过去几年，自动驾驶是现实世界里最舍得烧算力、最早建立数据闭环的 AI 工程。摄像头连续看，模型持续预测，系统再把结果变成轨迹。它训练的，本质上不是一台“会开车的机器”，而是一套理解动态物理世界的方法。

这也是汽车 AI 与人形机器人开始靠近的原因。两者都要处理连续视频，都要判断人和物体下一步会怎么动，都不能只靠语言模型在云端慢慢想。区别在于，车主要在二维路面里移动；人形机器人还要伸手、受力、保持平衡。

所以，这不是一场整包复制。更接近一次分层迁移。

图1｜DriveVLM 将驾驶任务拆成场景描述、场景分析与分层规划，并保留传统3D感知和轨迹规划支路。来源：清华大学、理想汽车 DriveVLM 论文/项目页

汽车AI到底练出了什么

先看自动驾驶大模型已经在做什么。DriveVLM 的输入不是单张图片，而是一段连续视觉序列。模型先描述场景，再找关键目标、分析风险，最后输出元动作、决策说明和路径点。

这套结构和机器人很像。机器人接到“把桌上的红杯子递给我”，也要先看清环境、理解目标，再把任务拆成靠近、抓取、抬起、递交。

真正有迁移价值的，不是方向盘角度，而是方向盘角度之前的那几层能力：

• 开放世界视觉理解：识别训练集中没被单独标注过的障碍物、工具和人的行为。

• 时序预测：从连续画面判断目标速度、意图和遮挡后的可能位置。

• 空间表征：把多摄像头输入压进统一的三维或鸟瞰空间。

• 分层规划：先做语义级决策，再把决策交给高频控制器。

• 数据闭环：从失败案例中挖数据、重标注、再训练、重新上车验证。

这五项能力，正好也是具身智能“看懂—想清—去执行”的上半段。

已经出现了跨汽车、跨机器人的统一模型

过去说“技术同源”，更多是产业判断。现在已经有了直接的模型证据。

小米团队在 MiMo-Embodied 技术报告中，把自动驾驶与具身智能放进同一个视觉语言模型。训练任务同时包含驾驶环境感知、状态预测、驾驶规划，也包含可供性判断、空间理解和高层任务规划。论文报告称，两类数据在多阶段训练中出现了正迁移。

图2｜MiMo-Embodied 统一处理单图、多图和视频，用视觉编码器、投影层与大语言模型覆盖驾驶和具身任务。来源：小米具身智能团队技术报告

另一个更直接的例子是 NavFoM。它把车辆、轮式机器人、四足机器人和无人机放进同一套导航基础模型，用 800 万条导航样本联合训练。

这里的关键不是“车的数据量大，所以机器人跟着沾光”这么简单。模型必须额外知道摄像头装在哪里、看的是哪个方向、历史画面跨了多长时间。NavFoM 为此加入了视角和时间标识，并在有限 token 预算下动态压缩历史观测。

图3｜NavFoM 用统一架构学习车辆、轮式机器人、四足机器人与无人机的导航任务。来源：NavFoM 论文

这说明导航层已经可以跨“身体”共享。车辆的大规模道路数据，能够帮助机器人学习动态障碍、人类行为和长距离路径判断；机器人室内数据，也能反过来补足窄空间、第一视角交互和语言指令。

能搬走的四层，与搬不走的三层

图4｜汽车AI向人形机器人的迁移边界（AI不浪漫整理）

一句话概括：自动驾驶能帮机器人把“大脑皮层”练得更成熟，但小脑、脊髓和手上的触觉反射，不能靠道路视频补出来。

为什么VLA仍然要有两套速度

驾驶模型已经吃过一次教训：大模型擅长理解复杂场景，却不适合独自承担所有高频控制。DriveVLM 因此做了 Dual 架构，让视觉语言模型负责慢速推理，让传统 3D 感知和规划模块补足空间精度与实时性。

人形机器人正在走相同路线。NVIDIA 的 GR00T N1.5 用视觉语言模型编码图像和指令，再由扩散 Transformer 处理机器人状态和动作。上层模型负责“拿哪个、放哪里”，动作专家负责输出连续控制序列。

图5｜GR00T N1.5 的视觉语言模型把自然语言指令落到具体目标物体。来源：NVIDIA Research

这是迁移里最容易被忽略的一点。汽车和机器人可以共用一颗理解世界的“大脑”，但动作端必须知道自己的身体：有多少个关节、相机装在哪里、手臂能伸多远、当前关节角度和力矩是多少。

一台车的动作空间通常可以压缩为转向、加速、制动与轨迹；人形机器人的动作空间则可能同时包含几十个关节，还要处理双臂协同、接触约束和全身稳定。模型骨架可以共用，动作词表不能照搬。

图6｜GR00T N1.5 在 Unitree G1 上进行双臂抓取测试。实拍来源：NVIDIA Research

真正值钱的不是某个模型，而是汽车的数据工厂

对机器人公司来说，汽车行业最值得借的，未必是一份预训练权重，而是已经跑通的数据生产线。

一辆测试车每天产生连续多摄像头和车辆状态数据。车企已经建立了自动筛选长尾场景、自动标注、仿真回放、版本评测和影子模式验证。机器人也需要同样的闭环，只是“危险场景”从加塞和鬼探头，换成了抓空、打滑、碰撞、失衡和错误用力。

汽车数据能降低机器人学习“看懂世界”的起点，但无法替代机器人真实操作数据。后者必须记录图像之外的关节位置、末端位姿、夹爪状态、力/力矩、触觉、动作延迟和任务成功率。

这也是为什么纯视频很有价值，却还不够。视频能告诉模型“人怎么把杯子拿起来”，却没有直接告诉它手指用了多大力、杯壁有多滑、动作晚 50 毫秒会不会掉。

工程一线的结论

汽车 AI 确实在给机器人练大脑，但它首先练的是视觉理解、动态预测、空间推理和高层规划。

短期内，迁移最先落地的会是导航、避障、场景理解和任务拆解。它们对身体结构不那么敏感，也有更成熟的汽车数据可用。

真正决定人形机器人能不能稳定干活的，仍是具身数据和控制系统：看见杯子之后，能不能抓稳；走到工位之后，能不能把零件装进去；被人碰一下之后，能不能站住。

所以，这条路线不是“汽车大模型降维打击机器人”。更准确的说法是：汽车行业把物理世界 AI 的上半场提前跑了一遍。机器人可以借用它的大脑底座，但要获得一双可靠的手和一副不摔倒的身体，还得在真实世界里重新交学费。

| 文末互动：