如果只把卓驭科技放进“智驾公司”的名单里，很容易误读它。
它当然做智能驾驶，但它最近抛出的“智能一切移动”，听起来像一句品牌口号。真正值得拆解的，是这句口号背后的东西：一个原生多模态基础模型，一套以第一人称视角为核心的数据体系，一层车规级硬件基座，以及一种被它称为“基座经济学”的商业逻辑。把这些体系拼在一起，才构成卓驭对智驾的另一种解法。
一、把汽车只当汽车，模型的上限会被锁死
智能驾驶行业有一个几乎默认的叙事：谁拥有的车端数据越多，谁就越接近自动驾驶终局。沿着这条逻辑，竞争焦点很自然落在测试里程、场景规则、单车优化上。每投入一个新车型、新地域、新垂类，就再采集一批数据，再设计一套规则，再做一轮验证。这条路并非没有道理。它的问题是，场景越深，边界也越窄。模型可以越来越懂某类车、某类路、某个地区，但它的能力上限，也可能被锁死在单一场景里。卓驭提出的问题更靠前一步：模型到底应该先懂车，还是先懂世界？传统智驾路线更像场景驱动：先有具体车型和道路条件，再围绕它采集数据、设计规则、完成验证。卓驭在北京车展期间发布的原生多模态基础模型，走的是另一条路：在预训练阶段，先让模型学习物理世界的通用规律，再落到不同车型、不同地域和不同场景中应用。这种差异落在底层输入上。
原生多模态基础模型采用多模态统一表征，支持视频、文本、动作、语音、地图等多种信息的统一输入。与VLA方案中常见的显式语义翻译不同，它强调所有模态在同一个统一框架下完成训练，尽可能减少延迟和信息损耗，避免系统出现“拼接感”。从技术构想看，这套模型指向Zero Shot零数据知识迁移——全球零泛化或少泛化，覆盖铺装路面和非铺装路面、室内和室外等全场景。要说明一点这是目标，也是路线判断，不是已经实现的事实，但它至少改变了一个问题的提法：模型的能力边界，不再只由某个单一场景的数据规模决定，而更多取决于它对物理世界规律的理解能力。
所以，“移动物理AI”不是“更聪明的智驾”的另一种说法。它试图做的，是理解移动本身。
二、基座不是口号：算法与硬件，缺一不可
“基座”这个词容易被说得空泛。在卓驭的体系里，它至少有两层。一层是技术基座，也就是原生多模态基础模型。它负责从多模态数据中学习物理世界的通用规律，再向不同移动载体迁移。另一层是硬件基座，即统一车规级域控及感知硬件。它负责把模型能力稳定、可靠、可规模化地分发到真实世界中。这两层缺一不可。物理世界的AI，安全是第一原则。卓驭科技创始人沈老师有一句话说得直接：物理AI的难点不是Demo，而是在真实世界中安全、稳定、规模化运行。在虚拟世界可以无限试错，在真实世界撞一下就bye bye了。
模型可以在云端训练，可以在仿真里迭代，但最终必须落在车上、路上、真实交通流里。没有车规级验证的硬件载体，模型能力只能停留在演示；没有通用基础模型，硬件也只是一个个彼此隔离的盒子。算法与硬件合在一起，才可能支撑“智能一切移动”。否则，口号就只是口号，二者缺一不可。
三、数据壁垒的真相：不是数量，是结构
谈AI绕不开数据。但卓驭对数据的理解，和很多智驾公司不一样。行业谈数据，第一反应往往是车端数据有多少公里、多少小时、多少clips。卓驭更强调ego-centric数据体系，也就是以移动传感器为中心的第一人称视角数据。在这个体系里，除了智能驾驶数据，还有大量互联网数据，以及无人机、机器人、手持云台等移动机器人数据。它们来自不同领域，却有一个共同点：都是带着传感器在物理世界中移动。从模型角度看，车、无人机、机器人、手持设备，本质上都在做类似的事——感知环境、理解空间、识别障碍、预测运动、完成控制。它们背后对应的是一套共通的物理规律和运动规律。
