特番｜从会开车到会做事：AI如何进入真实世界

概览

本期播客围绕物理 AI 展开：与主要处理数字信息的大语言模型不同，车辆和机器人必须在真实环境中完成感知、决策与控制，并受到安全、延迟、功耗和硬件空间等现实条件的约束。主持人与地平线三位嘉宾试图从普通用户视角厘清智能驾驶的技术名词、体验标准与产业逻辑。

讨论首先区分 L2、L3 与 L4：关键不只是能力强弱，而是驾驶责任归属。对于目前普遍使用的 L2 辅助驾驶，驾驶者仍需监督系统；法规对 L3 权责的明确，则可能减少营销概念造成的混乱，促使行业回到安全与产品边界本身。

在产品体验上，嘉宾认为辅助驾驶已经从“有没有”和“能否通过复杂场景”，进入“开得是否像人、能否让人安心”的阶段。安全是底线，拟人化是在安全之上，以更自然、可预期的方式完成驾驶。实现这种体验需要算法、数据和芯片协同演进，也解释了地平线坚持软硬结合与平台化路线的原因。

后半程转向机器人。汽车被视为已经大规模量产的一类物理 AI，而机器人具有更多关节和控制自由度，因而面临更复杂的“大脑—小脑”协同、数据闭环与本体能力问题。嘉宾判断，短期内更可能成熟的是导览、展示、封闭工业操作及陪伴类产品，而非能够承担通用家务和养老任务的全能人形机器人。

