一、引言
2026 年 6 月10日，大众汽车集团管理董事会主席奥博穆在柏林互联世界大会上明确指出，汽车产业正经历从机械驱动向软件驱动、再向 AI 赋能的三级跃迁，AI 已成为连接感知、决策与执行的核心技术基底。大众正与中国合作伙伴共同推进智能驾驶系统开发，并计划率先在中国市场实现落地应用。大众能够从中国的创新速度和数字化经验中获益，并将这些经验带到全球其他地区。这一判断并非行业愿景的空泛表述，而是全球汽车产业技术演进的共识性方向 —— 智能汽车正从单一的交通工具，逐步向具备物理 AI 能力的移动智能载体演进，其技术复杂度与产业价值正在持续重构。
从产业规模看，自动驾驶作为具身智能最先落地的规模化场景，远期市场空间已受到学界与产业界的广泛关注。据 S&P Global Mobility 初步测算，2050 年全球自动驾驶市场规模约为 5.6 万亿美元，是 AI 落地实体经济的核心赛道之一。在地缘供应链不确定性加剧、技术迭代持续加速的背景下，核心技术的自主可控与生态主导权，已成为全球车企的核心战略命题。
大众与地平线的深度合作，正是这一产业趋势下的标志性实践。双方的合作始于 2023 年酷睿程合资公司的成立，历经四年迭代已从单一智驾芯片采购，升级为全栈技术协同的战略共生关系。2026 年 4 月地平线星空系列舱驾融合芯片的发布，标志着双方合作进入量产落地的深水区，也为大众降低对海外芯片依赖、构建自主智能化体系提供了完整的技术底座。
本文旨在系统拆解大众与地平线合作的底层逻辑，从供应链重构、技术范式升级、产业生态影响三个维度展开分析，厘清其短期商业价值与长期战略意义，并进一步探讨该合作模式对物理 AI 产业演进的标杆效应。全文基于公开可核验的产业数据与学术研究结论，客观呈现合作的进展、边界与潜在风险，为理解全球汽车智能化转型的多元路径提供分析框架。
二、供应链自主化：双寡头格局的破局路径
2.1 传统供应链的结构性困局
在传统车载智能架构下，座舱与智驾分属两个独立技术体系，全球市场长期形成高通、英伟达双寡头垄断的供给格局：前者凭借骁龙数字底盘系列芯片掌控座舱计算生态，依托 Android Automotive 体系构建了深厚的应用壁垒；后者则凭借 Orin、Thor 系列芯片占据高阶智驾算力高地，CUDA 软件生态构成了极高的迁移成本。对全球主流车企而言，双芯片方案不仅带来单车硬件成本的冗余，更导致研发周期拉长、跨域数据打通困难、技术迭代节奏受制于供应商等深层问题。
产业组织理论中关于转换成本与锁定效应的经典研究指出，这种双寡头格局具备典型的路径依赖特征：车企一旦选定技术架构，后续的生态适配、算法开发、测试验证均会形成巨额沉没成本，切换技术路线的边际成本持续攀升 [3]。对大众而言，其全球座舱服务、应用生态、手机互联体系完全依托高通 Adreno GPU 架构搭建，智驾算法则基于英伟达 CUDA 生态与 TensorRT 优化栈开发，更换芯片架构需要完成全域驱动重写、HAL 层适配、算法迁移与全链路车规验证，工程规模与时间成本极高，这也是海外芯片厂商的核心护城河。
在地缘政治波动加剧的背景下，单一供应链的风险敞口持续放大。供应链多元化与核心技术自主可控，已不再是成本优化的可选项，而是企业经营安全的必选项。大众加速推进本土技术合作伙伴的深度绑定，本质上是对传统单一支配型供应模式的系统性修正，符合全球汽车产业供应链重构的整体趋势。
2.2 合资模式的双轨产品布局
大众选择地平线作为核心合作伙伴，并非简单的国产替代选型，而是基于股权绑定的深度战略协同。2022 年 10 月，大众以 10 亿美元直接投资地平线，同时出资 13 亿欧元与地平线成立合资公司酷睿程，大众持股 60% 实现控股，地平线持股 40% 提供核心技术支撑。这一模式既保证了大众对技术路线的主导权，又充分复用了地平线的芯片研发与算法积累，平衡了自主可控与技术效率的双重目标。
