高德开源ABot-M0：具身基座模型如何映射特斯拉与中国车企AI分野

2026-03-31，高德把具身操作基座模型 ABot-M0 “全量开源”了。更硬的数字是：在 Libero-Plus 基准上，它的任务成功率做到 80.5%，相对业内此前标杆方案 Pi0 提升近30%（来源：36氪快讯原文）。

很多人把这类消息当成“机器人圈的热闹”，但我更愿意把它看作一面镜子：它照见了特斯拉与中国汽车品牌在 AI 战略上的核心差异——一个更偏向封闭体系、端到端整车集成；一个更擅长通过开源与生态协作，把迭代速度拉到极限。

本篇作为「人工智能在机器人产业」系列的一部分，我想用 ABot-M0 这次开源做线索，聊清楚三件事：

• 具身操作基座模型到底解决了什么问题，为什么会外溢到自动驾驶与整车智能化
• **开源（生态迭代）与封闭（系统集成）**各自的强项与代价
• 对中国车企/供应链来说，下一步该怎么把“模型能力”变成“整车能力”

ABot-M0开源意味着什么：把“通用大脑”做成公共底座

**结论先说：ABot-M0的价值不在于某一个机器人能干多少活，而在于它尝试用统一架构，把“操作能力”抽象成可复用的基座。**这会显著降低不同形态机器人（轮式、双臂、移动操作、家居场景等）从0到1的成本。

36氪快讯提到，ABot-M0是“全球首个基于统一架构的机器人具身操作基座模型”，可实现一个“通用大脑”适配多种形态的具身机器人。你可以把它理解为：

• 上层是通用的感知-决策-控制表示（处理视觉、状态、动作序列）
• 下层是不同机器人本体的适配层（不同关节、末端执行器、传感器布局）

为什么具身操作会影响到“车”？

因为自动驾驶和具身机器人，本质上都在做同一件事：让智能体在物理世界里闭环行动。

区别在于：

• 自动驾驶的“手”是转向、加速、制动；环境更大、更快，风险更高
• 具身机器人的“手”是真正的机械臂/夹爪；环境更近、更杂，接触更频繁

但两者共享的关键能力高度一致：

• 多模态感知（视觉为主，融合状态/地图/语义）
• 时序决策（连续动作规划）
• 失败恢复（动作不确定性、物体滑移、遮挡、传感噪声）

换句话说：**具身操作基座模型的成熟，会把“端到端控制”的方法论、数据管线、评测体系带回到车端。**这也是为什么汽车公司最近两年频繁谈“世界模型”“端到端”“具身智能”，不是跟风，是技术栈正在汇合。

开源加速迭代：高德式路径的真正优势与隐忧

结论：开源的核心优势是“更快的外部试错”，但真正的护城河从来不是代码，而是数据、场景与工程化闭环。

ABot-M0选择全量开源，等于把研发的“增量杠杆”交给生态：高校、初创、集成商、甚至竞争对手，都可能在它之上做微调、做数据合成、做任务扩展。

优势1：把长尾任务交给生态去覆盖

具身操作的难点，常常不在“把杯子拿起来”，而在长尾：不同材质、不同光照、桌面凌乱、目标被遮挡、夹爪打滑、门把手阻尼变化……

开源后，生态能以更低成本扩展：

• 新任务：厨房、家居、仓储分拣、零售补货
• 新本体：不同机械臂、不同夹爪、移动底盘
• 新数据：真实采集、仿真合成、远程遥操作

优势2：更快形成“事实标准”

