易博图一年内融资近4亿：重卡物理AI已运营超百台车

本文约2800字，建议阅读7分钟

硬氪获悉，上海易博图科技有限公司（EABOT，下称“易博图”）近日接连完成两轮融资，合计近4亿元。出资方包括知名投资人葛卫东、辰韬资本、弘毅投资、零一汽车、兴富资本，以及猎鹰投资旗下星奇基金等。

易博图2026年2月成立，主攻重载工业物理AI，核心业务是研发面向重载场景的“移动+操作”物理AI模型。公司眼下已运营100多台重卡，覆盖60条线路，大多集中在0-300公里的大宗物料短倒场景；在新疆、内蒙古等不同区域的复杂路况中，也已开展真实道路零接管测试。

模型研发、上车验证和车队运营在一年内同步推进。按公司的说法，这意味着其技术路线正式进入真实业务场景验证阶段。现阶段易博图以重卡无人驾驶为切入点，长远看则想把技术能力延伸到矿山、电厂、港口等重载工业场景。

（图源/企业）

易博图的团队核心成员来自华为、理想、Momenta、苹果等头部企业，覆盖自动驾驶、AI模型研发及工程化落地等领域。CTO李伟曾任赢彻算法负责人，参与过从0到1的研发与运营支持。

李伟向硬氪介绍，公司模型架构走的是AI原生范式，采用Efficient Physical AI技术路线：底层基座是通用多模态与世界模型，往上支撑面向重卡L4的专项驾驶能力，再通过真实物理闭环让数据与模型持续反哺、演进。长期目标是从重卡场景泛化到全重载工业。

拆开看，通用多模态预训练基座负责学习场景、空间关系和环境变化；世界模型用来生成训练数据、补充复杂边缘场景，并辅助模型训练和仿真评测。在这之上，公司通过后训练强化模型对驾驶任务的理解与执行，并针对规则遵从和安全要求做强化学习训练。

车端执行层面，易博图独创了TwinFast“双快协同认知驾驶系统”。其中JEV决策系统负责快速判断场景并做出决策，E2E端到端规划系统则把决策转成具体的车辆控制动作。

传统自动驾驶架构一般由高层决策模型和实时规划系统配合完成任务：前者理解复杂场景并做出决策，后者生成实时轨迹。问题是，高层模型推理速度一旦偏慢，场景理解能力再强，也难以及时影响车辆的实时行为。TwinFast正是对传统快慢系统的一种改进，关键在于提升高层决策效率，让它和实时规划系统在速度上更好匹配，从而把AI模型在复杂驾驶场景中的作用充分发挥出来。

CTO李伟介绍，易博图模型能够快速落地，另一大优势在于数据采集与处理体系。

这家公司每个月新增的数据量在200万段clips以上，自动标注的规模则超过1亿帧。数据闭环这件事上，团队把数据基础设施、数据挖掘、数据处理和自动标注串成了完整链路，同时配了运营团队，管着100多台车辆和100多名司机，真实道路数据得以持续采集。

对无人驾驶模型来说，数据规模只是基础。复杂场景覆盖得够不够、数据处理和标注效率高不高、模型能否从实际运行中持续拿到反馈，同样影响研发进度。易博图想做的，是靠车辆运营、数据处理和模型训练之间的闭环，缩短从发现问题到模型迭代的周期。

商业化路径上，易博图现阶段靠自营车队来验证L4无人驾驶方案和配套的运营流程。对传统运输车队来说，上无人驾驶车辆可不只是买一套软件，车辆管理、调度、日常运维、异常处理，这一整套运营能力都得跟上。所以公司打算自己先持有并运营车辆，把技术和成本模型跑通，再向客户交付包含车辆、软件系统与运营标准在内的“AI司机服务”，成熟的无人化运营方案会一步步交到客户手里。

放到行业里看，重卡无人驾驶对应的不只是车辆智能化这一块市场。运输车队的运营管理、车辆调度、能源管理，以及后续和装载、卸载等作业环节的协同，都是潜在价值所在。无人驾驶若能跳出单车能力、延伸到整条运输链条，对应的市场就不再是传统的智能驾驶软硬件，而是一个面向大宗物料运输和重载工业生产的综合性服务市场。公司下一步计划从重卡扩到挖掘机、装载设备等场景，让矿山等重载工业场景实现全流程无人化。

以下为硬氪与易博图CTO李伟交流节选：

硬氪：为什么选择在这个时间点切入重卡领域做物理AI？

李伟：在我们看来，眼下是切入重卡无人驾驶比较合适的时间窗口，关键在于技术范式正在变。以前无人驾驶走的多是规则驱动（Rule-based）的路子，行业玩家在这套体系上已经攒下大量研发成果。可随着AI驱动的技术路线逐步成熟，乘用车端到端自动驾驶、基于大模型的新技术都在往前推，行业正走到新的技术拐点上。

技术范式一变，新玩家就有机会甩开传统技术路线留下的历史包袱，直接按新架构建立优势。乘用车领域就是个例子，端到端技术相比传统方案已经体现出明显的性能提升，特斯拉等公司的实践也在推着行业往AI驱动的方向走。

硬氪：数据积累是公司的优势之一。这与团队此前的研究经历有关，还是公司成立后快速建立了数据采集和标注能力？

李伟：还有一点更关键，我们打一开始就把自己定位成物理AI公司，把数据基础设施当作核心能力来建。数据闭环这块，从数据采集、数据挖掘、数据处理到自动化标注，我们搭了一系列基础设施，也组建了运营团队，负责数据采集和质量管理。

现在有100多台车在跑数据采集，司机团队超过100人，还有相应的车队管理人员，持续拿到符合模型训练需要的真实场景数据。物理AI要的数据不光得有规模，还得能持续采、高效处理，并且真正用在模型训练和迭代上。

硬氪：TwinFast双快系统与传统自动驾驶中的快慢系统有什么区别？

李伟：传统的快慢系统一般由两部分构成，高层决策模型和实时规划系统。前者管的是理解场景、判断该采取什么行动，后者负责生成具体轨迹，并控制车辆执行。

麻烦在于，高层模型的理解和推理能力虽强，可一旦推理速度跟不上，就很难及时作用到车辆的实时行为上。比如高层模型每秒只推理一次，底层规划系统每秒却能给出十次甚至更多的规划结果，两边响应速度就对不上了。

李伟说，他们的办法是让高层决策系统提速，同时不丢掉实时规划系统的速度长处。以往用多模态语言模型做决策，通常要一个一个生成Token、串成思维链，放到驾驶场景里延迟可能偏高。双快系统能少依赖逐Token生成，让模型更直接、更高效地完成场景判断和行动选择，决策和规划因此配合得更顺。

硬氪问：公司成立时间不长，模型研发和上车进度却都不慢。您觉得关键原因是什么？

李伟答：他看主要有三点。

头一条是技术范式上选了物理AI的定位。公司打成立起就把自己当成物理AI公司，所以走AI驱动的路子，直接围着更容易泛化的技术路线搭架构。

第二条是数据基础设施和运营能力。成立之初他们就看重数据建设，既搭起了采集、处理、标注这一整套体系，也靠车辆和司机团队不断拿到真实场景数据。有了这套基础设施，模型迭代能快一些。

第三条是模型团队的人才密度。核心团队的AI模型研发能力比较强。李伟说，他们希望一开始就按AI-native的方式组织研发，把模型能力摆在核心位置，而不是在原来规则驱动的技术体系上做局部修补。