分段落总结

[00:01] 为什么要讨论物理 AI

[事实] 本期节目来自地平线开放日的一次线下播客录制，讨论重点是智能驾驶、机器人及二者之间的技术联系。

[事实] 主持人指出，辅助驾驶正在大众车型中普及，但物理 AI、具身智能等新概念快速涌现，使普通用户难以分辨真正重要的技术与遥远概念。

[事实] 物理 AI 需要在复杂现实环境中识别行人和车辆并迅速作出正确判断，其容错与实时性要求不同于对话式大语言模型。

[推测] 节目的核心意图，是用用户体验和实际约束替代单纯的概念热度，重新审视 AI 如何进入现实世界。

[05:33] 地平线的平台定位

[事实] 嘉宾将地平线的目标概括为：为智能设备提供具备感知、决策和控制能力的“大脑”。

[事实] 这一横向平台既面向汽车，也面向不同形态的机器人，希望帮助开发者更快地把物理 AI 能力落地到终端设备。

[推测] 这种定位意味着地平线希望扮演基础设施与生态平台的角色，而非只提供单一终端产品。

[06:24] L2、L3、L4 的关键是权责划分

[事实] L2、L3、L4 最初是供行业使用的参考标准，并非专门面向消费者的营销话术。

[事实] L2 是“车在开、人在看”，驾驶者仍是系统监督者并承担安全责任；L4 则由车辆系统承担驾驶责任，人无需持续监管。

[事实] L3 介于两者之间：系统可在特定条件下承担驾驶任务，但条件不满足时需要驾驶者接管，因此边界更复杂。

[事实] 嘉宾认为，当前消费者实际能够使用的主流系统仍属于 L2，把它称为自动驾驶并不严谨；“L2.x”等表达更多是营销包装。

[10:49] 辅助驾驶的两种使用模式

[事实] 一类模式是启用辅助驾驶后由车辆行驶、驾驶者负责监督，即“车在开、人在看”。

[事实] 另一类是驾驶者正常开车、车辆监测风险，并在必要时通过 AEB 或紧急避让等功能介入，即“人在开、车在看”。

[事实] 即使最新系统已经能够覆盖高速、城区等更多场景，也不代表其责任等级自动从 L2 提升为 L3 或 L4。

[11:19] 法规如何重建行业信任

[事实] 节目讨论了道路交通安全法相关修订及其对 L2、L3 事故责任划分的意义。

[事实] 嘉宾认为，法规明确产品边界和责任主体后，厂商若宣称产品达到 L3，就需要承担与该承诺相应的法律责任。

[事实] 对消费者而言，清晰规则能够帮助其判断产品边界并更安全地使用；对行业而言，则有助于减少夸张用词，使研发回归解决驾驶安全问题。

[事实] 嘉宾强调，辅助驾驶的信任建立缓慢、破坏却很容易；如果宣传制造了过高预期，而功能不能兑现，用户可能不再愿意使用。

[推测] 法规的价值不仅在于事故后的责任认定，也在于建立统一话语体系，压缩模糊营销的空间。

[17:39] 普通用户如何评价辅助驾驶

[事实] 对新手驾驶者而言，可观察的体验指标包括方向盘是否稳定、变道是否果断，以及系统能否应对人车混行等复杂环境。

[事实] 嘉宾将辅助驾驶体验分为三个阶段：早期关注“有没有”，随后关注“能否处理复杂场景”，近一两年则更关心“开得怎么样、像不像人”。

[事实] 单纯通过环岛或窄路并不等于体验优秀；如果方向盘频繁摆动或动作超出乘客的安全预期，即使最终通过，也可能促使用户接管。

[推测] 当功能覆盖逐渐趋同时，系统行为的稳定性、可预期性与长期舒适度将成为更重要的竞争维度。

[24:17] 安全与拟人化不是同一件事

[事实] 嘉宾认为，“开得像人”与“开得安全”不能完全等同：不发生碰撞是安全底线，而提前减速、自然过弯等行为决定乘客是否安心。

[事实] 拟人化并非模仿每位驾驶者的个性和灰度行为，而是学习经过筛选的、安全驾驶行为中的“公约数”。

[事实] 系统开发以安全为底线，再追求自然、可预期的体验；嘉宾表示，产品不够激进有时是主动选择。

[事实] 短视频更容易呈现激进变道等瞬间行为，但实际产品追求的是用户在几十分钟乃至一小时通勤中持续安心使用。

[推测] 辅助驾驶更理想的参照不是炫技型驾驶，而是平稳、可靠、存在感较低的专业司机。

[30:30] 为什么坚持软硬结合

[事实] 物理 AI 的智能必须运行在具体硬件载体上，而芯片从定义到落地通常需要三至四年，远慢于软件算法的迭代速度。

[事实] 芯片算力会限制同一代终端能够承载的算法上限，因此芯片定义需要提前预判未来数年的模型需求。

[事实] 地平线称其在 2021 年定义征程六系列时，行业不少人对 2025 年的算力需求估计约为 100T，但大模型发展随后显著提高了市场对算力的预期。

[事实] 与数据中心相比，车载芯片受到功耗、散热、部署空间和实时响应等约束，需要针对物理 AI 作出不同取舍。

