黄仁勋说，一切会移动的事物，终将拥有自主能力。不止汽车、卡车、机器人、工程机械，所有移动载体都会进化成具备感知与决策的智能体。这个判断借用了特斯拉对全自动驾驶的命名，但表达的意思比汽车本身更大。一辆车需要感知环境、做出决策、控制行动，一台挖掘机、一个机器人、一架无人机需要的也是同一套能力。如果这套能力可以跨品类迁移，它就不再是某个行业的专属技术，而是物理世界里的基础设施。

英伟达的布局指向的是同一套技术栈

黄仁勋把自动驾驶和物理AI放在同一个叙事里，对应的是英伟达对下一个计算平台的定位。英伟达在物理AI上的布局覆盖了从仿真到部署的完整链路。Isaac Sim和Isaac Lab用于机器人仿真和训练，Cosmos世界基础模型负责物理AI的推理和动作仿真，GR00T是专为人形机器人设计的视觉语言动作模型，Jetson Thor则承担端侧部署。黄仁勋自己说过，自动驾驶教会了英伟达大量关于如何帮助其他领域构建机器人系统的经验，通过自己构建整个技术栈，英伟达知道了机器人系统需要什么样的芯片。

自动驾驶和具身智能，一半能力可以迁移

自动驾驶行业的人才正在集体向具身智能迁徙，这本身就说明两个领域的技术底座有相当程度的重合。光象科技CEO张涛的判断是，如果把车辆看作一个移动机器人，自动驾驶和具身智能本质上来讲是一回事，约50%的自动驾驶技术基建能够迁移到具身智能领域。从数据采集、清洗处理，到端到端模型训练，再到仿真验证和真机测试，整套开发流程可以复用。

但迁移不是无缝的。汽车只需要在单一平面完成行进和转向，人形机器人有数十个运动自由度。自动驾驶运行在规整的结构化道路上，交互对象只有车辆、行人和交通设施；具身智能要应对工业产线和日常生活中的无规则离散场景。更根本的差异在作业交互模式，对自动驾驶而言，发生接触意味着碰撞事故；但抓取、装配等物理接触操作是机器人的核心任务。

操作是那道跨不过去的坎

自变量创始人王潜的判断更直接。他说自动驾驶的模型无法直接迁移到机器人身上，因为自动驾驶的能力难点集中在导航与运动上，而机器人的最大难点在于复杂操作。机器人的通用能力分为运动、导航、交互、操作四个维度，操作是关系到机器人进厂入户的最关键能力。跑步、跳跃、格斗这些运动能力可以靠本体结构、电机功率和平衡控制快速迭代，但手部操作涉及触觉反馈、力控精度、多指协调，每一步的工程难度都比运动高。

这个差距在数据上也能看出来。自动驾驶的场景可以靠车队规模积累里程，但机器人的操作数据需要针对具体任务采集。Figure在物流分拣部署中发现，八小时精心筛选的演示数据就能产生灵活的策略，质量比数量更重要。仿真在导航和运动任务上已经很有用，但在接触密集的灵巧操作中，仿真的物理保真度还远不够。

黄仁勋说会动的东西都能有FSD，这个判断在导航和运动层面是成立的。自动驾驶积累的感知、规划、控制能力，确实可以迁移到机器人、工程机械、无人机上。但机器人真正进厂入户干活，需要的不是“会动”，是“会操作”。这道坎跨过去之前，物理AI的ChatGPT时刻还差一半。