这两年一直有个讨论自动驾驶公司下一阶段到底拼什么。很多人盯着传感器价格、芯片算力、车型定点但我更关注另一条暗线——当车上的物理世界理解能力被验证之后这套技术栈能不能顺滑地迁移到下一代智能体上。Mobileye收购Mentee Robotics的消息本质就是这条暗线在台面上的一个明确落子。你要把这条新闻当成“一家智驾公司买了一家机器人公司”来看大概率会看偏。我更愿意把它理解为一家把“眼睛大脑”打磨了十几年的公司开始认真给物理AI铺底层平台。这篇文章不打算重复新闻通稿我从技术栈迁移、产业卡位和团队实操三个角度把这步棋的内在逻辑拆开聊聊。1. 先搞懂这起收购Mobileye到底买走了什么1.1 Mobileye为什么需要一张机器人底牌Mobileye在行业里的位置很特殊。它最早靠着一颗小小的摄像头和对应的ASIC芯片把ADAS前装市场做透了。到后来做驾驶策略、路网采集、端到端模型它一直在解决同一个问题让机器在开放物理世界里安全地理解环境并做决策。但有个瓶颈这几年越来越明显汽车这个载体太重了。开发周期长、车规认证严、安全责任大技术的迭代速度被整个产业节奏拖着。哪怕你算法再领先从DEMO到量产装车中间是三到五年的验证周期。这导致很多技术潜力没办法快速变成现金流。机器人不一样。它可以从仓储、物流、巡检这类封闭或半开放场景切入迭代速度快得多容错空间也大得多。Mobileye真正缺的不是感知能力和芯片能力而是一个能够把“自动驾驶那个物理世界的理解系统”复用到新形态载体上的入口。Mentee Robotics提供的正是这个入口。1.2 Mentee Robotics的价值不在于硬件而在于那套“行为层”很多人听到人形机器人公司第一反应是看它的关节电机、灵巧手、结构设计。但对Mobileye这种公司来说外壳和硬件反而是最不重要的部分。Mentee真正值钱的是它构建的“从仿真到真机”的数据闭环以及机器人在物理世界里的行为控制能力。双足站起来不乱倒机械臂能稳稳抓东西这些表面上看是控制问题实际上是把视觉、状态估计、动力学模型和运动规划全部串起来之后的系统工程。Mobileye有很强的视觉理解和环境建模能力但缺的正是这种“末端执行层面”的精细控制能力。收购之后Mobileye得到的不只是几个算法工程师而是一条已经跑通的“行为层技术栈”。能力维度Mobileye现有基础Mentee带来的补充结合后的想象空间环境感知强摄像头视觉、道路结构建模中开放式空间感知补全覆盖驾驶与复杂室内环境的通用感知决策规划强驾驶策略、端到端大数据中任务级推理、操作规划从路径规划扩展到任务规划与操作规划运动控制弱仅车辆纵横向控制强双足步态、机械臂柔顺控制从“控制车轮”跨到“控制身体”仿真迁移中驾驶仿真测试体系成熟强sim-to-real迁移经验低成本生成海量训练场景降低依赖真机我身边不少朋友看到这起收购第一反应是“Mobileye为什么不自己做”。这个问题我放到后面行业卡位那部分细说但至少从技术栈看Mentee并不是一个简单的补短板棋子而是帮Mobileye把“会开车的AI”升级成“会干活的AI”的关键补全。2. 物理AI的本质同一套“身体经验”开始跨场景复用2.1 为什么“物理AI”突然变成了最热的牌桌过去十年AI的主战场在数字世界识别图片、生成文字、推荐内容。这些东西本质上是在信息空间里做模式匹配不承担物理世界的后果。但“物理AI”这个词指的是AI要直接作用于物理世界它得感知真实环境、做出真实动作并承担错误带来的真实损失。用大白话说数字AI是“看键盘敲字”物理AI是“下场搬砖”。开车是物理AI机器人做家务是物理AI工业系统里的自动化决策也是物理AI。区别在于数字AI答错一道题损失的是分数物理AI判断错一个障碍物可能直接造成损失。