过去几年，中国汽车行业最令人瞩目的主线是什么？智能驾驶的进展，应该算一个。几乎每一家车企和方案商，都在讲模型、算力和数据。

但话说回来，技术密集型的行业里，真正决定技术能否落地的，往往是工业能力。汽车说到底，仍然是个重资产制造业。

工业能力，才是智能驾驶落地的关键

企业发布新的端到端架构，强调更大的训练规模、更高的接管里程。它们还在从 VLM 向 VLA、世界模型演进。车辆是智能终端，持续在物理世界中感知、推理和行动。

不过，模型最终要靠域控制器、摄像头、激光雷达和整车电子电气架构，才能进入现实世界。

软件能力能不能稳定地装进几十款车型？能不能适配乘用车、商用车、无人物流车？

这考验的已经不光是算法，还包括硬件设计、工程验证、供应链管理和制造质量。

工业能力落地的样本：卓驭常州工厂

7月23日，卓驭科技常州工厂正式启用。随着这座工厂投产，卓驭形成了深圳和常州两座制造基地。

这扩大了域控制器、视觉感知系统和激光雷达等产品的生产与交付能力。常州工厂的投产，是工业能力让技术落地的一个典型例子。

从单车方案走向智能移动基座

卓驭此前提出过一个很有意思的想法：“移动物理 AI，智能一切移动”。

简单说，就是希望把智能驾驶积累的感知、决策和控制能力，扩展到不同形态的移动设备上。比如乘用车、商用车、物流车、Robotaxi，甚至具身智能机器人。

这其实意味着，智能驾驶技术正在从“专车专用”的项目制开发，转向可复用的基础模型和软硬件平台。

传统的智能驾驶系统，通常是围绕车型和功能拆分模块。感知、预测、规划和控制各自开发。不同车型还得重新采集数据、调整参数、做工程适配。车型越多、市场越广，研发和交付成本也跟着水涨船高。

基础模型的价值，就在于尝试提取不同任务之间的共同规律。

卓驭的原生多模态基础模型，能够统一处理视频、文本、动作、语音和地图等信息。训练数据也从道路驾驶，扩展到互联网内容和移动机器人第一视角数据。他们希望借此提升模型在不同车型、场景和地区之间的迁移能力。

这与当前智能驾驶和具身智能的技术方向，存在明显的交集。

汽车、机器人和无人运输设备面对的任务不同，但都需要完成相似的闭环：

• 通过传感器理解环境
• 根据目标形成决策
• 控制机器执行动作

随着模型结构逐渐统一，智能驾驶积累的大规模视频数据、空间理解能力和运动控制经验，也开始被用于更广泛的物理 AI 场景。

当然，不同设备在运动学模型、安全标准和运行环境上的差异还很大。一辆高速行驶的汽车、园区里的物流车和室内机器人，很难直接共享完整的控制系统。更现实的路径，是先共享视觉表征、空间理解和行为预测等底层能力，再针对不同设备做工程适配。

卓驭目前已经形成了覆盖约 200 到 1400 TOPS 的域控制器产品线。并布局了惯导双目、惯导三目、长短焦视觉模组、激光视觉融合方案，以及近距激光雷达。这些产品共同承担一个功能：把模型转换成车辆和移动设备能够调用的感知与计算能力。

过去，软硬件的协同，更多是为了解决性能和成本问题。比如通过定制算法提高芯片利用率，或者通过传感器配置覆盖不同价格区间。到了基础模型时代，硬件平台还承担了另一项任务：为模型的持续迭代，提供一个相对统一的部署环境。

当一套模型需要服务十几家车企、上百款车型时，硬件过度碎片化会显著增加适配成本。不同芯片平台、摄像头规格和传感器组合，都可能影响模型表现。统一的域控和感知硬件，可以减少算法与车型之间的接口数量，也更有利于后续 OTA 和数据闭环。

根据规划，卓驭常州工厂建筑面积约 5565 平方米。初期将导入 3 款重卡产品和 1 款无人物流车产品的域控制器生产。2027 年进入稳定运营阶段后，还计划承接乘用车域控、补盲雷达和车载无人机等产品。这座工厂和动辄数十万平方米的汽车制造基地不太一样，它并不是一座追求庞大产能的工厂。

智能驾驶硬件通常具有批量较小、型号较多、迭代频繁的特点。域控制器需要满足车规级可靠性要求，视觉模组涉及光学标定，激光雷达则包含更复杂的测试和校准流程。产品从研发样机进入量产，需要重新建立生产节拍、质量检测、软件烧录和全流程追溯体系。

智能驾驶的竞争，也包括工业能力

卓驭目前的数据是：

• 乘用车量产车型超过 50 款，定点合作车型超过 130 款。
• 商用重卡业务已经与多家头部企业合作，高速 NOA 产品进入量产阶段。
• 公司与宇通合作的客车 NOA 计划于 2026 年 9 月量产交付。
• 无人物流和 Robotaxi 业务也在推进导入和试运营。

这些业务之间的差异很大。乘用车关注成本、体验和车型迭代速度。商用车更重视运营效率和全生命周期可靠性。无人物流车通常运行在限定区域，对远程运营和故障处置提出了新要求。

所以，卓驭需要面对的，和蔚来、理想、小鹏这些只针对自家少数车型的车企不同。他们面对的需求要复杂得多。

智能驾驶产业此前已经经历过一轮从演示功能到规模量产的筛选。进入基础模型阶段后，类似的过程可能再次发生。发布模型、完成道路测试只是起点，真正困难的是：

• 将模型部署到不同车型和计算平台
• 在复杂供应链中保持性能一致
• 持续处理量产后的长尾问题

具身智能领域，也会面对相似的挑战。今天的机器人行业仍然高度关注模型能力和训练数据。但随着产品逐渐进入工厂、仓储和商业服务场景，硬件可靠性、制造一致性和维护成本，将迅速变得重要。智能驾驶行业过去十年建立起来的车规级工程体系，可能成为物理 AI 向现实场景扩张时，可供借鉴的一套方法。

最能体现工业能力的一个细节是：常州工厂从开工到厂房交付，只用了 73 天。工厂未来将导入 IATF 16949、ISO 9001、VDA 6.X、TISAX 和 A-SPICE 等标准体系，覆盖汽车质量、信息安全、软件开发和供应链管理。

对卓驭而言，常州工厂补上了从模型、算法到硬件生产的一段链条，也让“移动智能基座”有了产能保障。对于任何一个卓驭的客户来说，要获取他们的信任，除了模型能力和硬件能力，制造能力同样重要。