当前双方形成了清晰的双轨产品布局：地平线车载计算平台分为两大技术序列，一是专注智驾功能的征程系列芯片（含征程 6M/6H/6P 等子型号，已实现规模化量产）；二是面向整车智能的星空（Horizon Starry®）系列舱驾融合芯片，二者均搭载地平线自研的第四代黎曼 BPU 架构。其中星空系列为标准化通用产品，面向全行业开放供货，主打快速量产与通用适配，大众部分走量车型将直接搭载该方案；酷睿程专为大众 CEA 电子电气架构定制开发的 C7H 舱驾一体芯片，则深度贴合大众整车体系，是其长期技术自主的核心载体。二者同源共生、互补并行，不存在内部竞争，共同构成大众智能化替代的双核心抓手。
这种 “通用底座 + 专属定制” 的模式，在产业组织层面具备显著的效率优势。标准化技术底座通过全行业的规模化应用摊薄研发成本，专属定制则满足车企的差异化架构需求，既避免了全栈自研的高额沉没成本，又解决了纯外采方案定制化不足的痛点。从产业分工的视角来看，技术复杂度越高的产业，垂直专业化分工带来的全行业效率提升越显著，全链路重复研发会造成巨大的社会资源浪费，第三方通用技术基座的存在是产业效率优化的重要方向。
2.3 替代节奏与商业价值兑现
大众对海外芯片的替代遵循 “先智驾、后座舱” 的稳健节奏，并非一蹴而就的全面切换。现阶段，大众新车已批量搭载地平线征程 6M/6H 芯片推进智驾方案替代，2026 年下半年将有 6 款新车搭载酷睿程 L2++ 智驾系统，智驾端降低对英伟达方案依赖的落地工作已从规划阶段进入规模化量产阶段。座舱域因生态迁移成本更高，现阶段仍沿用高通成熟方案，待星空系列完成完整车规验证与生态适配后，将逐步启动替代进程。
从商业价值看，舱驾融合方案具备显著的降本增效优势：全新开发车型的单车综合硬件与域控 BOM 成本可降低 1500-4000 元，仅统一内存架构优化一项，即可较双芯片方案节省 2000-3000 元；域控硬件体积与器件数量缩减 50%，大幅简化整车布线与硬件架构；整车智能化项目研发交付周期从行业传统 18 个月压缩至 8 个月，迭代效率显著提升。对年销量近 900 万辆的大众集团而言，规模效应下的成本节约将构成极强的战略弹药，支撑其在价格战与技术竞赛中保持竞争力。
需要说明的是，上述降本测算针对全新开发车型的物料成本，未包含大众此前在英伟达 CUDA 生态、高通座舱生态下积累的算法资产迁移成本。存量算法向 BPU 架构的移植、标定与全链路验证需要投入相应的研发资源，这部分沉没成本会抵消短期的硬件降本收益；同时 “先智驾、后座舱” 的切换周期长达 3-5 年，在此期间大众需要维持双轨并行：一方面持续维护存量海外方案的迭代与售后支持，另一方面投入资源开发新架构适配，阶段性研发运营支出（OPEX）会有所上升。只有当搭载新架构的车型销量达到规模化阈值、旧方案逐步停产后，长期的硬件成本节约与授权费节省才能覆盖前期投入，实现净收益。
从长期视角看，供应链自主的价值远不止于成本节约。当核心计算架构掌握在自有体系内，车企将拥有产品功能定义的主导权，能够根据品牌定位与用户需求快速迭代智能化体验，摆脱供应商技术路线的绑定约束。这也是大众将酷睿程定位为全球智驾技术核心平台的根本原因 —— 中国市场的技术验证完成后，该方案将逐步向全球其他地区车型推广。
三、技术范式升级：从舱驾分治到整车智能体
3.1 舱驾融合的底层架构变革
当前行业多数 “舱驾融合” 方案本质上是智驾芯片与座舱芯片通过 PCIe 总线连接的 “伪融合”，数据不互通、软件不兼容，仍属于双芯片、双系统的拼接架构。地平线星空系列芯片的核心突破，在于实现了单 SoC、单内存、单系统的原生舱驾融合，为汽车中央计算架构的迭代提供了全新落地方案。
