这两年，智驾圈发生了一件有意思的事：最懂自动驾驶的人，开始讨论自动驾驶之外的事情。

具身智能、物理 AI、机器人，成了他们挂在嘴边的新词。

今年 7 月，Mobileye 的创始人 Amnon Shashua 宣布，将在继任者到位后卸任 CEO，转任董事长，并全身心投入人形机器人公司 Mentee Robotics。

表面上看，这是 Mobileye 从汽车到机器人的业务延伸，但本质上，这是一场从智能驾驶到物理 AI 的产业迁移。 

卓驭科技 CEO 沈劭劼把话说得更直接：

「智能驾驶只是物理 AI 的初始形态，绝非终局。」

Momenta CEO 曹旭东同样判断：自动驾驶是物理 AI 的序章。

这不是一场集体逃亡，而是行业在重新丈量自动驾驶的边界。

在他们的推演里，自动驾驶从来不是一个终点，而是 AI 走进物理世界踩下的第一个脚印。

和其他潜在载体相比，汽车恰好是第一台足够复杂、又足够标准化、还能卖出几千万台的机器，成了物理 AI 最早跑通「感知-决策-行动」闭环的载体。而这条路径的起点，可以追溯到 Mobileye。

01、Mobileye 证明了一件事：机器可以拥有一双「眼睛」

1998 年，行业的主流探索锚定在立体视觉上，大家希望用更多硬件信息，拼出一个更真实的世界。

意大利帕尔马大学 VisLab 实验室完成了 ARGO 项目，用两颗摄像头搭建的立体视觉系统，跑了 2000 公里来验证这条路。

而 Shashua 做出了一个反直觉的判断：不需要立体系统，一个简单的摄像头就能探测三维物体。

这个判断最终催生了 Mobileye，也划出了自动驾驶产业最早的一条分岔路，不停留在「摄像头怎么装」的工程问题，而是把问题拉回到原点：

一台机器，如何用更高的效率获得感知物理世界的能力。

单目视觉只是入口，真正撼动行业的，是 Mobileye 给了汽车「眼睛」，推动「摄像头+算法+专用芯片」三合一的智能体系。

在此之前，汽车电子遵循「零件→功能」的线性逻辑：摄像头采集图像，雷达负责测距，ECU 执行控制。

每个传感器都是一个孤岛，彼此之间没有协同，更谈不上「理解」。

Mobileye 把三者拧成一股绳：

摄像头采集环境信息，算法理解道路、车辆、行人，EyeQ 芯片实时处理并输出判断。

汽车第一次拥有了「感知→判断→辅助驾驶」的智能闭环。

正是这个闭环，定义了自动驾驶 1.0 时代的产业标准。

软硬一体化的范式，把 ADAS 从实验室推向了全球产线。成立八年后，EyeQ 芯片打进宝马、通用、沃尔沃的供应链。

Mobileye 从实验室里跑出 Demo 到实现大规模交付，坐上了车规级供应商的位置。

到 2016 年，超过 300 种车型、1500 万辆汽车应用着 Mobileye 的技术。

这也是行业第一次意识到，机器感知能力可以被标准化、被规模化交付。

02、当机器开始理解世界，自动驾驶进入 AI 竞争

Mobileye 让汽车拥有了眼睛，但进入 L2+和 L3 阶段，光「看到」不够，还要「理解」。行业的命题从「感知」转向「认知」。

模块化架构（感知→预测→规划→控制）分而治之，每个环节独立运行，通过人工定义的接口传递信息。埋下信息损耗和固定规则的隐患。

感知模块将丰富的场景信息压缩成干瘪的坐标和标签，下游模块拿到的只是「打了折扣的世界」。系统能识别出行人，却无法判断他下一秒会不会横穿马路。

更棘手的是，模块化依赖工程师写规则来运转，但路况千变万化，需要不断补充规则应对长尾场景。

小鹏在 CVPR 2023 上分享的端到端与分模块架构性能对比

AI 时代的解法，是从「模块化」走向「端到端」。不再区分感知、预测、规划，直接上一个统一神经网络，从传感器数据进去，输出驾驶动作。系统在「数据」里学习，模拟人类驾驶行为。

