从 CES 2026 看自动驾驶与具身智能：一位哈佛博士后的现场观察

2026 年 CES 上，自动驾驶与具身智能成为最受关注的两大赛道。哈佛大学计算机博士、具身智能研究科学家王玮滢（Wayne）在展会现场，与清华 MBA 人工智能俱乐部及 WayToAGI 社区进行了一场连线分享，从 Waymo 与 Tesla 的路线之争，到国产人形机器人的成本优势与落地困境，给出了大量一线观察与判断。本文适合关注自动驾驶、具身智能投资方向，或想了解 AI 硬件落地现状的从业者与爱好者阅读。

自动驾驶：Waymo 的高精地图路线与 Tesla 的 FSD 路线

▶ 10:50 · 看这一节

王玮滢此前在北美一家自动驾驶公司负责 3D vision、大规模自动化建图以及 VLM 的落地与推理工作，对 Waymo 与 Tesla 的技术路线有近距离观察。他认为，Waymo 与国内厂商的路线差异非常明显：Waymo 坚持高精地图路线，车辆配备 19 个摄像头和多个 Lidar，成本高昂；而国内主要推行无图策略，这与国内城市基础设施变化迅速、地图更新成本高有关。

对于 Waymo 技术路线的可持续性，王玮滢认为其成本账已经能算清楚。他提到，Waymo 的 Mapping machine 效率非常高，融合了大量 Google map 技术，对实时车队的 world change detection 自动化流程效率很高，大幅降低了高精地图的更新成本。同时，Waymo 正在大面积招聘自动化建图方向的人才，试图将建图流程高度自动化。车辆成本方面，Waymo 从捷豹转向极氪、现代 Ionic five 等供应商后，车本身成本也在大幅下降。目前 Waymo 在旧金山和洛杉矶已实现大规模运营，基本解决了高速问题，未来几个月内将完全开放高速能力。

相比之下，Tesla 从 2021 年从罗曼塔切换到 FSD 路线，经过三年努力，在 ICCV 上分享了相关工作，加强了在不破坏现有学习和训练策略下输出中间参数和数据产品的能力，用于后续行动的监督。但王玮滢认为，Tesla 的 robotaxi 路线仍有一段路要走。他以 Waymo 为例：Waymo 从有安全员到全自动化上路用了接近两到三年，而 Tesla 在车辆运营和维护方面面临更大挑战——建立大规模车辆仓库、充电物流等问题难以完全自动化，需要大量人力投入。

数据效率：自动驾驶与具身智能的共同难题

▶ 22:26 · 看这一节

王玮滢强调，自动驾驶数据中 99% 是无意义的，如何高效获取那 1% 的有意义数据是关键。他特别欣赏 Tesla 今年在 ICCV 上分享的内容：采用 event based 方法，在海量数据中寻找"不 boring"的数据。他认为这一理念具有跨领域价值——具身智能同样面临数据 boring 的问题，"比如你在那操作自剪一个杯子，剪 1 万次，它其实意义不大，更多的是你怎么能触到这个数据的 Singular point"。

在具体方法上，王玮滢介绍了英伟达今年发布的 AI Physics 相关模型 palmio。该模型本质上解决长尾问题：通过 offline triager 对数据进行推理和分类，快速获取有意义的数据。他解释，palmio 的核心是让模型在走一步之后，对下一步进行自我 reasoning，形成思维链，与 LLM 中 CoT 的概念一致。相比传统的大规模测试和在线仿真方法，这种方式更高效——传统方法本质上还是显式的 detection 和表征，对算力和数据要求都非常高。

王玮滢还提醒，找到有意义的数据之后，还需要有效的增量训练方式，避免模型训练出现跷跷板效应。同时要考虑模型大小、实时推理延迟、硬件热效率等因素——"每秒的 latency 不能大于 100 毫秒，现在 100 毫秒说多了应该是 50 毫秒以下"。

具身智能：硬件将至，灵魂尚未到达

▶ 28:33 · 看这一节

谈及 CES 上印象深刻的具身智能产品，王玮滢首推 Boston Dynamics。在现代展馆的 demo 中，机器人动作的流畅度和对环境的重现能力令人惊叹。虽然演示可能仍有人工远程操作（teleop），但整体感觉非常棒。不过其造价高昂，"至少几十万美刀以上"。

对于国产具身智能，王玮滢充满信心但也保持清醒。他看好国内从国家层面到全行业的推动力度，以及硬件成本控制上的明显优势——"国内语数厂商将关节成本做到极致，几百块钱一个关节"。但他担忧应用场景有限："现在无非就是跳跳舞、搞搞教育、或者卖给各种 research lab"。他以自动驾驶行业的发展历程作类比，提醒要避免出现算法看似成熟但场景落地困难的情况，导致资本失去耐心。他总结道，目前国内具身智能处于"硬件将至，但是灵魂尚未到达"的阶段。

对于陪伴机器人，王玮滢认为其技术壁垒相对较低，市场竞争将主要体现在产品力上——包括市场营销、形象设计、UI 交互等。他预想中理想的陪伴机器人应接入个人信息网络，成为生产力、陪伴和生活需求相结合的产品形态："它要知道我今天经历了什么……我开了 9 个会，9 个会里面可能有一些四五个 action item，它是一个生产力加陪伴加生活的一个共需的产品形态，我才会愿意去买单。"从技术角度看，人的情绪需求可以被分类（"不会超过五种"），通过接入 Email、Slack 等信息流，结合强大的 chat bot 能力，可以实现对用户的认知和了解，提供半主动式的输出。

