最近的高通2026投资者日上，最大的新闻当然是关于AI的数据中心的内容：

Dragonfly 用于智能体的CPU、

高带宽计算HBC直接将内存和计算3D堆叠一起、

收购AI原生软件公司Modular（支持高通打通软硬一体）、

获得微软CEO Satya Nadella和META CEO 的Mark Zuckerberg亲自站台。

但作为长期关注汽车产业的Vehicle，真正让我们坐直了身子的，是另外一张不起眼看似不起眼的slide——Nakul Duggal讲机器人业务时打出的那句话：

"一台机器人不是一台电脑，而是三台电脑。"

这句话听起来像是讲机器人，但如果你在汽车行业待得够久或着一直关注汽车行业，你会立刻意识到一件事：这套描述，跟过去十年智能电动汽车以及其电子电气架构的演进路径，几乎是同一个故事的另一个版本。

所以，这篇文章想聊的，正是这件事——智能汽车和具身智能（机器人）看似是两条赛道，但在高通的技术路线图里，它们是同一条。

不管你是管理战略、职场规划、市场投资，只要是在思考"软件/AI 定义汽车下一步是什么"的人，这篇文章都能给你带来启发和思考。

1. 汽车这十年：从"芯片上车"到"AI定义汽车"

回顾高通进入汽车计算芯片市场的过去十年，高通做了五代计算芯片，从首片流片到整车量产的周期已经压缩到15个月，接近消费电子的节奏。现在路上跑着超过5亿辆搭载Snapdragon的汽车，座舱芯片出货9000万套，2021年以来推出了450款新车型——相当于过去五年平均每周上市两款新车。

汽车业务将在2026财年达到60亿美元的年化收入，并且已经连续23个季度实现两位数同比增长，设计订单储备（design pipeline）从两年前的450亿美元涨到了650亿美元。管理层的判断是：按这个趋势，高通将成为全球最大的纯汽车半导体供应商。

但比这些数字更值得玩味的，是高通对"内容增长"的解释。从第三代到第五代芯片，单车芯片含量价值提升了8倍——这个数字背后，是一个肉眼可见的架构转变：

座舱和ADAS（高级驾驶辅助系统）原本是两个独立的"域"，用不同的芯片、不同的供应商、不同的软件栈。而第五代芯片是按照"混合关键性融合架构"（mixed-criticality fabric）设计的——同一颗芯片，既能跑对安全等级要求极高的ADAS功能，也能同时跑座舱的娱乐和交互功能，客户可以自由选择分开跑还是融合跑。换句话说，"域"的边界正在被芯片的算力和安全设计抹平。

这件事带来的直接影响，是高通口中"软件定义汽车"（SDV）正在升级为"AI定义汽车"。因为算力和架构不再绑定在特定的物理硬件上，任何传感器的输入都可以被任意一个车辆域处理。现在量产车的座舱里已经在跑30B(300亿)参数规模的模型，同时还能并行运行L2到L4级别的自动驾驶栈。

高通在投资者会上给的一个具体例子：一辆车开进停车场，自己扫了一下二维码，自动完成了缴费——这是一个完整的agent行为，而且已经在量产车上发生。

这意味着，"车"作为一个智能体的边界，正在从"驾驶辅助"扩展到"代理执行任务"。

高通在座舱领域，算是王者，但是过去几年智能辅助驾驶这条线也在快速成熟：国内momenta/元戎的T1为首基于8620/8650/8797也占据不少份额了，同时海外品牌自己也和宝马下场做了Snapdragon Ride Pilot。

另外几个高通芯片规划的注意点：

Robotaxi，高通管理层计划在2028年前后把数据中心同款的HBC高带宽计算技术和SoC做成车规级加速器，复用给Robotaxi客户；

高通宣传的，车内token生成器（车企在车上塞了大量算力和内存来跑本地大模型，现在开始探索离线场景下的联邦式token加速，用的还是同一套HBC能力）；

以及通过收购Edge Impulse获得的车规级机器学习运维能力，把动力总成、电池管理等传统上靠规则和查表的子系统，逐步替换成本地AI推理。

看到这里，你会发现一个规律：高通在汽车业务上的每一步，本质上都是在把"专用、分离、固定功能"的电子架构，改造成"通用、融合、可编程"的计算架构。而这恰好是机器人业务下一步要走的路。

