行智能创始人赵同阳 2023 年创立众擎机器人，前视觉感知团队负责人王弢 2024 年创办深庭纪。2026 年 4 月，前小鹏自动驾驶一号位李力耘加入众擎出任 CTO。

华为和百度背景的团队也紧随这个大潮流。前华为自动驾驶 CTO 陈亦伦与百度前智能驾驶事业群总裁李震宇联合创办它石智航，在 2025 年完成天使轮 2.42 亿美金融资，2026 年 4 月再度以 4.55 亿美金刷新当时国内具身智能企业 Pre-A 轮融资规模纪录。

往回看，智驾行业自身的瓶颈是重要的推动因素。

过去几年，Robotaxi 商业化进度整体低于市场早期预期。尽管 Waymo、文远知行、小马智行等公司已经进入商业运营阶段，但大规模盈利和跨城市复制仍然面临监管、安全和运营成本等现实约束，行业对于自动驾驶落地节奏的预期趋于谨慎。

2026 年的讨论重点，也从什么时候实现完全自动驾驶更多转向能否形成稳定运营和规模交付，资本市场对自动驾驶公司的关注点也随之变化。

相比早期更强调技术领先和未来想象空间，近两年投资者更看重量产落地、订单能力和商业化进展，Robotaxi 企业的盈利路径和运营效率成为新的关注重点。

当高阶辅助驾驶逐渐成为更多车型的标配能力后，行业竞争也从单纯比拼算法，转向数据积累、工程能力和量产效率。对于不少技术负责人来说，自动驾驶仍在持续进步，但能够重新定义产品形态和技术路线的机会已经越来越少。

具身智能一侧则是另一个局面。

根据中国信通院发布的《具身智能发展报告（2025 年）》，不完全统计 2025 年中国具身智能和机器人领域融资总额达到 735.43 亿元，具身智能首次写入政府工作报告。

图源：政府工作报告截图

从技术形态来看，双足还是轮式、工厂还是家庭、大脑优先还是身体优先，行业核心问题尚无定论，但这种不确定状态对技术团队而言，是在行业标准形成之前参与定义的新机遇。

技术能力的重叠也为这种迁移提供了条件，何小鹏曾公开表示，车企约 70% 的技术储备可直接复用于机器人。感知算法、规划与控制、仿真平台、端侧芯片适配等智驾团队积累的工程能力，在机器人开发中仍有较高复用率。

但复用不等于平移，汽车在结构化道路上运行，形态确定、场景边界清晰；机器人则需要同时处理自主移动、物体操作和人机交互，每一个维度的技术栈都更复杂。

从自动驾驶走向具身智能，看上去是一条连续的技术路线，落地之后却面对着完全不同的工程难题。

数据飞轮怎么建：至简动力与小鹏系为何走向不同路线？

具身智能当前的核心瓶颈是数据，相比自动驾驶依靠数百万辆汽车持续采集真实驾驶数据，机器人数量有限、本体尚未统一、任务高度碎片化，高质量数据既昂贵又稀缺。如何降低数据成本、提升模型迭代效率，正在成为行业竞争的焦点。

围绕这一问题，智驾创业者并没有沿用自动驾驶时代已经验证的方法，而根据各自的技术背景选择了不同的突破方向。

至简动力由前理想汽车智驾负责人贾鹏、前 CTO 王凯和前智驾量产负责人王佳佳联合创办，三人此前在理想汽车分别负责智驾技术研发、CTO 和智驾量产交付。

至简提出 "Human Data is All You Need" 的数据策略，核心思路是绕开机器人本体，以人为核心，直接从人手操作数据入手，避免昂贵的真机遥操作。

