易博图成立不到1年吸金4个亿：重卡物理AI怎么跑起来？

出租车能开，重卡却开不了。

不少人会问：智能驾驶如今都这么成熟了，把乘用车验证过的模型直接搬到重卡上，不就成了？

答案很干脆：不行。物理法则这一关卡着，硬搬只会出事。

乘用车一般2吨上下，满载重卡轻松几十吨，甚至上百吨。惯性、刹车距离、动力学约束，两边完全不在一个量级。

硬把乘用车的AI模型塞进重卡「脑子」里，它干起活来像「外星人」：高速上还想照小轿车那套随意加塞、急刹，根本不懂物理规律，后果不堪设想。

易博图方面说：「要训练一个重载场景的物理AI，你就必须拥有这个场景专属的真实交互数据。」

易博图创始团队盯上的正是这一点。

在他们眼里，真正的物理AI不光要能「看懂」世界，更要懂「物理」——

每个动作会给真实世界带来什么后果，它得能精准预测；复杂的重载力学约束下，任务还得完成。

易博图把「重卡」选作首个商业化载体，原因就在这里。

重卡给的是一个高频、连续、足够真实的物理交互场景。

每天跑在真实道路上，扬尘、非结构化道路、复杂交通流、庞大车身的控制难题，一样都躲不开。

重卡既是近期能实现商业闭环变现的产品，也是易博图感知物理世界、获取反馈、持续训练「重载物理AI大脑」的最佳载体。

眼下的运营盘子：纯电重卡实际运营百台左右，路线60条，签约地区12个。

两层大脑：Efficient Physical AI 怎么炼成？

应对真实物理世界的挑战，易博图搭了一套两层式技术架构，名字叫「Efficient Physical AI」（高效物理AI）。

这套架构把「可复用的通用底座」和「针对具体任务的专项能力」分开，为日后跨设备泛化留了接口。

第一层：通用能力底座（看懂物理世界）

好比教机器人干活，得先让它明白什么是空间、什么是重力、什么是障碍物。

易博图拿出了 OmniBase（多模态预训练基座）和 SwiftWorld（高效物理原生世界模型）。

模型吃下海量多模态数据，学会了多模态重建空间、理解几何关系、预测物体未来的动态规律。

这一阶段，AI学到的是整个物理世界的「通用常识」。

第二层：专项任务能力（成为老司机）

光有常识不够，手上还得有活。易博图为此开发了 TwinFast（双快协同认知驾驶系统）和 L4Forge（强化学习后训练）。

重卡跑在路上，碰上突发状况，等不了模型在云端磨蹭。TwinFast 架构把「逻辑推理（想得清）」与「低时延端到端（反应快）」捏到一起，复杂场景的判断和毫秒级的极限响应都能兜住。

另一头，L4Forge 强化学习把交通规则、安全底线牢牢焊进 AI 的底层——比如绝不能追尾、必须保持安全车距。

撑起这套东西的是一支约170人的团队，硕博占比约76%。CTO 出身百度 Apollo 核心成员，主导过超4000辆重卡的前装量产研发，手里攒着超5亿公里的商业化运营支持经验，最清楚怎么让 AI 在重卡上「活下来」。

队伍里还有负责苹果/博世端侧集成的人，有主导华为ADS端到端量产的，有搭建理想数据闭环的，也有掌握万卡训练框架的。

以战代练：拿最强的「数据飞轮」筑护城河

大模型时代，谁攥住数据谁说了算。可对重载物理AI来讲，真实世界里的真值数据又少又贵，买不到，也没法全靠仿真合成。

易博图的招法很硬——「以战代练」。从Day 1起他们就扎进真实生产线，没在实验室里闭门造车。眼下，内蒙、新疆、华东等12个地区已经部署了百台左右纯电重卡，跑着60条真实业务运输线路（大宗物资短倒运输）。

别人还在到处找测试场景，易博图每天跑出来的就是真金白银的商业价值。这约百辆车同时像不知疲倦的「数据采集器」，源源不断吸着物理世界的第一手经验。

飞轮转得有多快，看数字：月均新增数据超过200万段 clips；累计自动标注突破1亿帧。

算得清的经济账：1.2万亿规模的商业闭环

技术落地不谈ROI，都是耍流氓。上一代L4没做成的事，易博图凭什么能成？

自动驾驶上重卡不算新鲜事。可翻一翻上一代L4重卡玩家的账本，尴尬就摆在那儿：大多陷进「技术自嗨」的泥潭，场景错位、缺真实运营数据、只做技术交付没有运营兜底，这些历史包袱压着，商业闭环迟迟跑不通。

