从智驾到具身智能：AI 人才新一轮迁徙

2026 年上半年，中国乘用车 L2 级新车渗透率已达 70.5%，具备 NOA（领航辅助驾驶）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——智驾行业在技术与政策层面交出了一份光鲜的成绩单。但在聚光灯之外，一场无声的人才迁徙正在上演：曾任头部科技企业智驾部门算法工程师的陈茉（化名）跳槽加入一家具身智能公司，她新公司一半同事来自智驾行业；前知名车企数据岗员工周亦冉（化名）同样做出这一选择。这一现象被业内视为产业周期轮动的缩影，而资金流向则给出了最直观的旁证。

商业困境：量产后填不满的研发成本

智驾进入下半场后，商业模式成为决定企业生死的关键，但目前大多数智驾方案仍未赚到钱。国内智驾软件仍主要采用一次性购买模式，几千元乃至上万元的智驾包，不少消费者觉得没必要买。陈茉算了一笔账：「招的是年薪百万的博士，租的是昂贵的算力集群，结果软件卖几千元用户还嫌贵，而且车售出后每次软件迭代都是纯成本，老用户不会再为之付费。」

进入规模化量产阶段后，智驾团队面对的问题发生了质变：算法团队从「创新中心」变成了「成本中心」。陈茉感叹，最早做自动驾驶时招进来的都是顶尖人才，大家都想做新东西；量产之后创新空间小了，让这些高端人才天天做维护、洗数据，「能不累吗」。这种成本与收入的结构性错配，让智驾研发成了填不满的窟窿。

技术瓶颈：创新仿佛被摁下暂停键

陈茉认为，部分关键技术能力仍存在短板。第一个问题是对用户驾驶习惯的建模能力：特斯拉近期计划在 FSD 中加入用户驾驶偏好模块，记录人工干预并学习驾驶员习惯，但国内多数智驾方案仍未跟进，「很多企业在架构设计之初就没有考虑」。

更关键的是对未来环境的预测与重建能力。2026 年 1 月，特斯拉一项「基于地面实况启发式渲染环境的视点捕获模拟」专利被公开，可从真实驾驶数据中生成虚拟训练场景，并合成极端天气、坑洼路面、逻辑冲突路口等稀缺场景。陈茉指出，国内虽有团队在做类似方向，但多走 3D 高斯重建路径，与该「世界模拟器」仍有差距；根本原因在于研发部门成为成本中心后，多数精力被用于在现有代码上叠补丁、降成本，而非架构层面的根本创新。

数据之殇：稀缺的极端场景与卡住的飞轮

「模型和数据对智驾创新的影响，大概是一半一半。」周亦冉认为，算法决定能力上限，数据决定企业能否触达上限，竞争正从模型架构转向数据工程。

自动驾驶头部玩家的算法架构已趋同，Transformer、BEV 是基础配置，占用网络等新方向被越来越多企业关注，但真正拉开差距的不再只是模型结构，而是谁拥有更高质量的数据闭环。高质量数据极为稀缺，尤其是 Corner Case 极端场景：暴雨、暴雪、夜间复杂环境、异形车辆等天然低频，完成几十万公里测试也可能遇不到几次。陈茉将之称为「Scaling Law 困境」——模型能力与数据量成正比，但高质量数据稀缺，「堆再多的普通道路数据，模型在长尾场景上的识别效果也不会变好，这是一个死循环」。

更棘手的是流程损耗：采集车一天能采集数 TB 数据，可真正能用于训练的不到 5%，回流、筛选、标注、清洗每个环节都在烧钱、都在卡脖子。周亦冉将数据团队在公司中的尴尬处境称为「模型组天龙人」：数据岗觉得自己在教 AI 开车，公司却觉得在做重复劳动。

人才迁徙：走向下一个十年

这些压力在产业链底层同步传导。贵州智驾数据公司员工李响（化名）介绍，公司已启动新业务——员工进入居民区用夹取动作采集视频，为人形机器人训练提供数据，原做智驾标注的同事已被部分调去该项目。

资本流向则给出更明确的信号：

• 8 月 19 日，宇树科技上市，市值一度突破 4449 亿元，截至 8 月 24 日仍保持在 2439 亿元。
• 中国信通院《具身智能发展报告》数据显示，2025 年国内具身智能和机器人领域融资总额达 735.43 亿元。
• 据 IT 桔子统计，2026 年上半年具身智能赛道融资规模突破 935 亿元。

陈茉所在部门约一半同事来自智驾行业，大家看好机器人赛道仍有十年空间。这场从自动驾驶到具身智能的人才迁徙，正是当下 AI 产业周期轮动的缩影：每个新兴产业都要从「证明可能」走到「证明价值」，自动驾驶正在经历这一阶段，而具身智能刚刚被推入第一阶段。值得警惕的是，具身智能未来同样可能走完从资本追捧到商业验证的全过程，在泡沫挤出时经历阵痛，真正的考验才刚刚开始。