CES 2026 物理AI启示录：自动驾驶与机器人同一战场

拉斯维加斯的 CES 2026，有个变化很直观：“AI”不再只出现在云端和屏幕里，而是长在了轮子、机械臂和“手指”上。从巨头主题演讲到最小展台，反复被提及的关键词不是大模型本身，而是 Physical AI——把感知、决策、控制装进真实世界的机体里。

这件事对自动驾驶行业尤其敏感。因为自动驾驶其实也是物理AI：同样要解决“看见—理解—行动”的闭环，同样会被数据、算力、传感器和工程化能力卡住。更关键的是，特斯拉式的端到端路线与中国车企更常见的多传感器、多供应链协同路线，正在与机器人行业在 CES 2026 上呈现出的趋势产生共振。

作为「人工智能在机器人产业」系列的一篇，我想借 CES 2026 的三个热点（人形、陪伴、任务型机器人）回答一个更现实的问题：下一波真正能落地的物理AI，会长什么样？而自动驾驶公司该从机器人身上学到什么？

1) CES 2026 给物理AI定了调：比“聪明”更重要的是“能用”

CES 的信号很明确：物理AI从实验室走向消费与产业，不靠炫技，而靠可部署性。你会看到大量产品并非学术意义上的“最先进”，却在可制造、可维护、可售卖上更像一门生意。

这对自动驾驶同样成立。过去几年行业最容易“自嗨”的部分，是把能力展示当成落地。但 CES 2026 的展台提醒你：

• 演示 ≠ 交付：Boston Dynamics 的 Atlas 仍有相当部分依赖遥操作（teleop）完成展会表现，团队也公开承认软件栈仍在推进。
• 场景决定上限：物流机器人可以“宁撞墙不撞人”，因为没有乘客和乘员安全的权衡；这使得它们能更快规模化。
• 数据是第一性瓶颈：多家厂商反复强调，VLA/VTLA（视觉-语言-动作/视觉-触觉-语言-动作）模型真正难的是“为每个平台、每个任务调通”，而这背后就是数据获取与标注的成本。

一句话：物理AI的竞争不是“谁更会说”，而是“谁更能在现实里稳定做事”。

2) 人形机器人热潮背后：路线分化已经很像自动驾驶

CES 2026 最显眼的主题是人形机器人。不同公司给出的产品形态差异很大，但我认为可以归为两类，这个分类和自动驾驶的分化非常像。

2.1 工业优先：先把ROI打出来

以 Atlas（面向重载工业，身高 1.9m，负载 50kg）、Agility Robotics（工厂场景）、Humanoid 与 Schaeffler 的合作展示为代表，逻辑是：

• 场景结构化、任务可定义（搬运、分拣、上下料）
• 可用 KPI 衡量（节拍、稼动率、故障率）
• 规模化更像“制造业扩产”，而非“消费者教育”

这和自动驾驶里先从干线物流、园区、港口切入类似：监管更清晰、价值更可量化、容错边界可设计。

2.2 家用/护理优先：人机交互先行，但“速度与可靠性”仍是硬门槛

如 SwitchBot 的 H1（目标把价格打到约 1 万美元级别）、Fourier 的 GR-3（医疗与社交互动，售价约 10 万美元）、LG 的 CLOiD（接入智能家居，强调“零家务”愿景）。这些产品在情绪价值与互动上很吸睛，但普遍面临一个现实：

• 家庭任务看似简单，实际更“非结构化”（杂乱、光照变化、宠物、儿童、突发事件）
• 用户对容错极低：慢可以忍，失控不行
• 真正的痛点不是“会折毛巾”，而是“长期可靠地帮你省时间”

这也像乘用车自动驾驶：消费者愿意为体验付费，但最终付费与否看的是稳定性与可解释的安全边界。

3) 陪伴机器人爆发：大模型正在把“玩具”推向“产品”，但留存才是生死线

CES 上陪伴机器人数量惊人：KEYi Tech 的 Loona（小型轮式宠物机器人，强调情感互动）、桌面机器人概念机（接入云端工具）、OlloBot 的宠物形态机器人、Ludens AI 的 INU（“桌面外星人”，提醒休息）、以及 Sentigent 的 DuoRover（户外跟随、拍照录像）。

我对这个赛道的判断更直接：短期销量靠新奇，长期增长靠功能飞轮。而功能飞轮的核心是两件事：

1. 持续升级的能力：大模型让“对话”与“代理式任务”（如日程、信息整理）变得更自然，但必须和本体能力绑定，否则很快变成“会聊天的摆件”。
2. 明确的使用频率场景：比如“老人陪伴+用药提醒+紧急呼叫”“儿童学习+编程+家长管理”“户外记录+跟随运输”。没有高频场景，产品大概率进柜子。

