自动驾驶用十年验证了一个朴素真理：在特定场景中，“真正可用”远比“表面像人”更具现实价值；而具身智能，正悄然复刻这一路径。
2017年的自动驾驶，曾笃信终局近在咫尺。
那一年，L4、L5成为高频热词，无人驾驶出租车被视作即将落地的日常。但十年之后，真正重塑产业格局的，并非最早高呼“全无人”的企业，而是那些率先将辅助驾驶嵌入量产车、并跑通真实世界数据闭环的务实派。
此刻的具身智能，恰处于同样的临界点。
刚落幕的智源大会上，人形机器人端咖啡、对打乒乓球、完成动态分拣等演示吸引大量驻足，“机器人的ChatGPT时刻”也成为现场高频议题。
而在另一侧，越来越多出身自动驾驶领域的创业者，却在反复强调：如何锁定首个稳定运行的场景？如何构建物理世界的闭环数据流？如何让机器人先“动起来”，再逐步“学聪明”。
星源智创始人刘东将自动驾驶定义为“最简形态的具身”。在他看来，从二维平面中的避障导航，跃迁至三维空间里的物理交互，机器人所面对的复杂度，远超当年的智驾系统。
具身智能是否正在重演智驾的发展叙事？为何这批来自自动驾驶赛道的创业者，正成为行业变局的关键推手？他们所携带的“渐进式落地”方法论，能否帮助具身智能走出一条差异化路径？
当一个尚未抵达的“奇点”，已成为集体信仰
智源大会现场，银河通用创始人兼CTO王鹤将“机器人的ChatGPT时刻”定义为：模型具备零样本泛化能力——无需专项训练，即可在特定任务中完成人类70%–80%的操作，并拥有极高易用性，初中文化水平用户即可上手操作。
星源智创始人刘东则坦言：“当前具身智能的状态，与2015–2016年的自动驾驶高度相似。虽已瞄准实际应用方向，但真正达到L2级稳定交付的案例仍属凤毛麟角。”
2017年前后，自动驾驶圈同样弥漫着强烈乐观情绪：L4级无人驾驶被普遍预测“三年内量产”。可现实中，量产车上连高速车道保持与自适应巡航都尚未完全可靠。
无论是彼时的智驾，还是今日的具身智能，其共性在于——“终局想象先行于工程路径”：行业先共同描绘出未来图景，再回过头来摸索通往它的技术栈与商业逻辑。
这种错位，在智源大会现场以具象方式呈现：展台前，人形机器人递咖啡、打乒乓、流水线分拣，观众络绎不绝。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
与此同时，星源智最新发布的ω-EVA模型在LIBERO基准测试中达成98.6%成功率，在RoboTwin任务中由88.9%提升至90.3%。
数字亮眼，但刘东在采访中仍给出了冷静的落地分层判断：纯移动类任务（如巡检、导览）已相对成熟；抓放类操作覆盖约90%常见场景，但仍有部分物体难以稳定拾取；至于酒店清洁、家庭服务等高复杂度任务，“短期内规模化落地仍存较大挑战”。
这并不否定Demo的价值——恰恰相反，在技术萌芽期，Demo是验证技术可行性的关键锚点。
但需明确区分的是：Demo证明的是“这件事在受控条件下可以实现”，而商业化交付要求的是“这件事在多变环境中持续稳定达成”。
二者之间的鸿沟，自动驾驶用了整整十年才跨越。
遗憾的是，资本与产业的热情早已提前入场。智源研究院院长王仲远指出，本届大会聚集了至少15家估值破百亿的具身智能企业CEO，“具身智能与人形机器人”论坛报名热度居首。
这极易令人联想起2017年自动驾驶圈的“All in AI”浪潮——彼时只要项目冠以“自动驾驶”之名，估值与曝光便自动跃升一级。
但真实的商业节奏，未必能匹配叙事速度。星源智是少数已实现具体场景交付的公司：叉车搭载的具身大脑、机器狗在开放园区自主捡拾垃圾、物流分拣环节的自动化升级。