如果一套模型只在单一场景里训练，它最终也只能适应那个场景。只用车的数据训练，可以成为一个更懂“车”的模型，但未必能成为一个具备强泛化能力的基础模型。卓驭的数据规模也在扩张：到2026年，黄金数据集规模约达2亿clips；2027年提升至5亿clips；到2028年进一步增长至15亿clips。其中，驾驶数据中还会包含大约5%的仿真数据。关键不在于数字本身，而在于增长方式。卓驭特别强调，不是简单把驾驶数据继续堆大，而是互联网数据和机器人数据都在持续进入训练体系，让数据结构越来越多元。机器人数据，恰恰是它区别于很多智驾公司的核心差异化来源，也是预训练阶段提升泛化能力的关键基础。因此，卓驭的数据壁垒不只是数量壁垒，更是数据结构壁垒。数量可以追赶，结构却需要路线选择和时间积累。
四、两个月，从乘用车到重卡：同一模型跨垂类
技术逻辑和数据逻辑再完整，也要过工程验证这一关。卓驭交出的第一份答卷是：在不到两个月的时间内，将乘用车NOA的核心能力迁移到了商用重卡场景，而且乘用车和重卡运行的是同一个模型。这件事的意义不在于“又做了一个重卡项目”，而在于跨垂类迁移不再只是理论。它至少说明，核心能力层不必为每个垂类从零开始。传统路径下，乘用车和重卡在底盘、载荷、制动、视野、运营场景上差异巨大，通常意味着大量重新适配。卓驭能快速迁移，背后依赖的正是基础模型对通用规律的学习，以及多源数据的预训练。
目前，卓驭已拿下重卡赛道7大头部品牌，携手宇通客车打造商用客车城市NOA，联合头部运营方和主机厂共建全链路城配物流解决方案，并打造L4无人物流车以及L4 Robotaxi等项目。这些项目将在今年下半年陆续进入量产和试运营阶段。更值得关注的是后续飞轮：不同垂类在真实道路上跑起来之后，会产生持续的数据，反哺模型优化。多垂类落地带来多源数据，多源数据又提升模型泛化能力，从而支撑更多垂类落地。工程验证与数据积累之间，形成一个正向循环。这也是“一套基座，多个垂类”能够成立的原因：基座不是静态的，它会随着落地场景增多而持续变强。场景越多，模型越强，迁移越快。
五、基座经济学：一次投入，全域受益
技术路线的差异，最终会反映在商业逻辑上。传统智驾公司的研发投入，通常会随着场景拓展而线性甚至指数增长。每进入一个新国家、新垂类、新客户，都要重新投入数据、规则、验证和适配资源。规模是壁垒，也是负担。如果卓驭的基础模型路线真正跑通，经济性会完全不同。它会从“每开一个新场景就要重新投入”，变成“一次投入，全域受益”。这就是卓驭所说的“基座经济学”：基础模型越强，迁移成本越低；覆盖的车型越多、地域越广、客户越复杂，前期训练沉淀下来的能力就越能持续复用；研发投入具有复利效应，而不是线性消耗。
这背后是两种不同路径。路径A，围绕汽车这一单一载体不断加深，用规模换壁垒。路径B，把汽车放回更大的移动平台范畴，用结构换泛化。卓驭选择了后者。当然，这条路线最终能否持续兑现，还要看多垂类量产和试运营的实际表现，看跨场景迁移效率能否真正达到“零数据”或“少泛化”水平。基座经济学目前仍是一个需要工程和商业结果来证明的命题。
六、道路且长，未到终局
“智能一切移动”最容易被误解的地方，是把它当成一句宏大的口号。但从卓驭目前披露的体系看，它更像一次路线选择：不把汽车当终点，而把汽车视为移动物理世界的一种载体。它也有明确的验证节点：乘用车到重卡的跨垂类迁移、多个商用车和L4项目的量产试运营、数据飞轮能否真正转起来，仍需时间积累和验证。风险同样存在，Zero Shot零数据知识迁移、全球零泛化或少泛化，还是技术构想和目标，不是已经完成的目标。多垂类量产中的安全、成本、法规、运营，也都会考验这套体系的真实成色。但卓驭至少把问题从“谁的车端数据更多”，改成了“谁能把移动物理世界的规律抽象出来，并分发到不同载体上”。如果这个答案成立，它押注的就不只是智能驾驶，而是一个更底层的移动物理AI基座。
智能一切移动，不是让所有设备都变成车，而是让车、无人机、机器人、手持设备共享一套理解移动的能力。卓驭在搭的，正是这座基座。它是否牢固，接下来要看的就是在这条道路上跑出来的结果。
