自动驾驶和具身智能共用一套模型，这事可行吗？

[首发于智驾最前沿微信公众号]2026年CVPR大会上，特斯拉AI软件副总裁Ashok Elluswamy说，他们不是在造一个驾驶产品，而是在为所有机器人构建一个统一的基础模型。

同一套模型，今天开车，明天就在工厂里搬箱子。

其实具身智能与自动驾驶在技术上有很多相似性，共用同一套模型这个想法，也有很多企业在尝试，那这事可行吗？

01

统一模型的技术基础是什么？

在具身智能概念刚出来的时候，很多人将自动驾驶作为具身智能的一种形态。

但相较于我们所熟悉的类人具身智能，自动驾驶与其在任务层面有着显著差异。

自动驾驶的使用场景主要是在结构化的道路上，自由度低，但安全性要求极高。

具身智能强调的是在非结构化的环境中工作，自由度动辄几十个，需要处理物理接触的场景。

从使用场景看，自动驾驶与具身智能的差异还是很大的，那他们共用模型的基础在哪里？

其实无论是汽车还是机器人，都需要感知三维空间、理解物体之间的关系、预测环境变化、规划行动路径。

这些能力听上去各自独立，但本质上都指向同一个问题，那就是系统如何在自己的内部表征中构建对外部物理世界的认知。

这种跨形态的共性需求，正是探索统一模型架构的起点。

图片源自：网络

ACE-Brain系列工作在这方面就提出了很有代表性的观点。

ACE-Brain是由大晓机器人联合上海交通大学、南洋理工大学、香港中文大学、香港大学等机构共同推出的具身智能基础模型。

其核心思路是以空间智能作为跨不同硬件形态的通用语言。

ACE-Brain-0的论文中指出，虽然车辆、机器人和无人机在形态上差异巨大，但它们共享一个共同需求。

也就是对三维心智空间的建模，空间认知能力可以作为跨形态迁移的通用基础。

从模型架构来看，当前自动驾驶和具身智能都涉及VLA框架。

VLA模型可以将视觉感知、语言理解和动作生成统一到同一个模型里。

理想汽车2026年3月发布的MindVLA-o1，以原生多模态MoE Transformer为核心架构。

其通过3D空间理解、多模态思考、统一行为生成、闭环强化学习、软硬件协同设计5大技术创新，将视觉、语言和行动统一到了一个模型中。

理想基座模型负责人詹锟在GTC 2026上则表示，当我们把视觉、语言和行动统一到一个模型中时，它已不再只是自动驾驶模型，而是在逐渐演化为面向物理世界的通用智能体。

基于同一套VLA模型，不仅可以控制车辆，也能够扩展到机器人。

世界模型的加入进一步拓展了统一模型的边界。

世界模型可以让系统在内部模拟环境演化，预测行动之后世界会如何变化。

小鹏在CVPR 2026上展示了其世界模型完整技术图谱，与第二代VLA共同构成物理世界基座模型。

刘先明则将二者关系概括为一体两面，即VLA学习如何行动，世界模型学习行动之后世界会如何变化，两者通过不同训练信号相互增强。

这套基座模型的适用范围不限于自动驾驶，按照小鹏的规划，将从汽车延伸至人形机器人IRON、飞行汽车等具身智能场景。

小米的技术路线也很值得聊一聊。

2026年5月，小米正式发布并开源了Xiaomi OneVL一步式潜空间语言视觉推理框架，将VLA、世界模型以及潜空间推理三大技术路线统一到同一套框架中。

这套框架同时服务于小米汽车和具身机器人两条产品线，其HAD辅助驾驶系统已经融入了自研的MiMo-Embodied具身基座模型，雷军本人也在社交媒体同步宣布了这一消息。

这种跨产品线的统一架构思路，反映的是行业对通用物理世界模型能力边界的持续拓展。

从这些企业的实践也可以看出，自动驾驶积累的海量真实道路数据，为统一模型的训练提供了其他领域难以比拟的规模优势，自动驾驶可以说是通往具身智能的第一块试验田。

02

模型统一的挑战在哪里？

虽然很多企业都在推动统一的大模型用于自动驾驶与具身智能，但这中间存在很多的问题。

自动驾驶与具身智能在数据层的需求就有很大不同，自动驾驶的数据是亿英里级别的，但机器人的操作数据稀缺得多。

它石智航创始人兼CEO陈亦伦在2026WAIC主论坛上指出，工业级自动驾驶系统训练需要约100万小时视频数据，而具身操作需要刻画更复杂的接触式物理规律，至少需要1000万小时合格数据。

数据规模的巨大差距意味着，即便共用模型架构，两个领域的训练也不在同一量级上。

两者对于延迟的要求也不一样，当前VLA模型的推理延迟普遍在100到300毫秒，但具体到不同的应用场景，对延迟的容忍度差异很大。

自动驾驶面临的是高速移动的物理环境。

一辆车以120公里时速行驶时，每秒钟会前进约33米，感知到决策之间的任何延迟都会直接转化为安全隐患。

因此业内一般要求端到端延迟稳定在100毫秒以内。

图片源自：网络

机器人场景则因任务类型不同而差别很大，在仓储物流、家庭服务这类任务中，每次操作之间的间隔可以是几秒甚至更长。

VLA模型几百毫秒的推理延迟完全在可接受范围内；而在高速动态交互的场景中，对延迟会有更苛刻的要求。

小米Xiaomi OneVL就将推理延迟压到了0.24秒，换算成频率大约是4.16Hz，相比传统VLA模型已有大幅提升，仅为自回归推理延迟的5.4%。

这个延迟水平对于多数机器人操作场景已经够用，在量产车端实时部署也有可行性，但面向高速自动驾驶场景仍有优化空间。

除此之外，自动驾驶与具身智能两者任务的差异同样不可忽视。

自动驾驶的交互以不发生接触为前提，而机器人的核心任务恰恰是如抓取、装配、操作等物理接触。

这两种任务对模型的要求不同，一个在驾驶场景中表现良好的模型，切换到机器人操作时可能需要完全不同的输出空间和约束条件。

03

作者观点

智驾最前沿以为，自动驾驶和具身智能共用一套模型在技术上是可行的。

但这并不意味着自动驾驶和具身智能会使用完全相同的模型权重，更可行的路径是在共用架构加上分别微调。

可以让同一个基础模型在大量物理世界数据上完成预训练，然后针对驾驶和操作两个领域分别进行适配。

汽车在路上行驶时采集的视觉数据，对于训练机器人的场景理解能力同样有用。

机器人在操作中积累的物理交互数据，也可帮助自动驾驶系统更好地理解动态障碍物的行为。

这种跨场景的数据复用，将是统一模型带来的真正价值。