刘东透露，这些合作均采用“一事一议”模式：数据需双向共享，方案须按需定制。这不是“发布即通用”的理想主义叙事，而是先锚定一个真实场景，让系统真正在其中运转起来，再谈能力迁移与泛化。
因此，若硬要在自动驾驶与具身智能之间划一道线，其本质或许并非叙事雷同，而是两个领域在相似发展阶段，共同面临同一种诱惑——对“终极形态”的过度聚焦。
一代智驾人的“二次出发”
与刘东一样拥有自动驾驶背景的创业者，在具身智能赛道中已成主流。
自动驾驶解决的是“让车辆在二维平面上不撞障碍物”，而具身智能要攻克的是“让设备在三维空间中与物体发生精准物理交互”。刘东将智驾称为“最简具身”：“当年智驾的核心动作是‘避开’所有物体，不发生接触；而今天具身智能不仅要‘看到’杯子，还要决定‘怎么拿’‘会不会洒’‘放得准不准’。”
从“绕开”到“拿起”，看似只是动作复杂度升级，实则牵动整套系统重构。
在自动驾驶中，摄像头与激光雷达主要承担环境感知与障碍识别，决策链路清晰：感知→判断→规避。而在具身智能中，设备不仅要识别目标，还需实时计算力矩、协调多关节运动、响应触觉反馈，并同步处理视觉、力觉、本体感知等多模态信号。
力控精度、触觉建模、跨模态协同——这些在智驾中几乎无需涉足的课题，如今已成为具身智能工程师的日常功课。
因此，这批从智驾转战具身的创业者，带来的不仅是技术栈的平移，更是一整套已被市场验证的产业认知。
2017年，自动驾驶圈曾盛行“全栈自研”风潮：算法、芯片、传感器、整车全部自建。逻辑看似严密——唯有闭环才能打造极致体验。但后续实践表明，在销量未达规模前，全栈投入无异于一场高风险豪赌。
当被问及“头部企业布局全栈是否会挤压中小玩家生存空间”时，刘东的回答透出经验沉淀：“在真实出货量尚未爆发前，几乎没有公司能长期支撑全栈研发投入，除非你已是特斯拉级别，账上现金充沛到无需担忧。”
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
他进一步预判：当前市面上近两百家具身智能公司中，真正具备全栈闭环能力的“最多两三家”，其余多数将面临选择：是自研“大脑”，还是采购第三方方案？
自动驾驶行业早已给出答案：全栈门槛极高，仅少数车企可负担。最终行业走向分化——资金与技术雄厚的新势力深耕自研，而更多传统车企与新兴品牌，则转向华为、Momenta、大疆、百度等专业供应商，或采取“核心算法外采+部分模块自研”的混合策略。
刘东认为，具身智能也将复制这一演化路径：“有的公司精于本体设计，有的专攻模型研发，正如当年智驾在整车产业链中的分工演进。”
基于此判断，星源智选择“不做本体”，外界常将其比作“具身赛道的华为”——专注提供具身大脑模型与端侧算力平台，目前已覆盖超70%头部本体厂商。
这一选择，难言是源于2017年“全栈幻梦”的教训，更可能是工程师群体对产业链效率逻辑的自然延续。但有一点毋庸置疑：当一支团队已亲历过“什么都想自己做”的试错周期，他们在新战场启动之初，便会本能地思考——“哪些事，本就该交给别人来做”。
除商业模式外，这批智驾老兵还带来了对“落地”的务实理解。
他们曾在智驾时代争论“云端算力 vs 车端算力”，深知毫秒级时延对安全系统的生死意义。
这份经验，在具身智能中迅速复用：刘东解释为何坚持端侧部署时，并未诉诸技术偏好，而是直指物理约束——十余路摄像头叠加三颗激光雷达，每秒产生数GB原始数据；若依赖Wi-Fi或5G上传云端，“机器人早已撞墙，云端推理尚未完成”。
因此，他们更早接纳“端侧闭环”的必然性，而非将其视为可选项进行权衡。
具身智能无法靠“堆参数”突围