这一理念落地最突出的表现是至简 OOL 数据采集手套的研发：通过记录人手关节、力度和姿态等信息，让机器人学习人与物体交互背后的物理规律，而非简单模仿动作轨迹。

根据媒体对至简动力北大联合实验室 RD 负责人刘家铭的采访，目前该方案已积累 2000 小时人手数据，最大训练量达到 20000 多小时。

相较于行业真机数据，人手数据在成本节约和规模化效率上具备更大优势，同时能在训练中给机器人真实世界一定的多样性，这是人手数据最重要的地方。

围绕这套数据，至简动力构建了 LaST ( 0 ) 基座模型、ManualVLA 任务推理模型和 TwinRL 数字孪生强化学习框架，而 TwinRL 框架在约 20 分钟真实机器人交互内，在多个实验任务中达到了接近 100% 成功率，逐步形成了从数据采集、预训练、任务适配再到端侧部署的完整闭环。

这套架构延续了贾鹏在理想汽车搭建智驾数据飞轮的工程思路，但服务对象已经从汽车变成机器人。

相较于至简动力优先解决数据源的策略，众擎瞄准的是数据产生之前的问题——机器人首先要具备稳定可靠的运动能力。

众擎机器人成立于 2023 年 10 月，创始人赵同阳深耕机器人行业十余年，曾创办四足机器人公司 Dogotix，后加入小鹏负责人形机器人研发，23 年离开小鹏创办众擎。

相比不少企业优先推进通用模型，众擎更强调机器人本体能力建设，将研发重点放在运动控制、关节模组和核心硬件上，其具备覆盖机器人本体设计、关键零部件、运动控制算法和具身智能的全栈自研能力。

在运动控制算法上，众擎结合强化学习与模仿学习训练控制网络，并利用人体步态数据优化机器人行走姿态。2025 年 2 月，众擎公开展示人形机器人完成前空翻动作，完成了全球首例机器人前空翻特技，进一步验证了其运动控制能力。

在技术路线上，众擎除了自研机器人关节和运动控制系统，同时与高校合作推进运动控制算法等基础研究，并与京东、华为、腾讯等企业开展合作，共同推进大模型接入、场景落地和生态建设。

相比前两家公司分别聚焦数据和运动，智平方把突破口放在机器人 " 大脑 "。

智平方由前小鹏首席科学家郭彦东于 2023 年 4 月在深圳创立，是国内较早布局端到端 VLA（视觉语言动作）路线的企业之一。

从端到端 VLA，到协同北大融合世界模型的 Video2Act，再到 2026 年 6 月发布的 NeuroVLA，智平方持续迭代统一模型，尝试通过更强的模型泛化能力来降低对海量数据的依赖。

智平方最新的 NeuroVLA 就是很好的例证，NeuroVLA 采用 " 皮层—小脑—脊髓 " 三层架构，模仿人脑结构，试图在单一模型中集成语义理解、运动协调和安全反射，官方披露仿脊髓执行层在运行时平均推理功耗约 0.4W。

关于场景应用，郭彦东在 2026 年夏季达沃斯上提出了 " 先工厂后家庭 " 的场景推进顺序，仿照自动驾驶的扩展逻辑。目前智平方已经与面板厂商惠科签订 3 年 1000 台商业订单，当前产线具备约 2000 台年产能力，2026 年下半年计划启动万台级产线建设。

没有跟从部分厂商扩大数据采集规模的选择，智平方更希望通过提升模型的泛化能力，提高跨任务迁移效率，从而减少不同场景对新增数据的依赖。

至简动力、众擎和智平方的选择有很明显的异同点，彼此交叉又不尽相同，但解决的都是同一个问题：如何在数据稀缺的情况下，提高模型迭代效率。

根据中国具身智能数据产业白皮书，商用具身模型至少需要 1000 万小时的真实交互数据，全行业高质量真机数据仅约 50 万小时，距离供需平衡仍有 95% 左右的缺口。

有效数据的总成本拆开来看，大致包括七个环节——前端采集、质量检测、数据清洗、物理筛选、本体适配、真机补数、部署失败成本。

三家公司各自选择了不同的突破口：至简动力打采集成本，用 OOL 手套替代遥操作设备，在数据源头把价格打下来；众擎打本体适配，如果硬件的运动能力足够通用和稳定，数据在不同场景间迁移的适配损耗就会变小；智平方打模型效率，通过类脑架构追求小样本迁移，减少对数据总量的硬需求。