过去为什么物理AI很难做传感器贵、算力贵、数据获取难。现在这三件事的边际成本都在快速下降物理AI才重新被抬上牌桌。Mobileye从第一颗EyeQ芯片开始本质上做的就是这个方向——只不过过去的载体局限于车现在想把同一套逻辑放到更大的物理世界里。2.2 自动驾驶与机器人共享的底层技术栈如果你把自动驾驶和人形机器人的技术栈放在一起看会发现底层重合度非常高。感知层两者都需要视觉为主、多传感器融合都需要理解“我周围有什么、什么在动、什么可能挡我的路”。预测层都需要对环境中其他个体行人、车辆、另一只机械臂的意图进行推断。规划层都需要生成一条安全、平滑、可执行的运动轨迹。控制层都需要把规划结果变成电机或者执行器的真实动作。我做过一个不太严谨但很形象的类比一个已经在城市里开了十万公里的老司机转行去学操作叉车或者机械臂肯定比一个从没接触过物理世界的人快得多。因为他已经建立了“空间感知风险评估动作执行”的通用的直觉。Mobileye收购Mentee本质上就是让这棵技术树的根系同时长出两条枝干一条面向行车一条面向机器人。2.3 仿真-现实迁移能力才是真正的护城河自动驾驶行业这几年已经验证了一个结论纯粹的实车路测数据成本高到无法支撑规模化训练。所以主流玩家都在建自己的仿真平台在虚拟世界里生成海量corner case再想办法把仿真中学到的能力迁移到真车上。人形机器人面对的这个问题更极端。真机试错成本高一跤摔下去可能就是几万块的硬件损伤而且一秒钟只能产生很少量的有效操作数据。行业里现在流行的解法是“遥操作采集仿真扩充”让人远程操纵机器人做动作记录轨迹再在仿真环境中做数据增强。Mentee在这个方向上积累的经验和Mobileye的仿真测试体系放在一起会产生很有意思的化学反应。Mobileye擅长构建大规模场景数据库Mentee擅长把仿真策略往真机迁移两边技术栈一拼一条“虚拟训练、真机落地、数据回流”的完整闭环就成型了。这比单独买一家只能做硬件集成的公司值钱得多。3. 技术栈迁移的四个关键层从会开车到会干活3.1 感知层从“看清路”到“看懂整个世界”自动驾驶的感知目标非常聚焦车道线、红绿灯、车辆、行人、障碍物。它的输出是结构化的围绕驾驶任务设计。但机器人面对的是开放场景需要理解“这是一个杯子”“这个抽屉可以拉开”“这个人伸手是要握手还是要递东西”甚至还要把语言指令和视觉目标对应起来。这个迁移不是简单换一个检测头就能完成的。Mobileye的核心能力积累在道路场景而Mentee的感知模型更偏室内交互场景包括手-物交互、物体状态感知、场景语义理解。两者结合之后感知层的覆盖面会从结构化道路扩展到半结构化甚至非结构化空间。我在实际项目中见过太多“感知模型在A场景刷爆、到B场景直接崩”的案例。跨场景迁移最忌的就是只搬模型结构不搬数据分布。所以Mobileye这步棋真正的风险点也在这里能不能把Mentee感知模型的数据管线完整接入自己的数据平台。3.2 决策与规划层从轨迹规划到任务规划自动驾驶的规划核心是“在约束下找一条安全路径”。它的时间尺度是秒级空间尺度是道路拓扑。但机器人要把“人类的一句指令”分解成“一连串具身动作”这是任务级规划时间尺度更长、更抽象。比如你说“把桌上的苹果拿给我”自动驾驶式的规划完全束手无策因为它默认目标就是“到达某个位置”。机器人任务规划需要先理解“苹果在哪里”再决定“手伸过去的角度”还要处理“途中是否有障碍物”。这些能力Mentee在机械臂操作和移动抓取任务中已经有实际积累而Mobileye的驾驶策略引擎提供的是底层的轨迹生成和风险评估能力。把这两层能力叠在一起才是真正的“物理AI大脑”上面的推理层负责分解任务下面的运动层负责安全执行。