自动驾驶的竞争，已经从「感知能力」转向「认知能力」。竞争的核心，也从「谁的算法更准」变成了「谁的数据更多、模型更大、算力更强」。

在这个赛道上，新玩家改写了竞争格局，沿着数据闭环、整车协同、开放生态等不同路径各自卡位。

特斯拉是最早也是最坚决的端到端实践者。2023 年，特斯拉发布了 FSD Beta V12，一套靠数十亿英里真实驾驶数据喂养的神经网络，摄像头进，驾驶指令出，中间没有人工切分，整个流程被一个持续进化的 AI 模型接管。

华为选择了另一条路径，从芯片贯穿到云端。ADS 走多传感器融合路线，加上自研 MDC 计算平台和云端 AI 训练能力，把整车协同刻进问界、阿维塔、智界等多个品牌的基因。

地平线提供芯片和工具链，车企可自研算法，靠开放生态突围。

Momenta 聚焦数据效率。「飞轮式」数据闭环通过量产车收集数据、持续训练模型、再通过 OTA 升级到车端，核心是用更少的里程产生更高质量的数据。

这些玩家有一个共同点：它们不做「ADAS 供应商」，而是重新定义自己为「AI 公司」。抢夺的是新的高地：谁的数据飞轮快，谁的模型更聪明，谁的算力底座更稳固。

Mobileye 卡在中间。面对成为「大脑」的挑战，Mobileye 不是简单选择行业流行的「端到端」，而是提出了自己的答案：Compound AI（复合人工智能）架构。

这套专用 AI 模型集合体，把驾驶自动化解耦为感知、规划、执行等模块，每个模块由一个或多个专用 AI 模型精雕细琢，与 Mobileye 一贯的「模块化」理念一脉相承。

Mobileye 依靠分层隔离、冗余兜底的逻辑，试图在 AI 的灵活性与安全之间找到平衡：

模块化：各层可以独立开发和优化，工程师能专注于特定驾驶功能，实现更高效的开发。

冗余：集成多感知模态（摄像头、雷达、激光雷达）、REM™智能路网信息、多样化 AI 方法及重叠算法层，确保在长尾场景中的表现。

抽象化：在关键环节融入结构化逻辑，RSS 模型和 REM™智能路网，为系统注入「安全常识」和「道路经验」。

从「视觉公司」到「AI 公司」的跨越，本质上是战略层面的升维。

自动驾驶的技术范式正在经历一场深层转向，核心是从「让机器看见」升级到「让机器理解并行动」。汽车开始拥有「大脑」。

03、汽车之后，物理 AI 寻找新的「身体」

「行动」不局限于汽车。相比机器人，汽车的「行动」偏向「移动」。

而机器人面对的是非结构化环境、开放式任务、高复杂度交互，解决的是更广泛的「行动」，打开的则是更广阔的空间：工厂、物流、家庭、服务。

汽车，只是物理 AI 的载体之一。从汽车到机器人，是自动驾驶能力向更广泛物理世界的自然延伸。

2021 年，Shashua 埋下了另一颗种子，创办人形机器人公司 Mentee Robotics。

五年后，这颗种子破土而出，今年 1 月，Mobileye 以 9 亿美元收购，Shashua 也将在继任者到位后，主攻人形机器人。

Shashua 在今年第二季度财报电话会上给出的判断是，就 Mobileye 在推进的项目而言，自动驾驶技术「基本已被解决」，他看不到还存在未解决的科学问题。

这句话有两层含义：

短期看，SuperVision 和 Robotaxi 的算法架构已经定型，接下来是商业落地和运营拓展的工作。

长期看，一个不再需要科学突破的领域，也不再需要一位科学家型 CEO 坐在指挥位上。

截至 2025 年底，全球已有超过 2.3 亿辆汽车搭载了 Mobileye 芯片，这意味着，每 8 辆车里，就有 1 辆的「眼睛」来自 Mobileye。

从 Mobileye 到 Mentee Robotics，Shashua 押注的不是机器人，而是物理 AI。

为什么汽车和机器人同源？在技术逻辑方面，自动驾驶和人形机器人在底层高度同构，都面临感知环境、理解场景、规划动作、在不确定性中安全决策的核心挑战。

Mentee Robotics 判断两大领域「均依赖一套共通的物理 AI 技术栈」。

换句话说，过去 27 年在视觉感知、芯片设计、安全体系、量产经验上的积累，是 Mobileye 进入机器人的底气。感知、认知、行动，恰好落在物理 AI 的三个核心层面上。