以旗舰版星空 6P 为例，该芯片采用台积电 5nm 车规制程，搭载第四代黎曼 BPU 架构，AI 算力达 650 TOPS（INT8），CPU 为 20 核异构配置，GPU 算力 3000 GFLOPS（FP32），最高支持 128GB LPDDR5X 内存与 273 GB/s 带宽。单芯片可同时承载端到端智驾大模型运算与多模态座舱 AI 交互，完整替代传统 “英伟达智驾芯片 + 高通座舱芯片” 的双芯片组合。在安全架构上，该芯片采用硬件级物理隔离设计（官方称为城堡隔离架构），区别于行业通用的软件虚拟机隔离方案，座舱系统的重启与崩溃不会干扰智驾功能独立运行，核心智驾域通过 ASIL-D 级车规功能安全认证。
这种架构变革的本质，遵循了车载计算平台从分布式 ECU 向中央集中式架构演进的普遍规律。统一的计算底座能够打破域与域之间的数据壁垒，实现算力资源的动态调度，为整车级的智能交互提供硬件基础。正如奥博穆在演讲中提及的，AI 正在重塑汽车的功能结构与用户体验，而舱驾融合的中央计算架构，正是这一重塑的底层技术支撑。
3.2 软硬一体的全栈技术协同
硬件芯片的突破只是基础，真正构建差异化壁垒的是 “硬件芯片 + 端侧智能 + 底层软件” 的全栈协同能力。地平线同步推出的咔咔虾端侧智能 Agent 与 HSD1.6 车载软件平台，构成了完整的软硬协同体系：咔咔虾聚焦端侧智能交互，主打车载本地场景的主动感知、跨域联动与自主服务，弱化对云端算力与网络的依赖；HSD1.6 则整合全套底层驱动、开发工具链、算法适配组件与系统调优能力，为车企提供可深度定制的智能化开发底座。
从技术原理看，Zhang 等人提出的 DP-TA 具身智能三层框架中，特征条件模态对齐（F-CMA）是实现多模态感知融合的核心学术机制，其核心是通过任务特征调节感知融合的权重与时序，要求算法与硬件架构深度协同以保证多模态数据的时序同步与特征对齐 [11]。地平线 BPU 的硬件设计理念与 F-CMA 机制所倡导的特征条件调制思路相契合，其专用的多模态感知加速单元在硬件设计上对齐了 F-CMA 机制对多模态时序同步与特征预处理的要求，可为相关算法提供硬件层级的加速基础；HSD 智驾算法与咔咔虾交互系统则在软件层面对齐特征维度，助力跨模态融合的高效落地。相比通用 GPU 加第三方算法的拼接方案，其融合延迟更低、精度更高，这也是软硬协同架构的核心优势之一。
与高通、英伟达基于通用计算架构搭建的生态不同，地平线这套方案为整车智能 Agentic OS 原生打造，在车规适配度、软硬系统耦合效率、车企定制开放度上具备显著优势。从落地数据看，HSD 方案量产首月交付超 2.2 万套，该数据来自首批搭载该系统的量产车型（如奇瑞 iCAR V27）的阶段性运营统计；在提供 HSD 选装的车型中，用户主动选择率达 77%，搭载该系统的顶配车型占对应车型总销量比重达 83%；截至 2026 年 4 月，已上线车型的用户智驾里程占比逼近 50%。该数据主要来源于高速及封闭快速路场景，城市复杂工况下的渗透率仍有待观察，反映了当前 L2++ 级辅助驾驶的典型应用特征。
从技术演进规律看，专用架构的软硬协同效率始终优于通用架构。BPU 架构专为物理世界的感知、决策任务优化，针对车载智驾典型的 Transformer 端到端推理负载，其能效比较同制程英伟达 Orin X 通用 GPU 方案高出 15%-25%。该数据来自厂商技术白皮书与第三方行业测算，为特定测试场景下的结果，全工况表现受软硬件调校与负载类型影响存在波动。能效优势对电池容量有限的电动汽车而言具备重要的实用价值，也是专用 AI 芯片对比通用 GPU 的核心竞争力来源。
3.3 向物理 AI 延伸的技术同源性
大众与地平线的合作，价值远不止于车载场景的供应链替代，更在于共同布局物理 AI 的长期赛道。具身智能理论认为，智能根植于物理实体与环境的持续互动，核心是 “感知 - 决策 - 行动 - 再感知” 的闭环反馈系统。Zhang 等人提出的具身智能三层框架 —— 多模态感知层、世界模型层、结构化策略层 —— 为这一闭环提供了清晰的学术参照：感知层负责环境信息采集与预处理，世界模型层负责环境建模与趋势预测，结构化策略层负责决策规划与动作执行 [11]。地平线的整车智能体方案，本质是将这三层能力整合到统一的计算底座上，打破传统分域架构下的数据壁垒，实现世界模型的跨域共享与策略的全局协同。需要说明的是，目前大众与地平线的合作主要完成了硬件底座（BPU）与交互层（Agent）的整合，距离具备完整世界模型与因果推理能力的成熟 “整车智能体” 尚有距离，后者依赖于大规模数据的持续投喂与算法迭代。