当一个基座模型在多个权威基准上做到 SOTA，并公开出来，社区的默认选择很可能就会倾向它。对中国企业来说，这种“先占生态位”的策略很实用：

• 让人才、工具链、评测脚本围绕你转
• 让上下游的集成成本下降

隐忧：开源不等于能落地，更不等于能赚钱

我见过不少团队“模型跑通了，交付没做成”。原因通常不是算法，而是工程：

• 真实环境分布漂移：工厂/门店每天都在变
• 软硬件协同：相机标定、时间同步、控制频率、力控安全
• 可靠性指标：一周无故障、可维护、可诊断

对车端同样成立：车企真正要交付的是“稳定可复现的用户体验”，不是论文上的指标。

特斯拉为什么更像“封闭派”：把AI能力锁进整车系统

结论：特斯拉的强项不是“开源速度”，而是“整车系统级 AI 集成能力”——从数据、算力、软件栈到交付责任都在一个闭环里。

把特斯拉的策略说得直白点：

• 宁可慢一点公开，也要把核心能力留在内部
• 宁可自研更多组件，也要保证端到端一致性

封闭策略的收益：端到端一致性与责任边界清晰

在自动驾驶/智能驾驶领域，最终要背的是：安全、合规、事故责任、可解释性与可追责。封闭体系更容易做到：

• 数据定义统一：什么场景采、怎么标、怎么回流
• 训练目标统一：感知与控制一体化的优化目标
• OTA交付统一：功能开关、灰度策略、回滚机制

当你把 AI 作为整车“主系统”而不是“一个功能模块”，封闭带来的管理收益非常明显。

封闭策略的代价：外部创新溢出少，适配扩展更慢

问题也很现实：

• 新场景、新地区法规、新硬件平台的适配，主要靠内部资源
• 外部生态难以直接贡献模型能力（除非通过供应链合作）

所以你会看到一个对比：

• 中国企业更容易出现“多点开花”，但一致性与整合难
• 特斯拉更容易做“强一致体验”，但扩张路径更依赖自身节奏

一句话概括这条分野：开源派追求“更快的学习”，封闭派追求“更稳的交付”。

从ABot-M0回看中国车企：AI战略真正差距不在模型，而在闭环

结论：未来2-3年，中国车企要把优势从“模型/功能堆叠”迁移到“系统闭环能力”，否则开源红利会停在Demo阶段。

很多车企谈 AI，会落到“我用了某个大模型”“我接了某个端到端方案”。但用户买单的不是模型名词，而是：

• 是否真的减少接管
• 是否在城市复杂路口更像“老司机”
• 是否在泊车、召唤、窄路会车时稳定可靠

车企落地的4个关键动作（可直接照着做）

1. 把数据回流做成“生产系统”：明确触发回流的事件（急刹、接管、失败泊车、误识别），并形成自动化训练集更新节奏。
2. 建立统一评测与回归体系：把线上问题映射为离线可复现用例，保证每次迭代“进步可验证”。
3. 模型与整车控制边界重新定义：端到端不是“全丢给网络”，关键在安全冗余与失效降级。
4. 用开源当加速器，而不是当依赖：可以基于开源基座做预训练与能力扩展，但核心场景的数据、标注规范、交付指标要握在自己手里。

“具身操作”会带来哪些汽车产品机会？

具身方法论进入车端后，可能先在这三类能力上体现：

• 车内智能体：更自然的语义到动作（空调、座椅、媒体、导航联动），从“指令”变成“任务”。
• 泊车与低速操作：更像机器人操控，强调精准、可恢复、抗干扰。
• 自动充电/换电/补能协同：车与充电设施的“协作操作”，本质也是具身交互。

常见问题：ABot-M0会直接威胁特斯拉的护城河吗？

直接威胁不大，间接影响很大。

• 不直接：特斯拉的护城河更多来自整车数据闭环、软硬件一体化、OTA交付体系与系统责任。一个开源具身模型很难“替换”这套闭环。
• 但会间接：开源会让中国生态更快把“操作式智能体”的工具链跑通，从数据采集、仿真、评测到部署的成本下降；当这些方法迁移到车端时，中国品牌迭代速度会更快。

我更愿意把它看作一场“供应链能力升级”：当基座模型变成公共基础设施，差异就会上移到系统工程与数据运营。

写在系列文章的末尾：共享与自建，最终都要落到交付

ABot-M0全量开源是一种强信号：中国企业正在用“共享+快速迭代”把具身智能的门槛拉低。这对机器人产业是好事，对汽车智能化同样是好事——因为两条技术路线正在互相借力。

但我也想泼一点冷水：真正决定胜负的，不是你用的是开源还是封闭，而是你有没有能力把 AI 变成可持续交付的整车体验。特斯拉擅长的正是这一点；中国品牌的机会在于，用开源生态跑得更快，同时把闭环补齐。

如果你正在评估“开源基座模型能否用于智能驾驶/整车智能化”，或者想把具身智能的方法论引入企业数据闭环，我建议先做一件事：把你们最痛的20个失败场景列出来，逐一定义数据回流与可复现评测。

下一篇系列文章，我想继续追问一个更尖锐的问题：当“通用大脑”越来越便宜，车企的 AI 竞争会不会变成“谁的数据运营更像互联网公司”？

（信息来源：36氪快讯《高德全量开源具身操作基座模型ABot-M0》，发布时间 2026-03-31 03:38）