物理AI要极速泛化，只能在真实的物理闭环里发生。

易博图把「0-300km大宗短倒」（矿区到洗煤厂、港口到集散中心这类）选作首个商业化落地的锚点。这背后是高达4.5万亿的公路货运运力市场，也是个极度渴求AI来救的「痛点市场」。

要知道，乘用车自动驾驶讲的是「社会价值」和「更安全的出行」；重卡不一样，它是纯粹的「生产工具」，物流企业只盯一件事——能不能降本增效。

国内公路重卡保有量目前约800万台，公路货运运力市场规模达到4.5万亿。市场这么大，痛点却扎得很深：司机成本高企，劳动力断层也在加剧。

重卡司机吃住常在车上，工作环境艰苦，疲劳驾驶和超载让事故频频发生。这个群体的平均年龄已逼近50岁，80后、90后年轻人不愿再吃这份苦。

在重卡的TCO（全生命周期成本）里，司机人工成本占到30%-35%，已经超过新能源重卡的电费，成了最大的一项单一成本。

易博图的商业逻辑很直接：把司机从驾驶室里“解放出来”。按照它的判断，这是一个规模高达1.2万亿的市场。

公司方面说得很直白：“我们做的事情很务实，就是要把司机从这个危险、高强度的车上拽下来，帮企业省掉这1/3的成本。”

为了让技术尽快落地，易博图避开了路况复杂的开放高速干线，转而瞄准“0-300km的大宗短倒运输”，煤炭、砂石、化工品等都在其列。

这类线路的路权相对可控，不少还是矿区到洗煤厂、电厂的专线，社会车辆很少，单条线路往往就有上千台重卡的运力需求。

钱怎么赚？易博图把商业闭环拆成“两步走”。

第一步是TaaS（运输即服务）。易博图以融资租赁方式，目前已投入百台左右纯电重卡自营车队运输，在真实业务线路上收取运输费，跑通数据采集、模型迭代到客户交付的全套流程，以此验证AI司机的安全性和经济性。

第二步是DaaS（AI司机即服务）。验证成功后，易博图转向“轻资产”模式：车辆由客户或资产方持有，公司只提供“AI司机技术服务”。这种模式边际部署成本很低，目标毛利率定在50%以上。

按易博图的说法，它是行业内唯一一支真正实操过千台级无人设备管理的地面部队，从Day 1起就在客户现场交付真实的运输生产力。

终极野心：一个大脑，驱动整个重载工业

如果只把易博图看成一家“无人驾驶卡车”公司，那就低估了它的格局。

重卡不过是易博图物理AI大模型进入真实世界的第一块“磨刀石”。

在真实的重工业场景里，重卡常常处在整个作业链条的枢纽位置：往上游是挖掘机和装载机，往下游走则充满想象空间。

易博图的长远打算，是把第一阶段在重卡上训练出的通用物理世界表征，横向泛化到更多重载设备上去。

“跨本体拓展”是易博图技术架构里最性感的词。

模型既然已经懂得重卡在三维世界中怎么移动、怎么避障、怎么理解动力学，那么只要换上一套针对性的“操作动作库”，也就是强化对齐后训练，这个大脑就能快速适配其他设备。

事实上，易博图已与顶尖科研机构合作，利用第一视角数据研究挖掘机和装载机的具身装卸动作。未来在同一个矿区或港口：

这条重载工业流水线，将由易博图的“同一个AI大脑”统一指挥协同。

易博图要做的，是真真正正的工业级AI，是真正解放生产力、促进生成力发展的AI。

做难而正确的事

眼下的AI创投圈，华丽性感的故事一抓一大把，真能落地的却不多，关键就在于能不能真刀真枪地干苦力、省成本。

易博图交出的答卷很有说服力——

切入点选在有硬需求、经济账又能算明白的无人重卡上；靠实打实的部署攒下业内最全的重载数据；再用「以战代练」的方式把高效、可泛化的物理 AI 架构磨出来；最后把这套本事复制到重工业的各类场景中。

老司机一年年老去，重体力活儿又缺人缺得厉害，易博图想做的，是用一个统一的物理 AI 大脑，把运输和装卸串成不间断的作业链条。

通往具身智能的路子里，这条算得上最硬核、也最有想象空间的一条。

按照规划，到2027年易博图要在重卡低速域实现两端下人，进入大规模商业化阶段；2028年在公开道路上正式下人，跑出全球落地最快的L4重卡车队；到2030年再向更多重工业设备铺开，冲击十万亿级市场。

无人驾驶的下半场，物理 AI 这片星辰大海，帷幕才刚拉开。