[事实] 算法团队可以把未来模型特性提前纳入芯片设计，芯片能力又反过来支撑算法迭代，这是嘉宾所说的软硬协同价值。

[38:17] 车企自研与平台供应商的分工

[事实] 嘉宾判断，产业最终可能形成类似“二八”结构：约 20%的规模来自自研体系，约 80%采用平台型供应商方案。

[事实] 这里的“二八”指车型搭载量或设备规模，而非企业数量。

[事实] 芯片需要持续进行“量产一代、研发一代、预研一代”的长期投入，车企同时承担整车和芯片两条重资产研发线并不容易。

[事实] 嘉宾预计，大多数车型会采用平台型芯片与软件系统，只有少数车企具备长期维持完整自研体系的能力。

[推测] 平台供应商的核心价值，在于以跨客户规模分摊长周期研发成本，并提炼不同车企需求中的共同部分。

[44:18] 智能驾驶进步为何存在长尾

[事实] 节目引用“三年脱手开、五年闭眼开、十年随心开”的预测，多位嘉宾认为整体节奏仍有参考价值。

[事实] 辅助驾驶从覆盖 20%的场景提升到 80%可能较快，但从 80%继续提高到 90%、99%乃至 99.9%，需要处理越来越罕见的长尾问题。

[事实] 物理 AI 即使只在极罕见场景中发生失误，也可能造成严重安全后果，因此验证周期无法无限压缩。

[事实] 嘉宾一方面认为现有技术架构已基本完成关键转变，另一方面也期待大模型和数据规模增长带来新的算法突破。

[事实] 技术进步、法规完善、公众接受和用户信任的节奏并不一致，因此长期可以乐观，短期仍需谨慎。

[50:03] 从汽车扩展到机器人是否属于战略摇摆

[事实] 地平线表示，公司自成立起就使用 Horizon Robotics 这一名称，并始终设想让各种智能设备拥有“大脑”。

[事实] 公司曾集中资源进入智能驾驶，是因为汽车是供应链成熟、规模庞大且控制维度相对收敛的一类机器人，能够支撑芯片量产和后续迭代。

[事实] 中国每年数以千万计的汽车产量，为芯片公司积累出货量、数据和工程经验提供了现实入口。

[事实] 嘉宾认为，先通过量产汽车建立现金流、装机量和数据闭环，再扩展到机器人，是芯片长周期下的必然选择，而非简单追逐热点。

[推测] 汽车在地平线的路线中既是商业市场，也是验证物理 AI 平台能力的首个大规模场景。

[55:57] 机器人平台提供什么能力

[事实] 地平线的机器人业务主要提供“大脑”“小脑”及相关系统能力，而不是直接制造完整机器人本体。

[事实] “大脑”负责理解环境和作出任务决策，“小脑”负责控制关节与身体动作，系统还会通过任务记录和反馈修正后续决策。

[事实] 该平台面向人形、四足等不同形态，希望帮助开发者更快实现导航、物体操作、房间整理和全身控制等能力。

[事实] 与主要作为硬件适配层的 CUDA 类比时，嘉宾称其平台还向上覆盖感知、认知、决策、控制和闭环迭代等能力。

[推测] 这一模式试图降低机器人开发门槛，并以工具、样板和开发者生态形成平台黏性。

[58:14] 为什么要从高校开发者开始培育生态

[事实] 汽车行业已有成熟企业和供应链，而机器人行业仍处于早期，许多参与者来自高校实验室或年轻创业团队。

[事实] 嘉宾以英伟达早期支持高校研究者为例，说明开发者在研究阶段采用的平台，可能延续到其未来创办或加入的企业。

[事实] 地平线希望通过计算平台、开发工具、样板项目和赛事，让高校开发者在机器人研究中使用其芯片。

[事实] 公司将合作伙伴和开发者视为生态的一部分，希望他们在底层计算平台上创造不同应用。

[推测] 这一策略的长期回报取决于早期开发者能否成长为机器人产业中的重要客户或合作伙伴。

[63:08] 面对机器人热潮的长期主义

[事实] 嘉宾回顾了地平线经历的 AI 创业、智能驾驶和机器人三轮热潮，并表示公司的价值观是“耐得寂寞，成就客户”。

[事实] 芯片从定义到量产周期很长，如果跟随当下热点立项，等产品落地时市场热点可能早已变化。

[事实] 因此，芯片公司必须在趋势尚未成为热点时作出判断，并持续投入多年。

[推测] 所谓“忘掉风口才能踩中风口”，强调的是基于长期技术需求作出提前布局，而非依赖短期资本热度。

[66:02] 智能驾驶能力能否迁移到机器人

[事实] 可复用的积累首先包括芯片设计经验，以及智能驾驶已经验证过的数据闭环方法。

[事实] 机器人没有像汽车司机那样天然的数据来源，因此需要重新解决训练数据从哪里来、如何形成持续迭代闭环的问题。

[事实] 机器人控制的自由度远高于汽车：汽车主要控制前后和左右，而人形机器人拥有数十乃至上百个关节自由度，仅保持平衡就很困难。

[事实] 相比车端强调快速、安全地响应，部分室内机器人任务允许更长时间思考，以提高任务成功率和准确率。

[事实] 若要完成精密装配，机器人不仅需要高层决策，还需要厘米级甚至亚厘米级的指尖控制能力。

