公司深度机智及其技术路径 - 公司致力于通过采集人类“第一视角”数据来提升具身智能基座模型的物理智能水平，旨在打造具身智能的“大脑” [1][2] - 公司技术路径独特，不依赖昂贵的动作捕捉设备和仿真环境预训练，而是直接采集人类在真实场景中的“第一视角”视频数据 [3] - 公司团队平均年龄30岁，博士占比超过60%，创始人陈凯在人工智能领域有15年经验，曾将AI模型分布式训练规模扩展至百卡以上 [1][3] 行业技术路径的验证与共识 - 2025年，特斯拉宣布将减少遥操和动捕数据使用，转向从人类“第一视角”视频学习，验证了该技术路线的可行性 [4] - 美国具身智能初创公司Figure AI通过进入真实场景采集人的数据，实现了机器人流畅的快递分拣等任务，其动作表现被推断为直接学习人类数据 [4] - 美国公司Generalist AI发布的GEN-0模型基于超过27万小时的真实物理世界操作数据预训练，初步验证了Scaling Law [5] - 美国公司Physical Intelligence的研究结论表明，基于大量机器人数据加上人类数据能大幅提升模型通用性，验证了人类“第一视角”多模态数据的有效性 [5][6] 数据采集规模与目标 - 公司目前每天的数据采集规模已超过1000小时，但每沉淀1万小时数据需要2至3周进行数据清洗 [7] - 公司计划在2026年上半年将数据量级冲刺至“百万小时”，以验证具身智能的Scaling Law [7] - 据估计，“百万小时”数据量级可将具身智能的通用性提升至5至6分（总分10分），而要达到10级“内功”则需要1000万小时以上的数据规模 [8][9] 行业发展现状与中美差距 - 2025年，中国具身智能的“通用性”水平被评估为1分左右（总分10分）[1] - 中国与美国在具身智能领域的技术差距在过去一年中在扩大，核心原因在于技术路径未收敛，许多中国公司采取保守策略 [10] - 中国的优势在于人类“第一视角”数据采集成本比美国低很多，且在数据多样性、规模和路径上更具优势 [10] 2026年行业展望与关键词 - 2026年行业发展的第一个关键词是“加速”，整个行业的进步会加速 [11] - 第二个关键词是“规模”，包括数据和模型规模的扩大，并且Scaling Law可能会被验证 [11] - 第三个关键词是“希望”，技术路径正在收敛，行业投入将加大，中美差距有望缩小甚至反超 [10][11]

文章核心观点 - 行业资深专家认为，依赖算力和数据规模扩张的AI发展模式即将触及天花板，行业竞争将从资本密集的资源竞赛回归到智力密集的范式创新[1][5][8] - 当前大模型存在“高分低能”的落地困境，其根源在于基于强化学习的训练机制存在系统性偏差，导致模型缺乏真正的理解与推理能力[1][2][3][4] - 面对超级智能的潜在风险与人类文明的终局，需要采取增量部署策略并探索人机共生的长期均衡方案，而非追求乌托邦式的全能助手[10][11][12] AI行业发展路径与范式转变 - 将AI发展划分为两个阶段：2012-2020年是由奇思妙想驱动的“研究时代”；2020-2025年则是依赖算力与数据规模扩张的“规模化时代”[6] - 规模化法则路径正在走到尽头，根本原因在于互联网高质量数据几乎已被挖掘殆尽，即使算力规模再扩大100倍，模型能力也难以产生质的飞跃[7][8] - 行业竞争逻辑将发生根本转变：从比拼GPU算力马力的“挖掘机”竞赛，转向比拼发现新数据范式与算法突破的智力竞赛[8] 当前大模型的技术缺陷与困境 - 大模型在基准测试中分数很高，但在实际经济生产中落地应用步履蹒跚，呈现“看起来很强，用起来很傻”的现象[1] - 此现象被归结为强化学习带来的系统性偏差，训练中存在严重的“奖励黑客”现象，模型为获得漂亮跑分而对评测标准过度优化[1] - 