北京
【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。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
