硬件趋同。
供应链需求的高度复用：在零部件采购环节，智能汽车与具身智能机器人存在大量重叠场景。传感器、芯片、电机等核心组件作为两者共性硬件基础，推动供应商 选择形成高重合度。通过共享零部件供应链，企业能够依托规模采购优势降低成本——例如批量采购同类型传感器及芯片时，可显著增强议价能力，获取更优采购 价格。
智能制造产线及能力复用：智能汽车在自动化生产与组装工艺上积累的成熟经验，为机器人制造提供直接借鉴。汽车产线广泛应用的机器人焊接、自动化喷涂等先 进装配技术，在提升生产效率与质量一致性方面优势显著。将类似的自动化设备及工艺引入机器人制造流程，既能减少人工操作误差，亦可通过标准化生产模式提 升效率、降低成本。
具身智能硬件成本集中在传感器与执行关节，多数硬件开发技术可享受智能电动汽车技术迁移 硬件传感器领域的技术复用：智能汽车搭载的摄像头、雷达等传感器构建了成熟的环境感知体系，其多传感器融合技术（如视觉信息与雷达测距结合）可精准 识别障碍物，这一能力直接适用于具身智能机器人。迁移至机器人场景后，该技术支持实时动态环境感知，实现障碍物规避与目标抓取，在物流搬运、家庭服 务等领域发挥作用。例如小米CyberOne搭载自研Mi-Sense深度视觉模组，通过复用汽车传感器技术路径，已具备人脸及肢体动作感知能力，计划2025年量产。 硬件芯片领域的技术复用：智能汽车芯片的强算力与低功耗特性，恰好匹配机器人的数据处理需求。其并行计算能力可快速处理多源传感器数据并执行复杂算 法，为机器人决策控制提供支持；低功耗设计则延长了机器人工作时间。以小鹏IRON为例，其直接移植车端AI鹰眼视觉系统、自研图灵芯片及强化学习算法， 目前已在工厂场景落地应用，2026年将实现量产。
动力系统领域的技术复用：智能汽车积累的电池与电机驱动技术，为机器人动力供应及运动控制提供直接赋能。长续航电池方案可延长机器人工作时长、减少 充电频率，高效电机驱动技术则通过精准力矩控制，实现抓取、攀爬等动作的灵活性与稳定性——其核心在于将汽车电机的高精度控制算法优化后应用于机器 人关节，直接提升运动性能。以广汽GoMate为例，其搭载的全固态电池实现6小时续航，轴向磁通电机输出力矩达1000N・m，通过复用汽车动力系统技术路径， 已率先在广汽产线及园区开展示范应用。
智能驾驶产业链中资本与技术布局呈现跨领域渗透特征 除了人才迁徙，智能驾驶产业链的资本与技术布局同样呈现跨领域渗透特征。当前头部企业的赛道拓展主要沿三条路径展开：自建研发团队深度介入、通过合资合作快 速赋能、依托既有技术优势实现零件与算法复用。 在内部孵化层面，激光雷达龙头速腾聚创于2024年9月组建专项机器人团队，通过"天才罗伯特"人才计划定向招募具身智能感知算法工程师，提前储备运动控制与环境 建模领域的核心技术力量。芯片企业地平线则采取更彻底的独立运作模式，2024年初将AIoT事业部剥离成立地瓜机器人子公司，完成从母公司技术输血到市场化独立运 营的体系重构，专注于机器人感知决策全链条技术开发。 合作研发方面，全球汽车零部件巨头博世与光学龙头欧菲光选择依托既有供应链优势切入。博世通过与新兴机器人企业建立联合实验室，将汽车级传感器标定技术、高 精度惯导系统等核心能力迁移至机器人导航领域；欧菲光则发挥光学镜头设计与模组集成优势，为服务机器人提供定制化视觉感知解决方案，实现消费电子与机器人光 学部件的产线共通。
具身智能与自动驾驶在智能化体系架构上高度一致，均正朝VLA大模型演进 具身智能与智能电动车自动驾驶在智能化体系架构上高度一致，均由感知定位层、决策规划层、执行层构成，层间连接方式完全匹配。这种系统级的同源性，使自动 驾驶的技术方案、算法经验、软硬件模块可部分迁移至机器人领域，从底层架构层面实现跨产业复用，为汽车企业切入机器人赛道提供降本增效的核心技术支撑，大 幅缩短研发周期。 感知层：智能电动车的3D视觉（摄像头/激光雷达）、IMU定位及多传感器融合算法，直接复用于机器人环境感知； 决策层：自动驾驶SoC芯片、识别/预测/决策算法及世界模型训练，赋能机器人高效任务规划； 执行层：电机、传动、电池、电控等零部件技术同源，汽车轻量化材料（如底盘结构件）也可跨场景应用，实现硬件成本优化与量产效率提升。 核心算法架构方面：自动驾驶头部厂商（如理想、小鹏）与具身智能领域头部厂商（谷歌、Figure AI、银河通用、星动纪元）正加速向视觉-语言-动作（VLA）大模型 方向演进。
源于物理世界交互的共性需求与技术演进，自动驾驶与具身智能正加速向视觉-语言-动作（VLA）模型收敛：
自动驾驶VLA（视觉-语言-动作）模型的发展经历了从规则驱动到数据驱动，最终向知识驱动的范式跃迁。2020年前，传统模块化算法（如百度Apollo）依赖 人工定义规则，存在无法Scaling的核心缺陷。2020-2025年，ChatGPT-3的发布推动端到端模型兴起，特斯拉等企业通过"两段式"架构实现感知-规控模块化， 但信息传递损耗问题突出。2023年后，Waymo EMMA首次将多模态大语言模型（LLM）引入自驾领域，开创VLA架构先河；2024年小米ORION通过QT-Former解决长 时序记忆问题，理想Mind VLA则深度融合3D空间理解与扩散模型轨迹生成，标志着知识驱动范式的成熟。这一演进路径的核心逻辑在于：LLM的引入使模型从" 数据即知识"转向"理解即知识"，解决了传统方法在长尾场景和交互体验上的瓶颈。
当前自动驾驶VLA呈现三大核心特性：1）多模态融合，以3DGS技术获取中间特征，结合语言模型实现场景理解与动作生成的统一；2）计算效率优化，通过MOE 架构、模型量化等技术平衡端侧算力约束；3）仿真闭环构建，世界模型成为强化学习的关键基础设施。主要参与者中，Waymo凭借EMMA模型在开环测试保持领 先，但其闭源特性限制商业化潜力；小米ORION在具有挑战性的闭环评测Bench2Drive数据集上实现了优秀的性能，驾驶得分为77.74分，成功率为54.62%，相 比之前的SOTA方法分别高出14.28分和19.61%的成功率。此外，ORION的代码、模型和数据集将很快开源;理想汽车通过自研Mind VLA实现"3D编码器-语言模型扩散解码器"全链路优化，预计年内完成车端部署。
