当AI进入物理世界，为何车企和机器人公司选择继续拥抱阿里云

智能驾驶和机器人领域正在发生一些根本性的变化。一个标志性的事件，是特斯拉在它的 FSD 系统中，开始用一个端到端的神经网络，去替代过去由工程师编写的几十万行控制代码。

这种研发思路的转变，不再依赖人为设定的大量规则，而是让模型通过真实世界的数据自行学习"如何驾驶"，这种方式正逐渐成为行业共识。无论是造车新势力，还是机器人创业公司，越来越多的团队都在朝着这个方向探索。

这种做法的好处很明显，它让机器在处理复杂、动态的环境时，表现得更像一个经验丰富的人。但代价也同样巨大，对数据和算力的需求呈指数级增长。研发的难点，正从算法本身转向如何处理和利用海量的数据。一个新的问题是，谁能为这场竞赛提供足够稳定和强大的底层支撑？

在刚刚结束的 2025 云栖大会上，阿里云提出了面向智能驾驶和具身智能的解决方案升级。这背后折射出一个更大的趋势，云平台正在和前沿 AI 应用建立更紧密的连接。从"写代码"到"喂数据"的转变，为什么几乎不可逆？它给身处其中的公司，带来了哪些真实的工程难题？以及而作为基础设施的云平台，又会如何应对这种变化？

为什么端到端可能是正确方向

在智能驾驶领域，传统的方法更像是搭建一条精密的流水线。工程师们把驾驶任务拆分成感知、决策、规划、控制等好几个独立的模块，每个模块各司其职。这种方法在系统相对简单时行之有效，但随着车辆需要应对的场景越来越复杂，它的局限性也逐渐显现。

卓驭 AI 首席技术官陈晓智将这个过程形容为"打地鼠"。团队需要不断地为各种极端场景（corner case）补充规则。这种 case by case 的方式，不仅耗费大量人力，还容易产生"跷跷板效应"，解决了一个问题，却可能在另一个地方引入新问题。在他看来，这种模式已经摸到了天花板，因为它本质上还是依赖工程师的先验知识去穷举所有可能性，这在复杂的真实世界里几乎是不可能的。

端到端的思路则完全不同。它不再强调逐层定义规则，而是让一个统一的 AI 模型直接学习从传感器输入（相当于眼睛看到的）到驾驶决策（手脚怎么动）的完整映射。陈晓智将其形容为一种"一片一片解决问题"的方式，核心是围绕数据和场景进行迭代，从而获得更强的泛化能力和更接近人类的驾驶表现。

如果说智能驾驶选择端到端是为了突破体验的上限，那么在具身智能领域，这几乎是唯一的选择。自变量机器人的创始人、CEO 王潜从第一性原理解释了这一点。机器人与物理世界的交互远比车辆复杂，涉及到摩擦、碰撞、物体的形变等等。在一个分层、模块化的系统里，每一个环节产生的微小误差，在传递到下一个环节时，都可能会被快速累积和层层放大。最终导致机器人的动作僵硬、失败率高。

此外，一个通用机器人需要具备完成成千上万种不同任务的能力。如果每一种任务都去单独开发一套算法，几乎不可行。王潜认为，必须有一个统一的模型，能够从海量、多样化的任务数据中，学习到物理世界运行的"共性规律"。而端到端的架构，是实现这一目标的合理路径。

所以无论是在路上跑的汽车，还是在工厂、家庭里工作的机器人，"端到端"都正在成为那个业内公认的方向。研发的重心，也不仅仅是算法优化，而是转向了如何高效地建设和运营一个真正数据驱动的体系，这自然引出了后续一系列更具体的工程挑战。

一个更依赖数据的世界和它带来的麻烦

转向一个更依赖数据的研发模式，就像从人力伐木到工业化采矿。作业方式变了，对底层基础设施的要求也随之改变。对于车企和机器人公司而言，这个体系的建设至少面临着几个现实的麻烦。

最直接的，是数据和算力规模的膨胀。当模型需要从海量视频中学习时，数据量级轻易就能达到 PB 甚至 EB 级别。阿里云大数据 AI 平台事业部负责人汪军华告诉硅星人，部分客户的算力需求已经达到了"万卡规模"。卓驭的陈晓智也坦言，现在的算力、存储和带宽需求，"在过去是不可想象的"。

比规模更棘手的，是工程体系的脆弱性。一个端到端模型的训练，往往需要成百上千张计算卡并行工作数周甚至数月。这个过程中，任何一个环节的细小波动，都可能导致整个任务失败，造成巨大的资源浪费。陈晓智分享了卓驭早期自建数据平台的经历，当时最头疼的就是稳定性问题，"基本上天天都会崩"，研发节奏因此频繁受阻。这类挑战也解释了为什么越来越多的企业选择将关键环节迁移到云上，从而依赖更成熟的平台能力。

自变量机器人的王潜也表示，具身智能的场景比自动驾驶更分散、更极端，对底层"网、存、算"一体化协同的要求也更为苛刻。高频次的任务迭代，让基础设施的高可用性几乎成为生死攸关的问题。