创始团队的职业经历在很大程度上影响了其技术路线的选择。

贾鹏在理想汽车负责量产级工程体系搭建，至简动力的 " 数据飞轮 " 延续了这种体系化思维。赵同阳有十年人形机器人硬件创业积累，众擎强调 " 身体决定上限 " 是对这段经历的直接反映。郭彦东曾作为普渡大学博士、微软研究员的学术背景让智平方倾向于从模型架构找突破。

但下一个需要论证的问题是，这些职业经验换一个赛道后，它们的迁移有效性究竟有多少？

智驾经验能复制多少？具身智能真正的门槛在哪里？

智驾团队积累的工程化能力，仍然是他们进入具身智能最大的优势，它石智航就是一个典型案例。

与多数团队追求通用机器人不同，它石智航没有急于讲宏大的 AI 故事，先把目标锁定在汽车和 3C 制造中的精密线束装配。

其自主研发的 AI 机器人能够在短时间内连续作业多次完成亚毫米级线束装配，打破吉尼斯 " 机器人在一小时内装配亚毫米级线束最多次数 " 世界纪录。

从选定场景、打磨产品到实现交付，这种偏工程化的推进节奏，很容易让人看到自动驾驶团队留下的影子，但机器人终究不是汽车。

自动驾驶面对的是车辆在道路上的运动，而机器人真正困难的地方是与物体发生接触。人手插一根线束时，会不断根据阻力、角度和触感进行微调，这几乎是一种下意识动作；机器人却需要依靠力反馈、视觉和控制算法，在毫秒级完成判断和修正。

仿真可以较好地还原刚体运动，却很难真实复现摩擦、柔性材料变形等接触物理，这也是为什么机器人在仿真环境表现良好，到了真实场景仍然容易失败。

比接触物理更现实的问题，是数据。自动驾驶的数据飞轮建立在海量车队之上，而机器人既没有足够大的保有量，也没有统一的硬件平台。

高质量遥操作设备和人工采集都会带来较高成本，不同机器人之间的数据又难以直接复用，很多公司换一套本体就需要重新采集、重新训练，这将持续带来新的成本，规模效益很难实现。

即便完成训练，进入工厂仍然存在着新的挑战。工业现场不存在放之四海皆准的解决方案，同样是装配任务，不同产线、不同产品甚至不同工位，对视觉目标、力控参数和动作时序都有不同要求。

一家工厂验证成功，并不能够快速复制到另一家工厂，大量现场适配工作依然不可避免。

"2026 年是不是具身智能商业化元年 "，至今仍没有统一答案。全国人形机器人企业数量快速增长，但形成稳定收入和规模交付的仍是少数，许多公司还停留在样机验证或小批量试点阶段。

相比商业化全面爆发，2026 年更像是行业开始分层、进入淘汰赛的起点。

对于仍处于早期阶段的具身智能企业来说，资本提供的价值除了资金本身，更重要的是其能够带来的产业资源和真实场景。

至简动力在半年内连续完成了 5 轮融资，投资方包括红杉中国、中科创星乃至阿里巴巴等机构；众擎尝试冲刺港股，引入京东、立讯精密等产业资源；智平方则获得了国家中小企业发展基金、茅台集团等支持。

在这一阶段，更快进入工厂、获得订单并持续积累真实数据的企业，更有机会建立起自己的竞争优势。

这场智驾人才创业潮，自动驾驶团队进入具身智能，并不是简单换了一条赛道，而尝试着把过去十年积累的工程经验带到了一个尚未定型的新产业。

未来竞争重点不会停留在融资规模、机器人销量或模型参数，率先建立可持续的数据飞轮才是决胜的窍门，进而通往实现模型持续迭代、场景快速复制和商业闭环的坦途。从自动驾驶到具身智能，产业竞争的核心从算法能力逐渐转向数据效率、工程体系和场景运营能力，而这也将决定下一代机器人产业的竞争格局。