（来源：BCG 波士顿咨询）

具身智能产业的崛起，既是人工智能从 " 数字大脑 " 走向 " 物理身体 " 的必然演进，也是各国在新一轮科技竞争、先进制造重塑与人口结构变迁背景下必须把握的战略机遇。

BCG 全球智库近期启动 " 中国具身智能产业 " 系列研究，重点关注具备自主感知、决策与执行能力、拥有在多类物理场景中持续泛化与价值延展能力的具身智能系统及其产业生态。

本系列访谈对话海内外具身智能产业核心掌舵人，围绕技术路线选择、商业化落地路径、企业组织架构搭建背后的真实决策逻辑展开深度探讨，同步分享行业前沿研判与长期发展洞察。我们旨在萃取一线产业实战经验，为具身智能产业下一阶段的演进提供具备参考价值的思考。

本期受访嘉宾：余凯

地平线（Horizon Robotics）是中国领先的智驾科技公司，通过 "ARM+Android" 模式拓展应用边界，致力于构筑物理 AI 时代的软硬件平台。其孵化的地瓜机器人（D-Robotics）以软硬一体的具身智能基础设施，赋能机器人行业发展。

余凯博士是机器学习领域的专家，在国际顶级期刊和会议发表论文逾 100 篇，被引用超 30,000 次。2015 年创立地平线，2019 年带队实现中国首款车规级智驾芯片征程 2 量产落地；深耕整车智能全栈软硬件技术，带领地平线成长为国内领先、面向全球的智能驾驶计算方案供应商。

您为什么选择进入自动驾驶以及具身智能 / 机器人赛道？

余凯：过去半个世纪，有两个定义世界的计算平台——个人电脑和智能手机。PC 时代，操作系统和芯片分别由微软和英特尔代表；智能手机时代，则有安卓和 ARM，以及苹果的软硬一体模式。机器人很可能是下一个定义世界的智能计算平台，因此，在机器人时代也可能出现类似 " 微软 + 英特尔 " 的商业模式。

我们最早意识到，汽车产业是最佳切入点——汽车与机器人在感知、控制等方面有相似之处，而汽车场景成熟、规模庞大，便于验证技术和平台，并将其拓展至其他机器人应用。相比直接进入机器人领域，这条商业路径更为顺畅。

您认为从自动驾驶向具身智能迁移技术，主要面临哪些难点？

余凯：从计算平台和感知—决策—控制链路看，自动驾驶与机器人具备较强的技术迁移性。差异方面，硬件上，自动驾驶解决方案需要符合车规级要求。另一个核心差异是数据获取难题：当前机器人部署量较少，难以采集到足够的真实世界数据。未来的发展趋势可能是借助世界模型，在虚拟仿真环境中大规模产生训练数据，以弥补真实数据的不足。

在具身智能的发展过程中，企业真正需要建立的核心竞争力是什么？

余凯：当前具身智能在软件、算法、模型等方面仍有待突破，现有的机器人产品很难真正让人 " 眼前一亮 "。真正需要取得突破的仍然是数据和世界模型，其中训练的方法和数据质量比被训练的模型本身更重要。谁能解决数据采集和仿真精度方面的问题，谁就更有可能在当前阶段建立核心竞争力。

您如何看待具身智能领域未来的产业分工与竞争格局？是否可能形成类似 Wintel（Windows + Intel）的商业模式？目前处于什么发展阶段？

余凯：具身智能领域未来有可能形成类似 Wintel 的商业模式。底层芯片、操作系统和基础模型的研发成本较高，而不同机器人企业对底层技术存在一定的共性需求，因此，未来可能逐步形成底层技术平台与上层应用开发分工的产业格局。汽车智能化领域已经呈现出类似趋势，可为具身智能的发展提供参考。

在汽车产业，智驾芯片领域的玩家越来越集中，已有英伟达等参与者，座舱领域则有高通等企业。地平线也在持续布局汽车智能化的软硬件技术体系，已推出智驾和座舱一体化芯片方案，包括舱驾融合整车智能体芯片 " 星空 "；在智驾解决方案层面，推出了全场景辅助驾驶系统 HSD；在整车智能体操作系统层面，推出了 " 咖咖虾 "。

相比之下，具身智能产业仍处于发展早期，底层技术平台与上层应用之间的分工模式尚未成熟。地瓜机器人目前主要提供从芯片、操作系统到开发工具链的全链路基础设施，未来路线是逐步发展为类似 " 机器人时代的 Wintel" 的软硬件综合平台。

从产业分工来看，并非每家具身智能企业都需要自行研发芯片或从头训练基础模型，因为相关研发投入可能达到亿元级别。未来，具身智能企业可能更多地基于第三方基座模型进行垂直场景微调。地平线投资其他具身智能企业，也有构建产业生态的战略考量。

中美在具身智能领域的主要差异是什么？美国玩家（例如 Figure AI、特斯拉）是否更加倾向于垂直整合？

余凯：目前，中美在芯片、基础模型和工具链等底层技术方面的差异不大，整体行业仍处于早期探索阶段。相比之下，中国在硬件供应链完整度、制造成本和工程迭代速度上更具优势；美国头部企业在基础模型、资本投入和全球开发者生态方面仍具备较强实力。至于美国企业是否更加倾向于垂直整合，Figure AI 和特斯拉目前也还处在较早期阶段，现在下定论为时尚早。

您认为当前具身智能发展的核心瓶颈是什么？

余凯：当前最大的瓶颈仍然是缺乏足够的现实世界数据。由于机器人部署量较少，难以采集真实数据；而现有世界模型的仿真精度仍然不足，无法产生足够高质量的虚拟训练数据。如果这两个问题得不到解决，具身智能就很难真正迈过从 "Demo" 到 " 量产 " 的门槛。

从自动驾驶到具身智能，硬件差异主要是车规级认证问题，软件架构也高度相似，因此技术迁移的工程难度可能没有想象中那么大。真正的瓶颈在于数据：自动驾驶有大量真实道路数据持续积累，而机器人部署量较少，真实世界数据相对匮乏。仿真数据是主流的补充路径，但当前世界模型的仿真精度还不足以稳定生成高质量训练数据，这也是具身智能行业面临的共同挑战。

当前，各家企业在具身智能模型之间并没有显著的技术差异和竞争壁垒，未来竞争力的关键在于两方面：第一，能否建立持续产生高质量训练数据的体系，无论是通过真实采集还是高精度仿真；第二，能否形成支持模型快速迭代的训练方法论。前者是 " 原材料 "，后者是 " 加工工艺 "，两者缺一不可。

在技术路线选择上，并非每家具身智能企业都需要自行训练基础模型，因为训练成本高达亿元量级。更务实的路径是在第三方基座模型之上进行垂直场景微调，专注于场景数据积累和应用层创新，形成差异化竞争力。

中美具身智能产业均处于早期阶段，基础模型、机器人算法和端侧计算平台尚未形成稳定格局。中国的相对优势更多体现在硬件供应链、制造成本和工程迭代效率上，这些优势可能有助于推动国内机器人产业更快实现规模化落地；高质量真实世界数据仍是中美企业共同面临的核心挑战。