东风汽车张振林：具身智能与智能驾驶二者AI范式同源，但历史不会简单重复- 大数跨境

EAI 100

2026-11-09

导读：东风汽车集团研发总院智能化技术首席总工程师张振林发表题为《从智能驾驶到具身智能——可迁移的经验，与不可复制的路径》的主旨演讲。

9月9日，由聚合智能产业创新中心、湖北科投联合主办的聚合智能产业发展大会（2026）在光谷召开。东风汽车集团研发总院智能化技术首席总工程师张振林受邀出席活动并发表题为《从智能驾驶到具身智能——可迁移的经验，与不可复制的路径》的主旨演讲。以下为演讲全文，略有编辑。

具身智能与智能驾驶AI范式高度同源，但历史不会简单重复。智能驾驶是在约束条件下“穿行于世界”，具身智能则要“作用于世界”，并应对动作的结果与反馈。车企真正重要的不是“有场景”本身，而是能不能把场景转化为持续的数据生产能力，让机器人进入真实场景干活。通用能力不是一天就能具备的，也不是简单的把多种场景的数据放在一起训练，就能自然产生。机器人真正落地，仍然要从具体场景做起。

今天的具身智能和当年的智能驾驶，很多地方会觉得非常相似，包括技术路径、资本的追逐等。但具身智能机器人会不会完全follow之前自动驾驶的路线？这一点我有一些自己的思考。

今年的7月、8月，可以说是具身智能非常火的两个月，先后有世界人工智能大会、世界机器人大会，以及世界人形机器人运动会。以世界机器人大会为例，这次大会吸引了55.7万人次参观，现场有大量机器人产品和应用展示。同期，机器人相关企业在资本市场也经历了明显波动，但这并没有阻止资本继续向这个行业投入。

与此同时，我们也看到国家发展改革委等相关部门不断强调要更加理性，要因地制宜、重视真实场景、防止盲目跟风。整个行业一方面热度很高，另一方面也越来越多地讨论机器人如何真正落地、产生价值。在世界机器人大会上，我们既看到机器人跳舞、表演，也看到越来越多企业开始展示机器人怎么真正干活。

我一直从事技术相关的开发， 2016 年开始进入自动驾驶领域。 2016 年、2017年时，行业就已经提出要做L4级无人驾驶、Robotaxi，我们也很快做出了Demo。当时部分能力已经开始使用深度学习，但整体仍然较多依赖规则。2017年前后，行业里有很多“三年上车、五年量产”的判断。到今天我们看到，自动驾驶产业化仍然在持续推进。

技术上，我们经历了从早期以规则为主，到基于学习的模块化AI，再到数据驱动、端到端、VLA和世界模型。机器人领域也经历了类似变化，从传统工业机器人、经典控制到模块化AI，再到今天的VLA，包括最近比较热的世界模型、世界动作模型等，整体技术范式非常接近。现在我在东风也正在推进机器人相关工作，我的一个总体判断是：两者的AI范式高度同源，但历史不会简单重复。

首先看智能汽车。当前一个很热门的概念叫物理AI（Physical AI）。从这个角度讲，智能汽车是目前最大规模落地的物理AI之一。它包括自主感知、预测、规划、决策等能力，也有完整的计算平台、安全体系，以及持续的OTA和迭代，最终通过规模化部署，依靠供应链、制造和运维体系实现产品化。

汽车产业已经走过了一次从数字AI走向物理产品，并实现规模化工程落地的过程。虽然L4自动驾驶目前仍主要在部分区域和特定场景运营，但整个产业正在持续向前发展。

再回到具身智能。最直观的感受是，它不是“自动驾驶+两个机械臂”就变成了具身机器人。智能驾驶主要解决车辆如何在一个相对受限的物理空间中，从A点到B点，通过环境感知、自主决策和避障完成驾驶任务。汽车除轮胎与地面之外，大部分接触都意味着风险。

但机器人，特别是面向真实作业的机器人，最大的不同是存在大量高频、主动的接触交互，里面会涉及力、摩擦、动力学、形变等问题。所以我们认为，智能驾驶更多是在约束条件下学习如何“穿行于世界”，而具身智能机器人必须进一步学习如何“作用于世界”，以及如何应对动作带来的结果和反馈。

大家提到汽车，像我们这样的整车厂，以及特斯拉、小鹏等很多车企都在布局具身机器人。大家经常说，车企做机器人最大的优势之一，是“躺在数据金矿上”。为什么这么说？因为整个行业都在强调真实场景，而车企有大量工厂、园区、4S店，某种意义上讲，拥有非常丰富的应用场景和潜在数据来源。

但虽然我是车企从业者，我也不想因此自夸。首先，有场景不等于有数据；其次，有数据，也不等于有高价值数据。就像每天有大量车辆在路上行驶，但这些数据并不天然都具有高价值。第三，即使有了高价值数据，还要看有没有形成数据飞轮，让数据持续回流、训练、评测和迭代。所以，真正重要的不是“有场景”本身，而是能不能把场景转化为持续的数据生产能力。