3.3 计算与实时性车规芯片能不能直接当机器人芯片用Mobileye手里最硬的资产其实是芯片和计算平台。但这里存在一个常被忽略的差异自动驾驶芯片和机器人控制芯片工作节奏不一样。自动驾驶的感知决策链路是毫秒级机器人灵巧手和双足平衡的控制循环往往要跑到千赫兹级别。这就对计算架构的实时性提出了更高要求不能像跑大模型一样异步推理要保证确定性延迟。Mobileye的芯片优势在于低功耗、高能效的感知加速但需要针对机器人运动控制场景重新设计加速单元。这也是很多智驾芯片公司杀进机器人赛道时最容易踩的坑——车端SoC直接搬到机器人上功耗和实时性完全不匹配。Mobileye如果能把芯片的实时计算能力补强它的平台优势会非常明显。提示做技术迁移时不要只看算法能不能跑通一定要先看控制时延能不能满足执行器需求。4. 行业卡位为什么这起收购背后是物理AI的“圈地运动”4.1 物理AI赛道上的三类玩家都在抢时间现在物理AI赛道已经挤满了几类背景完全不同的玩家。第一类是自动驾驶公司它们手里有感知、规划、仿真和数据闭环的经验缺的是“手”和“身体”的控制能力第二类是传统机器人公司它们有扎实的机械和控制积累但在AI感知和数据驱动方法上相对偏弱第三类是大型模型公司它们有很强的通用推理和语言理解能力但在物理执行上比较欠缺。Mobileye属于第一类也是最积极向“具身智能”延伸的一类。收购Mentee之后它在三类玩家中拿到了一张相对完整的票有自动驾驶级的感知、有车规级芯片、有人形机器人的身体控制、还有仿真迁移能力。这套组合的完整性不是靠一两个单点突破能追上的。4.2 为什么是收购而不是自研我经常被问到一个问题像Mobileye这种公司砸钱自研一个机器人团队很难吗表面上看不难实际上难得多。机器人这个方向从0到1最大的瓶颈不是钱和决心而是团队手里的“手感”。双足稳定控制、机械臂力控、sim-to-real迁移每一个方向都是需要大量真机调试经验才能磨出来的隐性知识。这些知识不在论文里在实验记录里在失败样本里在团队成员的肌肉记忆里。自研团队至少需要两三年才能磨出这种手感而收购直接买断了这个时间差。行业里有个共识在技术窗口期时间比钱贵得多。所以Mobileye选择收购本质上是花钱买时间趁牌桌还没完全洗定先把位置占住。4.3 对普通从业者和团队的启示如果你本身做自动驾驶研发这条新闻最值得关注的点不是股票能不能涨而是另一个信号智驾技术栈的下一个变现出口很可能是机器人和物理AI。这意味着早年间积累的感知、规划、仿真经验贬值速度会比想象中慢。你现在的技术栈可能就是未来机器人大脑的前身。对团队而言也一样手里如果有被验证过的物理世界理解能力完全可以考虑双向布局一条腿守住汽车业务一条腿试探机器人场景。物理AI的窗口期不会永远开着越早拿门票越主动。5. 普通团队怎么跟进我在实操中验证过的几条路径5.1 切入点别一上来就做人形机器人很多团队一听“物理AI”就很兴奋想直接做双足人形机器人。我劝大家冷静这个方向对资金、供应链、硬件设计能力的要求都极高不适合普通团队开局。更适合的切入点是“单点智能场景”比如把机械臂加视觉系统组合成一套分拣工作站或者在上料、质检这类重复性劳动场景里做自动化决策。这类场景限制多、复杂度低但能快速帮你把“感知-决策-控制”的数据闭环跑通。Mobileye这种巨头可以一步到位买最优资产普通团队应该先用小场景练兵把物理AI的核心技术栈打磨扎实。5.2 数据策略把低成本数据采集当成第一优先级做物理AI项目最大的成本往往不是算法而是数据。真机试错太贵纯仿真的数据又有sim-to-real的鸿沟。我的经验是前期一定要建立“遥操作采集仿真生成”两条腿走路的数据管线。遥操作设备不需要很贵我曾用一套几百块的改装设备完成过抓取轨迹采集关键在于标注协议要标准化。