【CNMO 科技消息】8 月 19 日，Counterpoint Research 指出，智能汽车和人形机器人两个赛道的底层技术栈的复用度极高——摄像头、激光雷达、AI 模型、芯片、仿真平台，几乎每个环节都在跨行业迁移。但其在最新研究中给出了一个冷静判断：技术栈高复用，不等于两条赛道正在合流。恰恰相反，功能安全、BOM 成本和量产节奏的三重差异，正在拉开两个行业的产业化距离。

感知层：硬件高度同源，算法殊途同归

在硬件端，三类传感器形成了 " 同一供应商、两种终端 " 的格局 CIS（CMOS 图像传感器）的技术复用度最高：L2+/L3 级智能车需要 10-13 颗视觉芯片，高端人形机器人也需要 5-8 颗。激光雷达是最具爆发力的双赛道品类——速腾聚创 2026 上半年机器人领域激光雷达销量 28.26 万台，同比暴增 510%，增速是 ADAS 业务的五倍以上。IMU 方面，L2+ 以上车型单车标配 2 颗已成共识，机器人单台用量 2-4 颗。

差异化硬件品类同样值得关注。毫米波雷达是汽车标配（单车 1-6 颗），但机器人几乎不用——速度慢、距离短，分辨率优势无从发挥。超声波雷达同理，汽车泊车标配 12 颗，但机器人近场感知已被激光雷达和深度相机覆盖。反过来，机器人全身 30+ 颗力 / 触觉传感器，是汽车感知体系中完全不存在的品类。

算法层面，两条路径正在占用网络（OCC）这一点上汇合。 自动驾驶从鸟瞰图（BEV）向 OCC 演进，用 3D 体素网格解决异形障碍物的长尾难题；机器人则天然需要 3D 理解，抓取、导航、避障都发生在三维空间。两者的底层技术共享 Transformer 特征提取、多传感器融合、同步定位与地图构建（SLAM）和目标检测跟踪。

决策层：AI 架构同源，执行复杂度差一个量级

VLA（视觉 - 语言 - 动作）模型是两个行业共同押注的决策范式。技术共性清晰：Transformer 底座、多模态融合、端到端输出、数据飞轮闭环。但执行复杂度差了一个量级。自动驾驶车辆约 6 个自由度，核心控制量就是转向角和加减速度；人形机器人有几十个自由度，需要协调腿、手、头部、躯干。这直接决定了 VLA 的落地形态不同：汽车的 VLA 输出路径点坐标，再由模型预测控制（MPC）分解为控制指令；机器人 VLA 则需直接输出各关节的高维动作序列。

芯片和仿真平台的跨行业复用度更高。 英伟达 Jetson AGX Thor 同时服务机器人（Isaac GR00T）和自动驾驶（DRIVE Thor），" 同一硬件 + 双软件栈 " 最大化研发投入产出比。小鹏自研图灵芯片更进一步，做到了 " 一芯三用 " ——覆盖 AI 汽车、飞行汽车和人形机器人，旗舰版车型和 IRON 机器人均搭载 3 颗图灵芯片。仿真平台方面，NVIDIA Omniverse 基于 OpenUSD 标准，SimReady 资产在 CARLA（自动驾驶仿真）和 Isaac Sim（机器人仿真）之间无缝迁移。特斯拉的仿真引擎同时服务 FSD 和 Optimus ——同一套系统既生成复杂路口场景训练自动驾驶，也构建工厂、仓储场景训练机器人。

执行层：算法相通，形态截然不同

汽车正经历从机械到线控底盘的架构革命—— EMB 电子机械制动将响应延迟从 300-600ms 压到 50ms 以内。机器人以关节模组为核心，每个关节集成电机 + 减速器 + 编码器 + 伺服驱动，单台配备数十个独立伺服系统。

物理形态完全不同，但底层逻辑相通：电机控制算法（FOC）、精密制造、安全冗余设计均可迁移。这也正是头部汽车 Tier 1 扎堆跨界机器人的直接原因。

值得一提的是，截至 2026 年 8 月，已有近 20 家主流车企通过自研、投资或孵化进入人形机器人赛道。