在智能驾驶行业，一个常见叙事是，谁拥有的车端数据越多，谁就越接近自动驾驶终局。

但卓驭科技打破了这种常规认知，提供了智驾路线的另一种判断：如果把汽车仅仅视为汽车，模型的上限可能被锁死在单一场景里；只有把汽车放回更大的移动物理世界，数据才能真正转化为跨垂类的通用智能。

卓驭科技没有沿着单一汽车场景不断加深，而是把汽车、无人机、机器人、手持设备等移动载体，纳入同一套以第一人称视角为核心的数据体系，试图训练一个可以跨车型、跨地域、跨垂类迁移的基础模型。这条路线在技术范式、数据结构和商业逻辑上，都与传统智驾公司形成明显分野。

也就是说，卓驭科技不是一家传统意义上的智驾公司，而是一家智能万物移动的移动物理AI公司。

应该先懂车还是先懂世界？根本路径上的技术范式分野

卓驭科技与传统路线的第一层差异，在于模型究竟应该先学什么。

传统智驾路线更多是围绕具体场景展开，针对某类车型、某个地域、某种道路条件，采集数据、设计规则、完成验证。每进入一个新场景，往往意味着一次新的适配投入。而卓驭科技的技术思路不同，今年北京车展期间发布了首个面向移动物理AI的原生多模态基础模型，在预训练阶段就让基础模型完成对物理世界通用规律的学习，再落到不同车型、不同地域和不同场景中应用。

这一思路的核心差异，体现在模型的底层输入方面。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、地图等多模态信息的统一输入。与VLA方案中常见的显式语义翻译不同，原生多模态基础模型强调所有模态都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”。

从技术构想上，这套原生多模态基础模型可以实现Zero Shot零数据知识迁移，也就是跨垂类开箱即用、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。这意味着，模型的能力边界不再由某个单一场景的数据规模决定，而是由它对物理世界规律的抽象能力决定。

数据壁垒的关键不在数量，而在数据结构的多元性

技术范式决定了数据需求。如果模型要在预训练阶段学习物理世界，那么它接触的数据就不能只是驾驶数据。

行业谈数据时，第一反应往往是车端数据有多少。但卓驭科技对数据的理解不止于车，其训练基础模型所用的数据，除了智能驾驶数据，还包括大量互联网数据，以及无人机、机器人、手持云台等移动机器人数据。这些数据来自不同领域，却有一个共同点，都是以移动传感器为中心的第一人称视角，即ego-centric数据。

这一点之所以重要，是因为从模型角度看，车、无人机、机器人、手持设备，本质上都是带着传感器在物理世界中移动的载体。它们都在做类似的事情：感知环境、理解空间、识别障碍、预测运动、完成控制。因此，这些数据背后对应的是一套共通的物理规律和运动规律。

卓驭的判断很明确：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。如果只用车的数据训练，它可以成为一个更懂“车”的模型，但未必能成为一个真正具备强泛化能力的基础模型。而如果希望它未来能够跨车型、跨地域、跨垂类迁移，那么预训练阶段接触的数据，就必须足够丰富、足够多元、足够跨领域。

这也是为什么卓驭强调ego-centric数据体系，而不只是驾驶数据本身。从数据规模看，这套体系正在快速扩张：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。卓驭特别强调，这一增长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，让整个数据结构越来越多元。

因此，卓驭的数据壁垒不只是数量壁垒，更是数据结构壁垒。其中，机器人数据恰恰是卓驭区别于很多智驾公司的核心差异化来源，也是其在预训练阶段持续提升模型泛化能力的关键基础。

两个月从乘用车到重卡，跨垂类迁移的一次实测

如果技术逻辑和数据逻辑成立，那么工程验证就是必须跨过的一道坎。

在不到两个月的时间内，卓驭科技就将乘用车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，它意味着，卓驭跨垂类迁移能力已经不只是停留在理论层面，而是真正技术落地。

目前，卓驭科技已拿下重卡赛道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。

更重要的是，后续这些不同垂类在真实道路上跑起来之后，产生的数据会持续反哺模型优化，进一步形成卓驭在多垂类数据积累和量产经验上的独特优势。也就是说，工程验证与数据积累之间形成了一个正向循环，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。

从“每场景适配”到“全域复利”，卓驭科技盘活了基座的经济学

工程验证的意义不止于证明技术可行，更在于指向商业逻辑的重构。

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。每进入一个新的国家、新的垂类、新的客户，都要重新投入数据、规则、验证和适配资源。如果卓驭的基础模型路线真正跑通，其经济性会完全不同。

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”。这可以看作是卓驭科技独有的“基座经济学”。按照这一逻辑，基础模型越强，迁移成本就越低；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够持续复用，研发投入也就越具有复利效应。

这背后其实是两种路径的分野：一种是围绕汽车这一单一载体不断加深，用规模换壁垒；另一种是把汽车放回更大的移动平台范畴，用结构换泛化。卓驭显然选择后者。

从长期看，这条路线最终能否持续兑现，取决于多垂类量产和试运营的实际表现，以及跨场景迁移效率能否真正达到“零数据”或“少泛化”水平。如果答案是肯定的，那么卓驭科技所押注的将不只是智能驾驶，而是一个更底层的移动物理AI基座。