当整个行业都在比拼“谁的车端数据更多”时，卓驭科技提出了一个反常规的命题：如果把汽车的智能驾驶仅仅当作汽车的事，模型的上限迟早会被单一场景锁死。这家公司正在做的，是让汽车与无人机、机器人、手持设备共享同一套技术底座——这不是品牌话术的升级，而是一次技术路线的根本转向。

先懂物理世界，再谈驾驶

传统智驾路线是“场景驱动”的：针对某类车、某个地域、某种路况，采集数据、设计规则、完成验证。每进入一个新场景，都要重新投入大量资源进行适配。

卓驭选择了另一条路。今年北京车展期间，他们发布了首个面向移动物理AI的原生多模态基础模型。这个模型在预训练阶段先学习物理世界的通用规律——物体的运动方式、空间的几何结构、环境的因果逻辑——然后再落到不同车型、不同地域、不同场景中应用。最关键的是，视频、文本、动作、语音、地图等多模态信息在同一个底层框架下完成训练，避免了VLA方案中常见的“显式语义翻译”带来的延迟和信息损耗。这套模型的目标是实现Zero-Shot零数据知识迁移，跨垂类开箱即用，覆盖铺装路面与非铺装路面、室内与室外等全场景。

数据壁垒的本质是结构

行业谈数据时，第一反应往往是车端行驶里程。但卓驭训练基础模型所用的数据，除了智能驾驶数据，还包括大量互联网数据，以及无人机、机器人、手持云台等移动设备采集的数据。这些数据有一个共同特征：都是移动传感器为中心的第一人称视角，即egocentric数据。

在卓驭看来，车、无人机、机器人、手持设备，本质上都是带着传感器在物理世界中移动的载体，背后对应着一套共通的物理规律和运动规律。因此，卓驭的数据壁垒不只是数量壁垒，更是结构壁垒——其中机器人数据恰恰是区别于多数智驾公司的核心差异化来源。按照规划，到2026年其黄金数据集规模约达2亿clips，2027年提升至5亿clips，2028年进一步增长至15亿clips。这一增长不是简单堆砌驾驶数据，而是互联网数据和机器人数据持续进入训练体系。

两个月，从乘用车到重卡

技术逻辑能否成立，工程验证是关键一步。卓驭在不到两个月时间内，将乘用车NOA的核心能力迁移到了商用重卡场景——乘用车和重卡运行的是同一个模型。

目前，卓驭已拿下重卡赛道七大头部品牌，携手宇通客车打造商用客车城市NOA，联合头部运营方和主机厂共建全链路城配物流解决方案，并布局L4无人物流车及Robotaxi等项目。这些项目将在2026年下半年陆续进入量产和试运营阶段。更重要的是，多垂类在真实道路上跑起来后，产生的数据会反哺模型优化，形成“多垂类落地—多源数据—泛化能力提升”的正向循环。

基座经济学：一次投入，全域受益

传统智驾公司的研发投入随场景拓展而线性甚至指数增长，每进入一个新国家、新垂类、新客户，都要重新投入数据、规则、验证和适配资源。而卓驭指向的是“一次投入，全域受益”的基座经济学：基础模型越强，迁移成本越低；覆盖的车型越多、地域越广，前期沉淀的能力越能持续复用，研发投入具有复利效应。

这背后是两种路径的分野：一种是围绕汽车单一载体不断加深，用规模换壁垒；另一种是把汽车放回更广阔的移动平台范畴，用结构换泛化。卓驭选择了后者。

当同行还在为城市NOA开城数量较劲时，卓驭已经用同一个模型跑通了乘用车和重卡，并把手伸向无人机和机器人——这背后是一条完全不同的技术逻辑：用结构换泛化，而非用规模换壁垒。它已经跳出了“智驾公司”的既定叙事——它押注的不只是智能驾驶，而是一个更底层的移动物理AI基座，一个可以支撑“智能一切移动”的能力底座。
【免责声明】此文内容为广告，不代表本网的观点及立场。其内容由广告方提供，与本网无关，本文所涉文、图等资料之一切权利和法律责任归材料提供方所有和承担。本文仅供读者阅读并请自行核实内容真实性，网站对此资讯文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。