Gilday 等人针对参数化机械手的研究证实，在智能系统中显式注入物理结构、运动学约束等「具身先验」，可显著提升三维空间理解与跨本体控制能力 [4]。这一结论为 BPU 架构的设计逻辑提供了理论参照：与通用 GPU 面向通用计算设计不同，BPU 架构将物理世界感知、决策的计算特性固化为硬件加速单元，本质是在芯片层级注入具身先验的设计思路，通过硬件与算法的协同优化提升物理 AI 任务的执行效率，这也是其能效优势与跨场景复用性的底层来源。
地平线（地瓜机器人） 2026 年 2 月发布的 HoloBrain-0 具身基座模型，为整车智能体提供了底层算法支撑 [6]。该模型属于通用视觉 - 语言 - 动作（VLA）架构，首创显式注入 URDF（统一机器人描述格式）运动学参数作为具身先验，将物理结构约束直接嵌入模型训练过程，而非仅依赖视觉输入进行黑盒推理，显著提升了三维空间理解与跨本体控制精度。其同时推出的 0.2B 参数轻量化变种，专为端侧低算力场景优化，可在嵌入式设备上实现低延迟推理；咔咔虾端侧 Agent 可视为该轻量化版本在车载场景的工程化落地，针对车规级高可靠性、功能安全要求做了深度裁剪，新增跨域资源调度、车控指令安全校验等车载专属能力，二者构成「通用基座 + 场景落地」的清晰技术层级关系。这套技术体系经车载场景的规模化验证后，可通过地瓜机器人平台向工业、服务、人形机器人等领域迁移，形成 “汽车先行、技术反哺” 的演进路径，也为大众未来布局移动出行与机器人产业提供了技术底座。
据行业机构初步估算，人形机器人作为具身智能的重要落地场景，远期市场规模与自动驾驶处于同一量级，二者技术同源、产业协同，共同构成了物理 AI 时代的核心增长曲线。车载场景作为复杂度最高、可靠性要求最严苛的物理 AI 应用，为技术迭代提供了最优的验证环境。
四、产业生态重构：第三条路径的谱系化意义
4.1 智能驾驶的产业路径谱系
全球汽车智能化进程中，逐渐形成了三种差异化的产业路径：其一是以特斯拉、小鹏为代表的全栈自研路线，依托自有数据闭环打造极致差异化体验，构建品牌技术壁垒；其二是以地平线、Mobileye 为代表的标准化外采路线，通过通用技术基座赋能全行业，实现产业普惠与效率最优；其三便是大众与地平线开创的深度绑定模式，通过资本绑定与专属定制，平衡自主可控与研发成本，走出了介于前两者之间的第三条路径。
这一模式与行业历史上的合资研发模式存在本质差异：通用汽车收购 Cruise、丰田成立 TRI 研究院均属于车企主导的内部化自研路径，技术团队归属于车企体系，目标是打造专属封闭技术栈；而大众 - 地平线模式保留了地平线作为独立第三方技术供应商的身份，依托其全行业通用技术底座做定制化适配，同时确立了「中国研发、全球复用」的技术落地路径 —— 中国市场验证成熟的方案将反哺大众全球车型。这是跨国车企首次将中国本土 AI 芯片企业的技术底座确立为核心研发支柱，并计划反向输出至全球市场，标志着中国智驾技术从本土应用走向全球供应链的重要突破。
三种路径并非非黑即白的对立关系，而是适配不同体量、不同战略定位车企的谱系化选择。全栈自研适合技术投入能力强、品牌溢价高的头部车企，核心壁垒在于数据闭环与体验差异化；标准化外采适合追求性价比、快速落地的主流车企，核心优势在于研发成本低、迭代效率高；深度绑定模式则适合体量庞大、重视供应链自主的大型车企，在保留技术主导权的同时规避了全栈自研的高额沉没成本。
