3月4-5日我们组织了2026年春季投资峰会PhysicalAI与AgenticAI分论坛，邀请九识智能、轻舟智航及万咖壹联分享其最新进展。我们认为，AI产业正从单点技术突破迈向体系化能力建设。本次论坛上，九识展示L4城配物流规模化落地及“AI司机订阅”模式；轻舟阐述L2++与L4双线并行的统一技术底座；万咖则介绍GEO驱动营销范式在手机生态中的实践。
核心亮点：
本次会议强调Physical Al与Agentic Al双线并行演进，一方面，自动驾驶等Physical Al正通过规模化量产与数据积累推动能力持续跃迁；另一方面，Agentic Al正在重塑信息获取方式，使流量分发与决策链条发生结构性变化。我们认为，两条路径在本质上呈现相似的发展逻辑，Al 正进入落地深化阶段，体系化能力建设成为核心，而应用侧流量也在反向推动技术迭代。从商业形态看，由单一渠道向多品类、多场景扩展，或将成为未来的重要趋势。
趋势一：规模化流量与生态入口成为AI能力演进的核心抓手
随着Al从技术验证阶段迈向产业化落地，流量规模与入口控制权逐渐成为企业竞争的核心资源。我们看到，不同类型公司正通过各自的场景入口构建能力闭环。九识已累计覆盖300+城市、送单突破15亿件，通过海量真实业务场景构建起完整的数据闭环。轻舟高阶NOA已实现百万级量产上车，覆盖23款车型，并预计26年渗透至50+款车型，形成“规模-数据-能力提升”的正循环。万咖则深度绑定苹果、华为、小米、VIVO、OPPO、荣耀等手机厂商，依托终端流量入口构建Agentic Al驱动的流量聚合体系，通过GEO推动流量分发从传统搜索向Al Agent入口迁移。
趋势二：能力建设从“单点产品突破”走向“体系化协同能力”
随着Al走向规模化落地，企业竞争焦点正在从单点功能突破转向体系化能力构建，聚焦数据、工程、平台与生态等底层协同能力。九识构建覆盖数据生产、模型训练与仿真测评的完整闭环，通过“硬件销售+FSD月度订阅”形成可持续商业模式，正从1.0初创期迈向4.0规模化扩张阶段。轻舟提出Al驱动的“自动驾驶超级工厂”理念，打通数据生产、模型训练、仿真测评与强化学习优化等关键环节，并在此基础上构建端到端、世界模型与VLMNLA模型体系，实现 L2++与L4的技术复用。万咖则围绕终端厂商的互联网业务生态、OS标准与Al生态三大体系，通过推动内容结构化与数据标准化，适配生成式引擎驱动的流量分发逻辑。
趋势三：能力边界持续外延，从单一场景向跨场景延展
随着Al技术成熟度提升，企业不再局限于单一产品或场景，而是基于既有能力向更广应用边界延展，实现能力复用与业务扩张。九识由无人货运延伸至环卫、巡检等场景，形成“1平台+N 生态”,并加速海外拓展，已落地新加坡、日本、韩国及阿联酋。轻舟依托L2++与L4技术底座，布局高阶智驾、Robobus与无人物流，实现技术与数据复用，并强调自动驾驶是PhysicalAI 最早规模化落地的场景之一。万咖依托六大手机厂商生态，探索“智能体入口+推荐分发”的新模式，推动业务由渠道代理向生成式分发延伸，并拓展至垂类电商及小游戏等场景。
风险提示：市场竞争加剧、监管挑战、技术落地能力不足。本报告所涉未上市或未覆盖公司，仅基于公开信息整理，不构成推荐或覆盖意见。
Physical Al和Agentic Al起革命
自2025年以来，我们已组织多场自动驾驶专题分论坛与行业交流活动，并与产业链企业及投资人保持持续交流。在本次2026年华泰春季策略会上，我们再次重申核心判断：自动驾驶是当前最具落地潜力的Physical AI(物理AI)应用之一，正从实验室阶段逐步迈向真实世界的规模化部署。随着传感器能力持续升级、高性能算力平台不断迭代，以及算法模型加速演进，自动驾驶技术与产业化进程正在同步提速。
与此同时，我们也观察到Agentic Al在过去几个月出现明显升温。2025年底，英伟达宣布与Groq达成交易，被市场视为Agentic Al领域具有代表性的产业事件。此后，行业内相关动态持续增加，例如Meta完成对Manus的收购，进一步强化市场对Agentic AI架构、算力形态及生态演进的关注。从产业节奏来看，我们认为，Agentic Al正逐步从概念讨论走向产业探索阶段，并将在短时间内成为Al产业的重要讨论方向之一。
基于这一背景，我们在本次策略会中尝试将Physical Al与Agentic Al两条技术主线放在同一框架下进行讨论：一方面，Physical Al正在推动自动驾驶、机器人等现实世界应用加速落地；另一方面，AgenticAI随着模型能力与推理架构的演进，可能在未来一到两年逐步形成新的技术范式，并对Al的应用形态与产业结构产生深远影响。
本次策略会也邀请多家不同类型的自动驾驶相关企业参与交流，包括聚焦配送与物流场景的自动驾驶公司九识，以及布局L2与L4自动驾驶解决方案的轻舟。此外，我们也邀请立足移动互联网生态、并积极拓展端侧Al应用的万咖壹联。希望通过不同应用场景与技术路径的交流，从产业与技术两个层面进一步探讨Al的落地。我们再次重申，从L2向L4的演进并非简单的性能升级，而是涉及数据体系、传感器架构与Al算法能力的系统性跃迁。L2(ADAS)主要依赖真实道路驾驶数据进行模型训练，而L4(完全无人驾驶)则需要在真实数据之外，大规模引入高质量模拟数据，以覆盖现实世界中的长尾场景。领先的Robotaxi运营商，如Waymo、小马智行与文远知行，正通过结合生成式Al与强化学习的仿真体系，不断扩展系统在复杂与极端场景下的安全边界。同时，九识、轻舟等企业也提出以Al驱动的“自动驾驶超级工厂”概念，核心在于构建覆盖数据生产、模型训练以及仿真与测评的完整闭环体系。在硬件层面，L4系统通常采用多传感器冗余架构，通过摄像头、毫米波雷达与激光雷达的融合以提升感知可靠性与系统安全性；相比之下，L2系统则以视觉方案为主，部分车型仅将激光雷达作为补充配置，整体冗余程度相对有限。此外，行业也正逐步向车规级感知硬件与车载计算芯片体系靠拢，以提升系统稳定性与量产可行性。
本文来自知之小站
报告已上传百度网盘群，限时15元即可入群及获得1年期更新
（如无法加入或其他事宜可联系zzxz_88@163.com）