仿真数据则要刻意加入噪声和随机化否则迁移到真机时性能会明显掉档。不要等到真机部署那天才考虑数据回流从第一天就要设计好“谁来做标注、数据存哪里、如何做版本管理”。5.3 团队架构软硬解耦别让算法被工程拖死物理AI是典型的软硬结合工程。但软硬混在一起管理很容易出现“算法在等硬件调试、硬件在等算法参数”的死锁。我给团队的建议是把架构拆成三个解耦层感知与决策算法层、平台工程层包括计算设备和传感器、执行控制层。三部分各自独立迭代只在接口处对齐。这样可以最大程度降低协同成本也方便后续替换单点供应商。很多团队失败不是技术不行而是三层互相绑死一改一个环节全盘重来。注意别盲目追求算法的复杂度。物理AI场景的坑有相当一部分出在坐标系标定、时延控制、数据对齐这些“脏活”上。6. 行业讨论中常见的误判和一些实际心得6.1 我常看到的误判第一个误判是“自动驾驶公司做机器人纯粹是蹭热点”。这种观点低估了物理世界理解能力迁移的合理性。开过高速的感知模型和抓取杯子的操作模型确实不是同一个东西但它们共享的视觉骨干网络、仿真闭环逻辑、功能安全框架都是能被复用的资产。Mobileye收购的是一个互补性资产不是两个无关业务的拼接。第二个误判是“买下团队就等于买下未来”。并购交易完成只是第一步真正的挑战在后面两套技术栈怎么融合、两套数据管线怎么打通、两支团队怎么在一个文化下协作。业内并购失败案例大多不是因为眼光错而是因为消化太差。Mobileye接下来最难的不是签协议而是让Mentee的算法真正跑进自己的芯片和平台生态里。第三个误判是“物理AI等于大语言模型加上一个身体”。大模型确实带来了很强的常识推理能力但它离真实物理世界还隔着一层厚厚的工程问题关节怎么控制、力怎么感知、实时性怎么保证。物理AI的本质仍然是物理约束下的智能语言模型只是其中的一块拼图而不是全部。6.2 我自己的几条实操心得第一仿真和真机要同步跑起来。不要等仿真做到完美才上真机那样永远等不到。正确的姿势是仿真和真机并行调试把差距当作反馈来修正仿真环境。第二先解决“做得到”再考虑“做得好”。在物理AI领域稳定重复地做一个简单动作价值远高于偶尔做成功一个复杂动作。工程团队宁可保守也不要追求演示效果。第三一定要算清楚每次试错的成本。真机实验的损耗、调试时间、人工干预成本都会悄悄吃掉项目利润。做实验设计的时候先问一句这个步骤能不能先在仿真里完成如果可以坚决先在虚拟环境做一轮筛选。第四场景选择比技术选择更决定生死。封闭的、重复的、容错容伤成本低的场景才是物理AI早期落地的好场景。那些看起来酷炫但容错率极低的场景留给巨头去探索就好。7. 写在后面这起收购给我个人的两点触动最后说点我自己的感受。这起收购之所以值得专门拆解不是因为它金额多大、技术多炫而是它代表了一种趋势的实锤智能汽车和机器人之间的技术围墙正在被快速拆除。我这两年越来越明显地感觉到过去那种“我会开车但你去做家务大家井水不犯河水”的思维正在被物理AI的统一目标取代。所有需要感知真实世界、做出物理动作的智能体最终都会汇流到一个共享的底层平台。Mobileye收购Mentee等于是在这个汇流的交汇处提前立了一个标志牌。对于正在做自动驾驶或者机器人方向的朋友我个人最大的建议是一个词别急着选边。不要觉得今天做车就一辈子做车也不要觉得做机器人就彻底抛弃汽车经验。底层的感知、预测、规划、仿真每一个环节的技能都是未来通用的。多积累跨场景迁移的能力多理解物理约束下的系统设计这些才是长期不会贬值的部分。这起收购最终能不能成功消化还需要时间验证。但至少它给出一个明确的信号物理AI的牌局已经开打头部玩家开始用并购来换速度。作为普通技术人我们要做的就是看清单上的牌握住自己手里那几张可迁移的能力牌然后在合适的时候出场。