过去几年中国汽车行业发展的主线之一，就是智能驾驶能力的进展，每一家车企和智能驾驶方案提供商都热衷于讲模型、算力和数据。

但技术密集型的行业里，工业能力决定了技术能否落地，本质上，汽车仍然是一个重资产的制造业。

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，以及从 VLM 向 VLA、世界模型演进的技术路线。汽车也逐渐被视为一种在物理世界中持续感知、推理和行动的智能终端。

模型最终仍然需要通过域控制器、摄像头、激光雷达和整车电子电气架构进入现实世界。软件能力能否稳定装进数十款车型，能否适配乘用车、商用车和无人物流车，考验的已经不只是算法，还包括硬件设计、工程验证、供应链管理和制造质量。

7 月 23 日，卓驭科技常州工厂正式启用，随着这座工厂投产，卓驭形成深圳与常州两座制造基地，开始扩大域控制器、视觉感知系统和激光雷达等产品的生产与交付能力。

这就是工业能力让技术落地和普及的实际例子，常州能和苏州无锡并列为苏锡常，很大部分原因也是因为这里集群了汽车相关产业。

从单车方案走向智能移动基座

卓驭此前提出「移动物理 AI，智能一切移动」，希望将智能驾驶积累的感知、决策和控制能力，扩展到乘用车、商用车、物流车以及 Robotaxi 乃至具身智能机器人等不同形态的移动设备。

也就是说，智能驾驶技术正在从专车专用的项目制开发，逐渐转向可复用的基础模型和软硬件平台。

传统智能驾驶系统通常围绕车型和功能拆分模块。感知、预测、规划和控制分别开发，不同车型还需要重新进行数据采集、参数调整和工程适配。车型越多、市场越广，研发和交付成本也会随之增长。

基础模型的价值，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，再控制机器执行动作。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。

不同设备在运动学模型、安全标准和运行环境上存在巨大差异。一辆高速行驶的汽车、园区中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，再针对不同设备进行工程适配。

卓驭目前已经形成覆盖约 200 至 1400 TOPS 的域控制器产品，并布局惯导双目、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种功能：把模型转换为车辆和移动设备能够调用的感知与计算能力。

过去，软硬件协同更多用于解决性能和成本问题，例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。

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，因为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，激光雷达则包含更加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

卓驭表示，目前其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；商用车更加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的要求。所以卓驭需要面对的，和蔚来理想小鹏这些自研智能驾驶能力并且只针对自家少数车型的车企不同，他们面对的需求更复杂。

智能驾驶产业此前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，并持续处理量产后的长尾问题。

具身智能领域也会面对相似挑战。

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。

常州工厂一个能体现我们工业能力的地方是它从开工到厂房交付用时 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，需要获取他们的信任，除了模型能力和硬件能力，制造能力同样重要。