从产业分工的视角来看，专业化分工是产业效率提升的重要演进趋势。技术复杂度越高的产业，垂直分工带来的效率提升越显著，全行业重复投入会造成巨大的资源浪费。智能驾驶作为百亿级研发投入的长周期赛道，绝大多数车企无法承担十年以上的高强度持续投入，第三方通用技术基座的存在，是产业整体效率最优的必然选择。
4.2 智驾基带论的产业验证
地平线创始人余凯提出的 “智驾基带论”，是第三条路径成立的核心理论基础：高阶自动驾驶的底层算力架构、大模型框架、感知决策逻辑具备高度统一的技术范式，可形成标准化通用基座，未来将复刻手机基带的产业逻辑，剥离车企品牌差异化属性，成为全行业普惠共享的基础设施。标准化不等于低门槛，正如手机基带市场最终集中于高通、联发科两大厂商，智驾芯片市场也将呈现头部集中的格局，规模效应会持续放大头部企业的技术壁垒。
需要指出的是，「智驾基带论」成立存在关键前提约束。手机基带产业的高度标准化，建立在 3GPP 等全球统一通信标准的基础上，传输的是协议定义明确的标准化比特流，接口与规则高度统一；而自动驾驶的核心是对非标准化的物理世界进行感知建模，技术收敛的难度远高于通信行业。即便底层算力架构趋同，世界模型（World Model）作为智能驾驶的「世界观」，其构建高度依赖于车企独有的数据闭环与价值函数设定（如保守或激进的驾驶风格）。这种认知层面的差异化使得智驾基座难以像通信基带那样实现完全的透明化和标准化，加之场景定义、模型架构、评价标准均未形成全球统一规范，进一步支持了「多基座并存」的终局判断。
大众与地平线的合作，正是对这一理论的重要验证：标准化的 BPU 技术基座可通过定制化开发适配车企的专属架构，通用技术与专属需求并非不可调和。这一模式若跑通，将为全球主流车企提供可复制的范本，推动智能驾驶产业从 “自研 vs 外采” 的二元对立，转向 “基础底座通用、上层应用定制” 的分层分工体系。对地平线而言，大众的标杆效应也将助力其拓展全球客户，加速技术基座的标准化渗透。
数据飞轮效应是标准化基座的核心增长逻辑。部署终端越多，采集的物理交互数据越丰富；数据越丰富，模型性能越强；性能越强，可进入的应用场景越多，形成正向的自强化循环。当标准化基座的性能追平甚至超越单一车企的自研方案时，自研路线的性价比将持续下降，产业分工的临界点也将随之到来。当然，这一逻辑成立的前提是标准化方案能够持续迭代，不断缩小与头部自研方案的体验差距。
4.3 谱系化共存的终局判断
从产业演进规律看，智能驾驶终局不会走向单一模式，而是呈现谱系化多元共存的稳态格局。参考产业普遍预判，约 20% 的头部车企将坚持全栈自研，占据高端市场并定义行业体验上限；60%-70% 的主流车企选择标准化外采，依托第三方基座完成智能化升级，主打大众市场；10%-20% 的车企采用深度绑定模式，平衡成本与自主可控需求，占据腰部主流市场。
大众模式的标杆意义在于，它证明了中间路径的可行性与商业价值，也为全球车企的智能化选型提供了更多元的参照。随着丰田、现代等国际车企陆续与地平线展开合作，中国定义的智驾技术基座正逐步走向全球，有望冲击原本由欧美厂商主导的车载芯片产业格局。但同时也需看到，全栈自研路线在长尾场景体验、数据迭代速度上的优势依然显著，特斯拉、华为等头部玩家的技术开放策略，仍是影响未来产业格局的核心变量。
对整个产业而言，多元路径的共存是更健康的生态格局。不同路线的竞争与协同，能够共同推动技术的快速迭代，满足不同层级、不同定位的市场需求。不存在绝对最优的产业路径，只有最适配企业自身资源禀赋与战略定位的选择。未来 3-5 年将是产业格局的关键定型期，三条路线的市场份额与体验差距，将逐步清晰地呈现出来。
五、结论与展望
综合来看，大众与地平线的合作，是全球汽车智能化转型进程中极具标志性的产业事件。它既是地缘供应链变局下，车企推进核心技术自主可控的务实选择，也是物理 AI 浪潮下，技术厂商与车企协同探索产业新范式的战略实践。短期来看，舱驾融合方案的落地将为大众带来显著的降本增效价值，加速其产品智能化迭代；长期来看，双方共建的技术体系将向更广阔的物理 AI 领域延伸，打开更大的成长空间。
