智驾遭遇商业化阵痛，人才与资本涌向具身智能

事件概述

2026年，中国智驾行业表面数据亮眼：L2级新车渗透率达70.5%，具备领航辅助驾驶（NOA）功能的车型渗透率达34.2%，L3级自动驾驶开始在特定区域上路。但在量产落地阶段，行业面临研发成本高企、软件付费难、算法创新放缓、高质量数据稀缺等问题，人才和资本正加速流向具身智能赛道。

核心信息

商业困境：研发成本与收入错配

国内智驾软件主要采用一次性买断模式，用户付费意愿低。研发需要年薪百万的博士和昂贵算力集群，车辆售出后每次软件迭代都是纯成本，老用户不再付费，形成“填不满的窟窿”。进入规模化量产后，算法团队从“创新中心”变成“成本中心”，高端人才大量从事维护和数据清洗，创新空间收窄。

技术瓶颈：算法迭代偏向降本，关键能力仍有差距

在用户驾驶习惯建模方面，特斯拉近期计划在FSD（Full Self-Driving，全自动驾驶）中加入用户驾驶偏好模块，通过记录人工干预学习驾驶员习惯；国内多数方案在架构设计之初未考虑该方向。

在未来环境预测与重建方面，特斯拉2026年1月公开一项专利，可从真实驾驶数据生成虚拟训练场景，用于制造极端天气、坑洼路面、逻辑冲突路口等长尾场景，低成本扩充高质量训练数据。国内虽有团队用3D高斯重建等路径探索，但与这类“世界模拟器”方案仍有差距。量产压力下，国内算法迭代更多是打补丁、降成本，而非架构级创新。

数据短板：极端场景稀缺，数据团队话语权弱

头部智驾企业算法架构趋同，真正差距在于数据闭环。暴雨、暴雪、夜间复杂环境、异形车辆等长尾场景（Corner Case）天然低频，堆普通道路数据无法改善长尾场景识别效果，形成“规模法则（Scaling Law）困境”。采集数据经过回流、筛选、标注、清洗多个环节，成本高、效率低，有采集车一天回传数TB数据，可训练数据比例不足5%。行业仍重算法轻数据，数据团队话语权较弱。

资本与人才流向具身智能

2025年国内具身智能和机器人领域融资总额达735.43亿元（中国信通院报告）；2026年上半年，具身智能赛道融资规模突破935亿元（IT桔子统计）。8月19日，宇树科技上市，市值一度突破4449亿元，截至8月24日回落至2439亿元。有从头部科技企业智驾部门跳槽至具身智能公司的算法工程师表示，新公司约一半同事来自智驾行业，“机器人赛道至少还有十年空间”。有前车企数据岗员工也认为，智驾行业已走过从技术探索到商业落地的爆发期，如今“风”吹向了具身智能。

产业链连锁反应：数据标注公司转向机器人数据采集

智驾数据标注行业同样承压。有贵州数据公司员工反映，标准化质检要求与真实场景存在矛盾，行人框被强制统一规格；标注平台存在Bug、传感器盲区、伪点云功能不完善等问题，AI辅助标注实际使用有限。今年7月，其所在公司启动新业务，员工进入居民区采集夹取动作视频，用于人形机器人训练数据，部分智驾标注人员已转岗。

值得关注

智驾行业的“逃离”本质是产业周期轮动：自动驾驶正从“证明可能”走向“证明价值”，具身智能则刚进入“证明可能”阶段。后者同样要经历从实验室到量产、从资本追捧到商业验证的过程，未来也可能在泡沫挤出时经历阵痛。