落地路径：工业场景优先，工程化思维是关键

▶ 52:17 · 看这一节

王玮滢认为，人形机器人最先可能应用于工业制造业，因为工业场景相对结构化，地面和工厂蓝图已知，本质上是"把固定的机械臂变成一个可以移动的机械臂"。相比之下，非固定场景（如家庭环境）对模型的要求更高，需要同时感知固定和动态世界，而目前端侧算力有限，难以满足需求。

对于工业场景落地中数据难以出域、私有化部署和泛化困难等问题，王玮滢认为需要采用工程化的方法，而不是追求最前沿、最花哨的技术。他以 Waymo 为例："Waymo 的很多算法其实相对是传统的，谷歌本来就是一个比较传统的厂，它对于算法的要求是稳定再稳定，而不是说这东西有多么的 Fancy Innovation。"在具身智能或工厂应用中，应采用多个模型共同工作的方式——有些模型具有强泛化能力，有些模型更侧重于底层运控，根据实际需求进行取舍，避免试图用一个模型解决所有问题。

王玮滢明确表示不认同北美具身智能强调机器人通用化模型的叙事："机器人你一步跨三步我觉得是非常困难的。"他建议将目光聚焦在当下，利用国内供应链优势和低成本，集中精力做好垂类应用。他看好国内大型制造业厂商在具身智能领域的投入："他手上是有资金的，他不需要去讲这个叙事，他想要做到的就是解决问题，我把这么一个工种、两个工种给他替代掉。"

行业终局与工程师出路

▶ 47:58 · 看这一节

对于国内自动驾驶厂商的最终存活数量，王玮滢认为从商业规律来看不会超过三家："你一旦开始去运行 1,000 辆车以上的这个车队，这个地方没有 Magic，你的很多成本就是硬成本，你的车你的损耗成本都在那的，它不是一个小成本的事，也不是一个创业团队能做的事情。"他认同 Chelsey 的判断——国内头部效应可能更明显，商业竞争可能导致价格战和成本竞争，资金实力较弱的企业会因资金流问题被淘汰。

对于乘客何时无需坐在主驾驶位置，王玮滢认为在 robotaxi 场景下时间尺度约为 3～5 年。他的信心来自 Waymo 已经探索出一条可行的道路："至少 Waymo 摸出来一条路，这条路你不管它的成本如何，你确定现在它看下来它是能 work 的。"一旦 FSD 达到一定规模（如一个城市 1,000 辆车），就证明该路线可行，后续资本会更愿意投入。

面对 AI 对工程师职业的冲击，王玮滢认为 AI 暂时无法替代工程师处理复杂问题的能力。他指出，工程师需要将抽象的问题分解为数据问题、工程设计问题、验证评估问题等，再转化为不同的 prompt 让 AI 生成代码，同时根据自己的理解对 AI 输出进行修改和鉴别。"如果你完全不懂一个东西，你要 AI 去生成一个东西，这是个非常糟糕的主意……你生成出来的东西，你可能无法去鉴别它的好坏。"因此，将抽象问题转化为实际工程方案的能力，是工程师短期内的核心竞争力。

现场问答

▶ 37:23 · 看这一节

智驾从 L2.99 往 L3 跨越，各家是怎么想的？识别错误怎么解决？

王玮滢认为行业目前存在分歧，核心是是否需要激光雷达。Waymo 以激光雷达为骨干，发生碰撞的概率较低；反方观点认为人能通过视觉判断距离，算法也可以。但他对纯视觉方案在极端情况下的可靠性表示怀疑——他以暴雨中开车为例，人类会基于统计型模型和直觉做出判断，但"视野不完全被遮挡那么一瞬间，它其实有低概率的事件发生的，比如一个路边小孩突然冲出来了"。目前 Waymo 采用激光雷达方案已取得一定成功，"上周一周就有 40 万订单，且未出现重大事故"。

国产具身智能厂商在 CES 上有哪些技术亮点？与国外机器人有什么差别？

王玮滢认为国内在硬件成本控制上优势明显，但应用场景有限。他特别提到 Boston Dynamics 的 Atlas 虽然惊艳，但"无论它多么惊人，它的成本在哪摆在那的，我们永远不可能说用 30 万、40 万一个成本的工人放到工厂里面去替代普通工人"。

人形机器人最先会用在哪些行业？

王玮滢倾向于工业制造业，因为场景相对结构化。但他也强调工程落地需要多模型协作，不能指望一个模型解决所有问题。

国内自动驾驶厂商最后会剩几家？距离不用坐主驾驶还有多远？

王玮滢认为不会超过三家，robotaxi 场景下 3～5 年可实现。关键在于"看谁把这个路趟出来之后就走就好了，往里面投钱走就好了"。

要点回顾

• Waymo 坚持高精地图路线，通过高度自动化的建图流程和更换低成本车辆供应商，正在大幅降低成本；国内因城市变化快，更适合无图策略。
• Tesla 的 FSD 路线在数据效率和增量训练上做了大量工作，但大规模车队的运营维护成本是难以跨越的硬成本。
• 自动驾驶数据 99% 无意义，关键是高效获取 1% 的有意义数据；英伟达 palmio 模型通过 offline triager 解决长尾数据问题。
• 国产具身智能硬件成本优势明显（关节几百块钱一个），但应用场景有限，处于"硬件将至，灵魂尚未到达"的阶段。
• 人形机器人最先落地的场景是工业制造业，需要多模型协作的工程化思维，而非追求通用化大模型。
• 自动驾驶领域最终存活企业不会超过三家；robotaxi 场景下乘客无需坐主驾驶约需 3～5 年。
• 工程师的核心竞争力在于将抽象问题转化为实际工程方案的能力，AI 短期内无法替代这一能力。