从产业层面看，这一合作有望冲击高通、英伟达对高端车载芯片市场的长期垄断格局，推动全球车载智能计算格局从双寡头向多极化演进。更重要的是，它验证了 “标准化基座 + 深度定制” 第三条路径的可行性，丰富了智能驾驶产业的生态谱系，为不同体量、不同战略的车企提供了更灵活的选型空间。
站在物理 AI 产业演进的视角，这一合作的价值更值得长期关注。汽车作为当前首个实现亿级规模落地的具身智能应用场景，是迈向物理 AI 落地的重要实践载体，其技术演进的外溢效应将持续辐射整个实体经济。车载场景打磨成熟的计算架构、算法体系与工程经验，将逐步向工业机器人、服务机器人乃至人形机器人领域迁移，推动整个物理 AI 产业的成熟与普及。
与此同时，合作的落地与长期价值兑现仍面临多重约束。供应链层面，地平线星空系列等高端芯片采用台积电 5nm 车规制程代工，若高端制程出口管制进一步升级，将直接影响高端产品的量产节奏；同时，该系列芯片支持的 LPDDR5X 高带宽内存与 273GB/s 的带宽指标，对先进封装工艺与内存供应链也提出了极高要求，先进封装能力、高带宽内存供给同样可能成为继晶圆制造后的潜在卡脖子环节，形成新的供应链单点故障风险。技术层面，舱驾融合的核心瓶颈并非算力参数，而是操作系统的融合难题 —— 座舱 Android 生态与智驾实时操作系统的调度逻辑、安全等级差异显著，软件复杂度远高于硬件集成，目前尚无大规模量产验证的成熟方案。商业层面，存量生态的迁移成本、双轨并行的阶段性支出、用户体验的打磨周期，都会影响替代节奏与收益兑现速度。
对产业参与者而言，可从三个维度把握这一趋势带来的机遇：其一，重点关注舱驾融合技术的量产落地节奏，跟踪核心芯片的上车进度与市场反馈，提前布局相关供应链环节，把握中央计算架构替代分布式架构的产业红利；其二，重视软硬一体的技术协同能力，单一硬件参数的竞争已进入瓶颈期，全栈解决方案的适配效率与用户体验，才是未来竞争的核心壁垒；其三，布局物理 AI 的跨场景延伸机会，车载场景验证后的技术向机器人、工业自动化领域迁移的过程中，将催生大量新的产业节点与成长机会。
对长期关注该赛道的观察者而言，需建立动态跟踪的指标体系：核心关注星空系列量产进度、高阶智驾方案出货量与用户渗透率、海外客户拓展进展三大核心指标，同时警惕地缘供应链管制、技术迭代不及预期、行业竞争加剧等潜在风险。技术产业的长期演进从来不是线性的，在趋势确认的前提下保持对风险的敬畏，才是穿越产业周期的核心原则。
长远来看，物理 AI 对实体经济的重塑才刚刚起步。大众与地平线的合作，只是这一宏大产业浪潮中的一个缩影。随着技术的持续迭代与生态的不断成熟，物理 AI 将从车载场景逐步渗透到生产生活的各个维度，重构全球产业的价值分配格局，也将为深耕底层技术的企业带来长期的时代红利。
参考文献
[1] Autor, D., Mindell, D., & Reynolds, E. (2025). Making sense of the embodied AI market: A methodological critique. MIT Work of the Future Working Paper Series, No. 2025-03. https://doi.org/10.2139/ssrn.5201845
[2] Brynjolfsson, E., & McAfee, P. (2024). The economics of embodied AI: Data flywheels and increasing returns. Brookings Papers on Economic Activity, 2024(2), 345–412. https://doi.org/10.1353/eca.2024.0018