[69:29] 未来三年的物理 AI 判断

[事实] 嘉宾认为，三年内让通用人形机器人进入千家万户并全面承担养老任务并不现实，这一目标可能需要五到十年。

[事实] 三年内更可能成熟的机器人场景包括开放环境导览、展示表演、封闭工业环境中的基础操作，以及陪伴或玩具类产品。

[事实] 嘉宾预测，十几万至二十万元价格带的主流汽车将普遍提供更成熟、更拟人的辅助驾驶，并可能跨过普通用户愿意日常使用的临界点。

[事实] 更高等级自动驾驶的普及不会同样迅速，但三年内可能出现更多 L4 无人出租车试点。

[事实] 具身智能热度可能回落到更正常的工业发展状态，能够规模化的机器人也未必采用完整人形，而可能通过轮式底盘等方式减少控制自由度。

[推测] 短期商业化的关键不是追求最完整的人形形态，而是收敛任务和动作范围，在特定场景中先形成可靠价值。

[74:20] 辅助驾驶普及对交通系统的影响

[事实] 嘉宾认为，当大多数车辆采用相近的辅助驾驶规则时，交通秩序、通行效率和安全性有望改善。

[事实] 人类驾驶者为个人便利插队或强行并线，可能使整体交通流更加拥堵；统一的驾驶“公约数”能够减少这种博弈。

[事实] 不同车型仍可在加速、制动和舒适性上保留调校差异，但基础驾驶习惯不应出现过多冲突。

[推测] 大规模辅助驾驶的系统价值可能超越单车体验，从个体效率竞争转向整体交通效率优化。

[77:15] 平台方案与车企自研如何共存

[事实] 平台型企业需要寻找不同客户的需求公约数，而车企自研通常服务于自身差异化需求，两者的工作方式并不相同。

[事实] 如果车企把自研方案出售给其他企业，就必须在服务外部客户与满足自身迭代之间作出取舍。

[事实] 嘉宾认为，汽车产业历史上也经历过从高度垂直自研到供应链分工的变化，智能驾驶可能再次回到较均衡的分工状态。

[推测] 自研与外供并非只取决于技术能力，还取决于组织是否愿意转型为中立的平台服务者。

[79:43] 自动驾驶测试岗位需要什么能力

[事实] 嘉宾认为测试岗位仍然重要，其核心不是机械地驾驶或执行用例，而是理解真实驾驶行为、识别问题并把握产品准入与准出标准。

[事实] 驾驶体验难以完全抽象为物理公式，因此优秀测试人员需要具备研发、产品和行业理解能力。

[事实] 强工程团队往往需要高素质测试人员独立判断研发成果是否真正达到要求。

[推测] 面对 AI 自动化，从业者降低替代风险的方式不是重复机器化工作，而是提升场景理解、问题定义和质量判断能力。

[82:15] 工业机器人效率受本体、数据与算法共同制约

[事实] 机器人作业效率首先受到本体硬件限制，包括执行器速度、机械结构、控制自由度，以及力觉和触觉传感器能力。

[事实] 展示中的夹爪只有有限操作维度，因此处理无折痕纸板等任务时不如人手灵活。

[事实] 提升复杂工业任务能力，还需要获取高效且成功的数据，或通过仿真合成补充训练数据。

[事实] 若本体具备更多自由度和触觉、力觉反馈，再结合人的操作数据，机器人有望完成更精细的折叠与装配任务。

[推测] 通用机器人要替代现有高效率专机，不能只依赖算法进步，还需要本体、传感器、数据和工艺共同成熟。

[86:28] 物理 AI 的长期核心

[事实] 主持人将物理 AI 概括为感知世界、理解变化、作出决定并执行动作的闭环。

[事实] 在不同场景中长期、稳定且大规模地完成这一闭环，需要经历较长的技术与产业周期。

[事实] 节目多次强调周期、坚持和提前布局，认为这些因素容易被当下火热的技术名词所遮蔽。

[推测] 本期讨论最终指向的不是某个单一技术突破，而是如何把算法能力转化为可量产、可信任、可持续迭代的现实产品。

播客点评/总结

本期的突出价值，是把容易混淆的智能驾驶概念还原为用户真正需要理解的边界：L2、L3、L4 首先对应责任归属，而辅助驾驶好不好，也不能只看它能通过多少“高难场景”，还要看其行为是否稳定、自然且可预期。

节目对软硬结合、芯片周期、平台供应商与车企自研的讨论较为完整，将技术体验与制造规模、研发周期和产业分工联系起来。后半程对机器人“大脑—小脑”、控制自由度和数据来源的解释，也揭示了汽车能力能够迁移到机器人领域的部分，以及无法直接复用的新增挑战。

局限在于，主要观点来自地平线内部嘉宾，涉及公司技术优势、产业份额结构和未来节奏的判断带有明显企业视角；节目没有引入车企、监管方或独立研究者进行交叉验证。[推测] 听众可将其视为一家物理 AI 平台公司的方法论与战略陈述，而不宜当作行业共识。

本期适合希望理解辅助驾驶实际边界、物理 AI 商业化路径、芯片与算法协同，以及机器人短期落地场景的普通消费者、科技行业从业者和投资研究者。