视觉感知能力。成立第一天起，Mobileye 做的，就是让机器通过摄像头理解世界。从单目视觉深度估计，到物体语义识别，再到动态障碍物预测，这些底层算法，和机器人的环境感知逻辑是相通的。

专用芯片的算力与效率。EyeQ 芯片经过二十几年迭代打磨，这条「专机专用」的 ASIC 路线，对需要低功耗、低成本、高可靠性的机器人来说是天然优势。

安全体系。这是 Mobileye 最独特的护城河。RSS（责任敏感安全模型）已成为 IEEE 2846 标准，提供了一套可验证、可审计的安全决策框架。

量产经验与工程化能力。全球超过 2.3 亿辆汽车的搭载量背后，是从实验室到量产的工程化能力，竞争对手短期内难以追上。成本控制、供应链管理、可靠性标准的方法论，同样匹配机器人。

商业逻辑上，自动驾驶依然是 Mobileye 的基本盘。

但它的增长节奏已经变得可预测：

订单、定点、量产爬坡，这是一条能算出来的曲线。而机器人是那条算不出来的曲线。前者需要的是交付能力，后者需要的是创始人式的赌性。

具身智能机器人，正成为科技圈炙手可热的方向，特斯拉 Optimus、Figure AI 等玩家加速入局，全球行业迈入「量产落地元年」。

收购 Mentee Robotics，让 Mobileye 在守住驾驶自动化基本盘的同时，切入了这一体量庞大的新市场，形成「自动驾驶+人形机器人」的双引擎结构。

Mentee人形机器人收集箱子

从感知时代，到智能驾驶时代，再到物理 AI 时代，汽车只是 AI 进入现实世界的第一台机器。从「让机器看」到「让机器想」，再到「让机器做」，这是一个技术范式的升维。

当 AI 拥有感知、理解、行动的能力，应用场景将从汽车延伸到工业自动化、家庭服务、医疗护理等更广阔的领域。

但技术迁移从来不是线性复制。机器人面对的现实世界，比汽车更开放、更复杂，挑战不容低估。

这背后有几道真实存在的技术鸿沟。

首先要跨越的，是感知精度的鸿沟。自动驾驶避障，厘米级精度（±5-20cm）就够用了，而人形机器人抓取物体，需要亚毫米级（±0.1-1cm）。

更关键的差距藏在响应频率里——车载系统 10 到 30Hz 的决策节奏，到了机器人身上要拉到 100 到 200Hz。

场景复杂度的差异是另一重挑战。

想象一个处于家庭环境中的机器人，面对的可能是灶台上的玩具、散落四处的衣服。

非结构化环境、开放式任务，考验机器人理解混乱、适应变化的能力，要在从未见过的场景里找到解法。

目前，Mentee Robotics 的商业化进度是落后的。

我们看时间表：2026 年客户验证，2027 年小批量试产，2028 年规模化量产。

而特斯拉 Optimus 已复用 FSD 端到端架构，Figure AI 等厂商已进入工厂实际部署阶段，相较头部竞品已落后 1-2 个周期。

还要考量的是资金链可持续性。Robotaxi 和人形机器人同时烧钱，资金链压力不容小觑。

接班人悬而未决，也持续压制着 Mobileye 的股价表现。

技术同源，不等于迁移就是复制粘贴。感知精度、场景复杂度、控制频率，每一项都是数量级的跃升。这是一场从成熟产业走向新领域的再创业。

Shashua 的转身，是一个产业转折的缩影。

从 Autonomous Driving 到 Autonomous Everything，背后的逻辑围绕一个更大的问题展开：AI 如何真正进入物理世界，并拥有感知、理解和行动的能力。

Autonomous Driving，只是 Autonomous Everything 的第一站。