第三个难题，则落在认知层面，如何正确地理解和使用数据。经历最初的狂热过后，从业者们很快意识到，"大力出奇迹"是有前提的。王潜强调，数据的质量和分布，往往比比单纯的数量更重要。他甚至认为，一条高质量的真实世界数据，和一条普通数据之间，对模型训练的有效性可能相差"几千倍、几万倍"。这意味着，过去那种粗放式"投喂"数据的模式已经不可持续，取而代之的是精细化的数据运营。

正因如此，行业也开始探索如何更科学地衡量这套重型体系的投资回报率。自变量机器人内部关注的核心指标是"数据效率比"，即一条真实数据能顶替多少条其他来源的数据。而卓驭则建立了一套名为" TTE "（Time to Experience）的评估模型，核心是看两个数字：一是平均解决一个问题单需要多长时间，二是每个版本能迭代多少个问题。

这些来自实践的麻烦和思考，指向了一个共识，在 AI 的新周期里，一个稳定、高效且能支撑精细化运营的大数据 AI 平台，不再是"加分项"，而是决定一家公司研发效率和最终产品体验的关键。

云平台的解法：一个" Data+AI "一体化地基

面对这些从实践中暴露出来的真实痛点，作为基础设施的云平台，也在尝试新的形态。阿里云提出的方案，是一个" Data+AI "一体化平台。这个听起来有些抽象的概念，翻译过来实质上是希望从三个层面切入。

最基础的，是提供一个足够稳定、可靠的算力底座。对于动辄需要运行数月的大模型训练任务来说，稳定性压倒一切。这背后依赖长期的技术积累，阿里云的大数据平台 ODPS，从 2009 年就开始服务阿里内部复杂的电商、金融业务，并经历过"双 11 "等极端场景。用阿里云大数据 AI 平台解决方案负责人魏博文的话说，他们通过软硬件一体优化（比如自研的交换机）、Serverless 架构解耦，以及一套自愈运维体系，来尽可能保证基础设施的稳定，甚至在底层硬件发生故障时，也能做到对上层用户的"无感替换"。

这种稳定性带来的价值，作为客户方的陈晓智也有体会，卓驭在将数据平台迁移到阿里云后，过去反复出现的存储问题得到解决，研发流程顺畅了许多。自变量机器人创始人王潜也提到，他们的业务需要处理复杂的异构数据管线和异构计算，阿里云为这种复杂性提供了很好的技术基础。

在稳定的基础上，需要追求极致的工程效率。数据量以 PB 级别计算时，传统的数据处理方式不堪重负。阿里云的做法是构建一条高度智能化的"数据流水线"。例如，通过 MaxFrame 这样的数据加速技术，以及极致弹性的并发处理能力，来大幅缩短数据生产的周期。这就像是把过去需要人工搬运、加工的矿石，变成了一条自动化、高吞吐量的选矿生产线。

最后是保持平台的开放性和前沿性。AI 技术迭代迅速，没有任何公司能独立完成所有创新。阿里云的选择是"共建生态"。例如，在这次云栖大会上与 NVIDIA 软件工具层的合作，在人工智能平台 PAI 上集成了 Physical AI 软件栈和世界模型，帮助客户可以更快地完成研发的"冷启动"和仿真测试。同时，PAI 也为开发者提供了从数据管理、模型开发、训练到最终部署的全链路工具，并针对智驾和具身智能模型的特点，提供了专门的性能优化技术。

一个稳定可靠的底座，一条高效智能的流水线，再加一个开放前沿的工具箱，三部分结合，构成了一个能够承载智能驾驶和具身智能研发需求的" Data+AI "一体化地基。这种一体化能力的建设成效也反映在了市场的选择上，目前超过 80% 的中国车企以及多家头部机器人企业，已经将其数据处理与模型训推链路跑在阿里云大数据 AI 平台上。

开始进入物理世界的 AI

端到端成为确定性的方向，智能驾驶与具身智能的发展，也随之进入了新的阶段。如果说上半场的焦点是模型算法，那么下半场则需要更多围绕数据处理、工程效率和闭环迭代能力。

在这场持久战中，一个强大的" Data+AI "一体化平台的价值比以往更加突出。它的作用已不再局限于算力供给，而是需要深入到数据闭环、模型迭代乃至安全验证的整个链条之中。

在今年的云栖大会上，阿里巴巴集团 CEO 吴泳铭判断，AI 要从"辅助人"走向"超越人"，关键前提是能够连接并理解"真实世界的全量原始数据"。他以自动驾驶为例新一代的自动驾驶，正是依靠学习海量原始摄像头数据，才实现了能力上的跃升。

这一点也揭示了为什么如今的车企和机器人公司，都在持续加大对数据闭环的投入。从这个角度看，阿里云平台正在构建的，已经不只是传统意义上的 IT 基础设施，更像说吴泳铭所定义的"超级 AI 云"，一个 AI 时代新的计算体系。在这一体系中，数据是养料，而稳定、高效的"数字地基"则是其运行的前提。

最终，更高阶的自动驾驶意味着更安全的出行，更通用的机器人则意味着人类可以从重复劳动中解放出来。AI 的价值还是要体现在对产业与日常生活的实际改善上。而这一切的起点，正是为 AI 铺设一条坚实可靠的数据之路。