对自动驾驶企业来说，这段历史很像“车机语音助手”的进化：能说不等于好用，留存来自于把一个具体任务做到极致。

4) 从物流机器人到自动驾驶：为什么“简化决策”能换来规模化？

任务型、非人形机器人在 CES 2026 上更“务实”，也更接近可复制的商业模型。例如：

• Hyundai 的 MobED：模块化四轮平台，强调越障与载荷平台稳定，做工像“豪华汽车零部件”。它提出一个问题：高质量硬件能否成为物理AI的品牌溢价？
• 玻利维亚 Nexus Patio Tech：以“部署优先”在当地街头运行 20+ 台，说明监管与商业路径会显著影响落地速度。
• 中国 Neolix：展示已部署规模（报道提及累计部署超 15,000 台不同尺寸车辆），并计划 2026 年上半年在葡萄牙试点。其方法论是“只做物流”，从而简化ODD（运行设计域）与决策空间。

这里的关键启示是：限制问题规模，往往比追求通用智能更快带来规模化。

把它翻译到自动驾驶：

• 端到端并不等于“无边界”，优秀的端到端系统也需要清晰ODD与数据闭环
• 多传感器也不等于“更安全”，如果工程复杂度拖慢迭代，安全收益可能被系统脆弱性抵消
• 最能跑通商业的，通常是“先把一个场景吃透”，再外扩

5) 特斯拉 vs 中国车企：从 CES 物理AI趋势看两条更现实的道路

把 CES 2026 的观察，映射到「自动驾驶 AI：Tesla 与中国车企的发展路径对比」，我更愿意用“系统工程成熟度”来解释差异，而不是简单站队。

5.1 端到端路线的优势：统一大脑、统一数据

特斯拉式端到端（从感知到规划更深度地融合）最大的优势是：

• 数据闭环更整齐：同一套栈、同一套采集逻辑，规模效应强
• 迭代更像软件产品：持续训练、持续发布
• 对硬件依赖更“克制”（以视觉为核心的思路更容易规模铺开）

但它也有代价：端到端需要海量高质量数据与严格的回归评估体系，否则“变聪明”与“变危险”可能同时发生。

5.2 中国车企常见路线的优势：多传感器冗余 + 供应链速度

中国市场更常见的路径，是多传感器（摄像头+毫米波雷达+激光雷达等）与多供应商协同，优势在于：

• 工程兜底更强：在边界场景下更容易构建冗余
• 产业链响应快：传感器、域控、线控底盘、地图与仿真服务的组合能力强
• 更适合在不同价位段“分层落地”（从高速NOA到城市NOA逐步扩展）

代价同样明显：系统复杂度提升，调参、标定、供应链一致性、软件架构耦合都会吞噬迭代速度。

5.3 CES 给出的中间答案：多相机 + VLA/VTLA，数据决定上限

CES 文章里一个很有代表性的“共识”是：多相机感知（不少带腕部相机）+ VLA 足以覆盖大量任务，再逐步加入触觉与 VTLA。

我认为自动驾驶会出现类似收敛：

• 传感器方案可能分化，但训练数据体系、仿真与回归、端侧算力与能耗会成为共同硬门槛
• 真正拉开差距的不是“用不用某个传感器”，而是“能否把系统做得可验证、可持续迭代”

可部署的物理AI不是“一个模型”，而是一整套从数据到交付的流水线。

给从业者的三条可执行建议（我认为真的有用）

1. 先用ODD把问题切小：不管是机器人还是自动驾驶，先选一个“能高频交付”的任务，把成功率、时延、故障恢复做成指标体系。
2. 把数据当产品做：采集—清洗—标注—训练—回归要像 CI/CD 一样自动化；数据版本管理要比模型版本更严。
3. 把安全与合规前置到架构里：能跑起来不难，难的是能规模卖出去。提前设计审计日志、可解释的失效策略、远程运维与OTA回滚。

物理AI的下一站：自动驾驶与机器人的“同一套底层能力”会合流

CES 2026 让人兴奋的不是“人形变多了”，而是行业开始集体承认：落地需要耐心，规模化需要体系。工业人形在 2026 年被明确押注（如 Atlas 计划先内部部署扩产），陪伴机器人则在用大模型争夺家庭入口，物流平台在用简单任务换取快速部署。

对自动驾驶而言，这些趋势是一面镜子：你选端到端还是多传感器，本质是在选“数据飞轮优先”还是“工程冗余优先”。真正的胜负手不在口号，而在持续交付能力。

如果你正在评估自动驾驶或服务机器人项目，建议把问题问得更“脏”一点：出了故障怎么恢复？数据怎么回流？每次迭代怎样证明更安全？ 这些问题答得越清楚，离规模化就越近。

接下来一年（2026），我最想看到的不是更多炫目的 demo，而是更多可复用的部署经验：在工厂、在园区、在城市道路，物理AI如何一步步把“能演示”变成“能交付”。