2. 机器人的"三个大脑"，其实是域控制器融合的下一站

Nakul Duggal在介绍机器人业务时，给出了一套"三层计算"的框架，结合一台机器人拿起一壶水倒进一个纸杯的场景进行介绍：

System 2 是"思考的大脑"（大脑皮层）——负责重负载、混合关键性的AI推理，需要深思熟虑的决策，比如识别一个杯子和一壶水，理解整个场景的语义。

System 1 是"行动层"——负责运动规划，比如控制机械臂移动到水壶的位置，协调手部的运动轨迹。

System 0 是"反射层"（神经系统）——执行毫秒级的实时控制，高度去中心化，比如感知抓握的压力、温度、湿度，并据此实时调整握力。

如果你做过汽车电子电气架构，这套描述应该会让你有一种"似曾相识"的感觉。这其实就是汽车里"座舱+ADAS融合域控制器"的升级版：

座舱处理人机交互和高层语义理解（接近System 2的角色），

ADAS的规划层负责路径和动作规划（接近System 1），

而ADAS里对刹车、转向这类毫秒级实时反应的执行控制（接近System 0），早就在车规芯片里被单独划分出来、用最严格的功能安全等级（ASIL）来设计。

高通在自动驾驶平台里推的"Snapdragon Ride Flex"架构——把不同安全等级、不同实时性要求的工作负载放进同一颗芯片、用硬件隔离来保证互不干扰——管理层自己也承认，这正是"物理AI"在汽车上的一次具体实例（instantiation）。

换句话说：机器人现在要解决的"如何让一套芯片同时处理深度推理、运动规划和毫秒级反射"，汽车行业已经用ADAS+座舱融合架构，提前实践了一遍。

高通把这套经验、这套安全设计方法论，直接搬进了机器人的Dragonwing IQ10系列芯片里——这不是巧合，是同一个芯片团队、同一套IP复用的结果。

这里还有一个细节值得汽车从业者注意：高通在描述机器人业务时反复强调"全栈"——计算、操作系统、仿真、数据飞轮、模型、硬件参考设计，六层都要自己做。

这正是高通在汽车业务上跑通过的打法：先从一个细分领域切入（座舱），逐步往上整合成系统级方案（数字底盘Snapdragon Digital Chassis），最后在客户的整车架构设计里拿到话语权。机器人业务现在只用了不到一年时间，就已经通过这套打法和NEURA Robotics、Figure、KUKA这些公司建立了一百多个工程合作项目——这个速度,本质上是汽车业务十年攒下来的"系统化"能力在做杠杆。

3. 一个具体的故事：机器人为什么不能只靠"看懂"世界

NEURA Robotics创始人David Reger在视频致辞里讲了一个很有画面感的比喻。他说：今天大多数人理解的具身智能，是一个"视觉-语言-动作"（VLA）模型——给机器人看视频、给它文字指令，它就能行动。

但这远远不够。这有点像学游泳：你不可能只靠大脑和视觉学会游泳——光看视频，你不会真的变成一个会游泳的人。你必须真的下水，亲自尝试，训练肌肉记忆、反射和神经系统——怎么呼吸，怎么移动身体才能浮在水面上。

物理世界里的任务，永远需要触觉、需要听觉，需要把这些感官综合起来，才能真正构建出能完成现实任务的"基础模型"。

这个比喻之所以重要，是因为它精准指出了具身智能和今天大语言模型之间的本质差异：语言模型靠的是"看过足够多的数据"，但物理世界的任务靠的是"实时的感知-决策-执行闭环"，这个闭环不能只在云端跑，必须在边缘、在毫秒级别完成。