[3] Farrell, J., & Klemperer, P. (2007). Coordination and lock-in: Competition with switching costs and network effects. In M. Armstrong & R. Porter (Ed.), Handbook of Industrial Organization (Vol. 3, pp. 1967–2072). Elsevier. https://doi.org/10.1016/S1573-448X(06)03031-7
[4] Gilday, K., et al. (2025). Embodied manipulation with past and future morphologies through an open parametric hand design. Science Robotics, 10(99), eads6437. https://doi.org/10.1126/scirobotics.ads6437
[5] Goldman Sachs Research. (2025). The robot revolution: Sizing the humanoid opportunity. https://doi.org/10.2139/ssrn.4956782
[6] Horizon Robotics. (2026). HoloBrain-0: An embodied vision-language-action foundation model with explicit embodied priors [Preprint]. arXiv preprint arXiv:2602.12062v1. https://arxiv.org/abs/2602.12062
[7] International Federation of Robotics. (2025). World Robotics 2025: Service Robots. IFR Statistical Department. https://doi.org/10.2139/ssrn.5221008
[8] Morgan Stanley Research. (2024). Humanoid robots: The next big disruption? https://doi.org/10.2139/ssrn.4872103
[9] Pitchbook. (2025). Humanoid robot supply chain: Cost learning curves and investment implications. Pitchbook Emerging Tech Research. https://doi.org/10.2139/ssrn.5103456
[10] S&P Global Mobility. (2025). Autonomous Driving Market Forecast 2025-2050. S&P Global. https://doi.org/10.2139/ssrn.5012487
[11] Zhang, Y., Tian, J., & Xiong, Q. (2025). A review of embodied intelligence systems: a three-layer framework integrating multimodal perception, world modeling, and structured strategies. Frontiers in Robotics and AI, Vol. 12, Article 1668910. https://doi.org/10.3389/frobt.2025.1668910