回望自动驾驶发展史，最受瞩目的始终是L5与Robotaxi，但真正率先融入交通体系的，却是ADAS与L2+辅助驾驶。
它们不够炫酷，却在日复一日运行中持续积累数据、迭代系统，为更高阶能力奠定进化基础。
具身智能亦在重复这一过程。家庭服务机器人尚遥不可及，通用具身大脑仍未成熟，但叉车、机器狗、物流分拣等垂直场景已开始商用落地。它们未必最像人类，却最有可能率先打通数据闭环。
如果说ADAS是自动驾驶通往L4的必经桥梁，那么今天的叉车与机器狗，正是具身智能迈向AGI的关键跳板。
刘东将落地难度划分为三层：
第一层为“纯移动”任务：巡检、导览、导购等，仅需空间导航、目标识别与简单记录，无需复杂物理交互。该层级已趋成熟，星源智的机器狗在开放园区自主清洁、拾捡垃圾，即属此类应用。
第二层为“抓放操作”：仓库拣选、药店上下料、工厂轻量搬运等。刘东坦言，该层级已覆盖约90%常见场景，但“仍有部分品类抓取失败率较高”。这看似微小的10%缺口，在真实商业场景中，往往就是客户是否签约的决定性因素。类比2017年智驾，恰似高速NOA初上线时的状态——能跑，但尚不敢放手。
第三层为“复杂操作”：酒店客房清洁、家庭日常照料、精密装配等。涉及长任务链、非结构化环境、柔性物体操作，刘东判断：“短期规模化落地仍面临显著挑战。”
这种分层思维，既承袭自智驾时代的工程理性，也受限于具身智能的数据瓶颈。星源智联合创始人孙振国指出：大语言模型可免费获取互联网级文本语料，而具身智能缺乏“物理世界的互联网”——即海量、高质量、低成本的动作数据源。
各地政府牵头建设的机器人数据采集工厂，虽投入大量设备采集动作数据，但产出总量仍远不足以支撑超大规模模型训练。大模型参数已达数百B甚至千B级，而当前具身模型仍在几B至几十B区间徘徊。
这一现实意味着：具身智能无法复制大模型“大力出奇迹”的跃迁路径。它必须如自动驾驶一般，在真实场景中反复运行，用一次次物理交互持续“喂养”模型。
刘东在介绍叉车项目时，给出一个极具说服力的细节：传统物流自动化方案依赖严格规则——卡车必须停在指定位置、货物需标准托盘、托盘形状尺寸统一。而具身大脑的价值在于：它能“柔性适配不确定任务”——卡车尺寸各异、货物形态多变、托盘有无皆可，系统仍能自主规划卸货顺序、规避碰撞、确保清空率。
这种“柔性”，并非靠更大模型一蹴而就，而是通过“特定场景的数据闭环”长期打磨而成。
星源智的叉车项目仅用“约两个月”即推出首版系统，这在具身智能领域已属高效。但刘东强调，其背后依托的是已有算法基座复用，以及100%端侧部署架构。
这也印证了他对未来格局的预判：具身大脑厂商将分化为垂类专家——有的深耕家庭服务，有的专注物流调度，有的专攻工业装配。正如自动驾驶已分化出高速NOA、城市NOA、记忆泊车、代客泊车等细分赛道，每个领域都孕育出专业公司。
所以，回到最初的问题：具身智能是否在重演自动驾驶？答案是：叙事节奏确有重叠——终局愿景被提前消费，Demo展示与真实交付存在落差，行业初期普遍追逐“最像人”的解决方案。
但相似的起点，未必导向相同终点。
自动驾驶用十年证明：决胜关键，不在于谁最先喊出“无人驾驶”，而在于谁率先找到可持续产数的场景。
今天的具身智能落地场景，远比当年智驾更为碎片化：人形机器人、家庭管家、通用大脑仍是行业共识的终局，但在终局降临前，真正塑造产业走向的，或许是仓库中的智能叉车、园区内的巡检机器狗、产线上的协作机械臂……
它们未必最“拟人”，却最先教会机器人——如何真实成长。
本文来自微信公众号“奇点研究社”，作者：妍旭，编辑：孟雯，36氪经授权发布。