这恰恰是汽车行业过去十几年一直在解决的问题——ADAS系统对实时性、确定性、功能安全的极端要求，本质上跟"机器人抓握一个变化中的纸杯"是同一类工程问题，只是任务场景不同。

4. 这对汽车产业意味着什么：四个值得想清楚的问题

如果你是车企、Tier 1、投资者，或者任何在汽车产业链，想要了解智能汽车发展和规划的人，这场投资者日里至少有四件事值得思考和琢磨。

第一，当前的域控制器融合可能不是终点，而是中间站。座舱和ADAS融合只是第一步，下一步的方向很可能是把整车的计算架构，按照"深度推理-动作规划-实时反射"这套三层模型重新梳理。

今天还在按"座舱域""底盘域""动力域"划分电子架构的车企，可能需要开始思考：你的下一代架构，是不是也应该按"思考-规划-反射"这套更通用的计算分层来设计？这不只是芯片选型问题，是整车软件平台的底层逻辑问题。

第二，Robotaxi和人形机器人,在芯片层面正在合并成同一个产品线。高通明确说了，Robotaxi要用的加速器，是数据中心同款的HBC技术配上车规SoC——和机器人用的是同一套技术底座。这意味着自动驾驶（尤其是L4级Robotaxi）在工程本质上，已经被高通归入了"具身智能"这个更大的范畴，而不是一个独立的"自动驾驶"赛道。车企如果只把自动驾驶当作一个孤立的产品线去投入，可能会错过这个更大趋势带来的成本分摊和技术复用空间。

第三,车企在功能安全、供应链规模和实时系统验证上积累的经验，可能比单纯的算力更稀缺,也更难被新进入者复制。高通自己也强调,"安全等级"和"供应链复杂度"是汽车业务最难被对手追赶的部分——公司每年消耗超过100万片领先制程晶圆、每年出货超过400亿个组件,还能在车规级别保持极低故障率,靠的是十年磨出来的制造和验证体系。

机器人公司现在拼命想拿到的,恰恰是这种"可以量产、可以过车规认证"的工程纪律。这提示车企和Tier 1:你们在功能安全和量产工程上的know-how,本身就是一张可以打到机器人和工业自动化领域的牌,不要只把自己定义成"造车的"。

第四，"AI定义汽车"里的agent经济，需要主机厂现在就开始认真对待。车自动扫码缴费这个例子看起来很小,但它意味着车正在从"被人驾驶的工具"变成"能代表人执行任务的代理"。

当Agent经济铺开之后,车企需要想清楚:车上运行的agent,是车企自己的、还是第三方(比如车机里跑的某个大模型厂商agent)的?车辆产生的token、车辆上下文信息,谁来定义调用权限和商业分成?这是一个比"要不要做大模型上车"更早需要回答的治理问题。

尾声:车,正在变成第一台被规模化验证过的机器人

智能汽车开启时候，高通总是将手机芯片的早几代产品下放到智能汽车上面，但是过去几年，汽车行业不是在"追赶AI",而是在不知不觉中,提前把具身智能最难的工程问题——实时性、安全分级、规模化制造、长生命周期供应链——实践了一遍。现在机器人行业要解决的问题,很大程度上是汽车行业已经交过的学费。

反过来说，这也是给汽车产业的一个提醒:你们正在做的"软件定义汽车""AI定义汽车",不是一个孤立于消费电子和机器人之外的细分赛道,而是"物理AI"这个更大叙事里,目前进展最快、规模最大的一个分支。所以，汽车人都应该满怀希望，大有可为。

另外，下一步车企的竞争,可能不只是车企之间的竞争,而是"谁能把汽车积累的系统工程能力,更快地复用到机器人和工业场景里"的竞争，战场前面铺开。

参考资料以及图片

nvestor-Day-2026_NDuggal_Physical-AI.pdf 高通。

原文标题 : 从高通2026投资者日看汽车与具身智能的同一张路线图

来源：从高通2026投资者日 看汽车与具身智能的同一张路线图 | OFweek机器人网