现在很多机器人公司仍然会通过搭建场景、遥操作等方式集中采集数据，这一阶段的数据当然很重要。但行业也在开始反思单纯依赖集中式数采的模式。我们认为，下一步会逐渐进入Data 2.0阶段：不是为了采数据而搭场景，而是让机器人进入真实场景干活，在持续作业中产生真实数据。这些数据真正稀缺的，不只是机器人“做过什么”，而是它为什么成功、为什么失败，失败带来了什么结果，以及如何从失败链路中恢复，最终完成任务。

对东风来说，我们把智能汽车看作Physical AI的重要载体。从座舱到智驾，我们一直在围绕天元智能体系建设相应的能力。回到数据本身，我们更关注Action、Context和Outcome：机器人或者车辆做了什么动作，当时的上下文是什么，最终结果是什么，以此来判断到底需要什么样的数据。我们认为，真正的竞争不是谁今天的数据最多，而是谁能够持续产生明天更有价值的数据。特别是在当前具身智能的VLA、世界模型等技术路线还没有完全收敛的情况下，持续的数据生产和闭环能力，是我们非常关注的一点。

另外一个思考，也是我们从智能驾驶领域得到的。汽车行业做智驾，不仅追求模型在道路场景中的泛化能力，更追求工程设计上的确定性。而大模型和具身智能面对的是一个更加开放、不确定的环境，需要快速迭代和更强的泛化能力。我们希望借鉴过去汽车产业形成的功能安全、可靠性验证、质量体系和V模型等工程能力，同时重新构建这些工程体系与大模型之间的接口：一边通过工程设计铸就确定性，一边允许模型在不确定性中学习和进化。

所以，借鉴我们做智驾的经验，自动驾驶也是从ADAS开始，逐步从高速、停车扩展到城区，最近进一步走向车位到车位。我们认为，机器人也不是一开始就能做成所谓“通用大脑”。通用能力不是一天就能具备的，也不是简单把多种场景的数据放在一起训练就自然产生了。机器人真正落地，仍然要从一个个具体场景做起，比如分拣、搬运、巡检等，再逐步扩展能力边界。

所以我们现在的具体路径，是通过真实场景来验证这套方法。

第一，把人形机器人首先应用于制造业，从分拣、搬运等具体场景切入，验证感知和世界理解等能力。第二，在厂区、园区使用四足机器人开展巡逻和巡检，验证任务执行、Agent和Skill，以及自主导航和控制等能力。第三，把机器人投入4S店，探索导览、交互等服务场景。

我们希望让场景来定义机器人的形态，同时在不同形态和场景中不断沉淀共同的Physical AI底座，包括感知与世界理解、任务编排、导航与操作控制，以及数据和评测闭环。

最后，结合过去的一些经验以及我在东风的实践，我想抛出三个判断。

第一，大家一直在提具身智能与智能网联汽车技术同源。我认为技术范式确实高度同源，但产业化路径千万不要简单复制。

第二，通用能力不是从“通用”开始的，而是从一个个真实的Robot ODD中逐步生长出来。

第三，也是我们当前最关注的一点，无论是智能网联汽车还是智能机器人，作为Physical AI，它的核心资产不应该只是一个数据池或者Data Lake，更重要的是能够持续产生高价值数据的数据引擎，也就是Data Engine。

活动预告

点击图片报名参会👇

聚合智能产业发展论坛定于2027年1月24日举行，会期半日，论坛将发布重要研究成果。届时，整车与零部件企业、具身智能企业、人工智能企业、高校与研究机构、投资机构的代表将齐聚一堂，共同探讨具身智能的范式跃迁与产业落地路径。

EAI 100（聚合智能产业创新中心）于2025年揭牌成立，是国内首个聚合智能产业创新平台。创新中心致力于打通跨产业协同壁垒，依托汽车产业链现有优势，加速具身智能、低空经济等产业规模化应用，系统性推动智能汽车与智慧城市协同发展。统筹开展智库研究、行业活动、资源对接等系列工作，目前汇聚专家及企业成员数量突破150家，实现聚合智能领域全方位、全链条覆盖。

【声明】内容源于网络

EAI 100

EAI 100（聚合智能产业委员会）由车百会研究院联合多位专家、领军企业共同发起成立，是国内首个聚合智能跨产业协同平台，重点聚焦智能汽车、具身机器人、低空经济、“双智”协同等前沿领域。

内容 1268

粉丝 0

EAI 100 EAI 100（聚合智能产业委员会）由车百会研究院联合多位专家、领军企业共同发起成立，是国内首个聚合智能跨产业协同平台，重点聚焦智能汽车、具身机器人、低空经济、“双智”协同等前沿领域。

总阅读3.8k

粉丝0

内容1.3k