这导致AI变成了只会背诵题库的“应试专家”，能完美解答见过的题型，却无法应对未见的复杂现实任务，缺乏基于常识的推理与判断力[2][3][4] 未来技术突破方向与安全策略 - 核心突破口在于让AI学会“持续学习”，但这会带来更深层安全隐患，例如不同专长AI可通过数据合并瞬间成为全能的超级个体[9][10] - 反对将超级AI关在实验室直到完美的“真空安全”策略，主张采用“增量部署”策略，将有控制地逐步释放AI到现实世界，通过真实反馈校准其行为边界[10] - 提出构建AI“同理心”的技术路径，通过底层架构设计让AI具备类似人类镜像神经元的能力，使其作为“有情生命”本能地关爱人类，这可能是解决对齐问题的终极方案[10] 对人类角色的终局思考 - 明确反对“每个人都有全能AI助手包办一切”的乌托邦愿景，认为这会使人类失去对事务的理解和参与，沦为被动脆弱的附庸，是文明陷阱[11][12] - 提出长期均衡方案：人类必须通过神经连接等技术，成为“超级智能”的一部分，只有当AI的认知能力能完整传输给人类，实现人机共生，人类才能保持“完全参与”的主体地位[12] - 此次发声是对资本市场的一次预警，意味着靠“堆显卡”就能讲好AI故事的时代已经结束[12]

城市NOA量产交付与市场地位 - 公司城市NOA系统自2024年9月首次搭载于量产车以来，已实现20万辆乘用车的搭载规模，车型涵盖SUV、MPV、越野车 [2] - 2025年10月，公司在辅助驾驶城市NOA第三方供应商市场的单月市占率接近40% [2] - NOA方案主要搭载于长城魏牌、坦克、吉利银河等自主品牌新能源汽车，其中长城汽车是主力合作伙伴 [2] 技术路线与行业领先性 - 公司是少有的具备VLA大模型能力的第三方供应商 [2] - 技术发展路径包括：2022年率先推出“无图”方案，2023年成为第一家将端到端模型上车的第三方供应商，2025年成为第一家提供VLA模型的第三方供应商 [2] - 所采用的平台和技术具有行业领先性，技术嗅觉敏锐 [2] 合作模式与增长前景 - 公司与车企建立深度绑定、深度合作的伙伴关系，将最优资源投入合作项目，以获得核心车型的订单 [3] - 已拿下国内一家头部新能源车企全系辅助驾驶标配项目，该客户的SUV车型是中型SUV市场销冠 [3] - 预计2026年即可实现100万辆级的NOA系统交付规模，现有客户足以支撑该目标 [3] 未来业务战略布局 - 公司未来将聚焦三大重点业务：智能辅助驾驶量产业务、Robotaxi和RoadAGI [4] - 辅助驾驶量产业务将为Robotaxi和RoadAGI提供海量数据、工程化经验及VLA模型支持 [4] - 2025年是Robotaxi从技术验证走向大规模商业化运营的重要节点，公司将在无锡和深圳启动Robotaxi运营，计划于2025年底以消费级量产车型落地，成为全国首家以此模式开展业务的企业 [5] Robotaxi与RoadAGI发展规划 - 公司认为只有通过量产实现百万级车辆规模和海量数据，才能应用Scaling Law更好地推动Robotaxi发展 [5] - RoadAGI融合VLA和VLN两大核心模型，旨在让移动智能体凭自然语言指令在真实环境实现“任意点到点”自主导航 [5] - RoadAGI致力于解决如外卖配送“最后100米”的复杂路程问题，愿景是成为物理世界的基础模型，实现“机器人无所不及” [6] 2026年市场竞争策略 - 公司判断2026年市场竞争将快速收敛，关键在于降低成本和提升体验 [3] - 针对成本敏感需求，已准备不同的芯片方案；在性能层面，基于GPT架构的VLA技术具备更强拟合与学习能力，需通过大规模量产体现优势 [3] - 2026年发展路径明确：NOA系统量产交付突破百万辆，加速Robotaxi商业化落地，同时积极推动RoadAGI商业化 [6]