易博图一年内融资近4亿：重卡物理AI已运营超百台车

硬氪了解到，上海易博图科技有限公司（EABOT，下称“易博图”）最近接连完成两轮融资，合计近4亿元，出资方有知名投资人葛卫东、辰韬资本、弘毅投资、零一汽车、兴富资本，以及猎鹰投资旗下的星奇基金等。本文约2800字，建议阅读7分钟。

这家公司于2026年2月成立，方向是重载工业物理AI，主攻面向重载场景的“移动+操作”物理AI模型。眼下已有100多台重卡在路上跑，覆盖60条线路，多集中在0-300公里的大宗物料短倒场景；新疆、内蒙古等地不同区域的复杂路况中，也已做过真实道路零接管测试。

模型研发、上车验证和车队运营，在一年之内同步推进。按公司的说法，技术路线由此进入真实业务场景验证阶段。当前它从重卡无人驾驶切入，长远打算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）

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，技术和落地经验都比较扎实。CTO李伟此前是赢彻算法负责人，参与过从0到1的研发与运营支持。

据李伟向硬氪介绍，公司模型架构走的是AI原生范式，技术路线名为Efficient Physical AI：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和模型不断反哺、演进。长期目标是从重卡场景泛化到全重载工业。

展开来说，通用多模态预训练基座管的是场景、空间关系和环境变化的学习；世界模型负责生成训练数据、补齐复杂的边缘场景，并辅助模型训练和仿真评测。在这个基础上，公司通过后训练强化模型对驾驶任务的理解与执行，还针对规则遵从和安全要求做了强化学习训练。

落到车端执行，易博图自己做了一套TwinFast“双快协同认知驾驶系统”：JEV决策系统负责快速判断场景并做出决策，E2E端到端规划系统再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、做出决策，后者生成实时轨迹。问题是，高层模型推理一慢，场景理解能力再强，也难以及时影响车辆的实时行为。TwinFast改的就是这一点，核心是提升高层决策效率，让它和实时规划系统在速度上更好匹配，把AI模型在复杂驾驶场景里的作用充分发挥出来。

在李伟看来，易博图模型能快速落地，还有一大优势在数据采集与处理体系。

公司现在月均新增数据超过200万段clips，自动标注规模超过1亿帧。围绕数据闭环，团队搭起了数据基础设施、数据挖掘、数据处理和自动标注的完整流程，另外组建运营团队，管理100多台车辆及100多名司机，持续采集真实道路数据。

对无人驾驶模型来说，数据规模只是打底。复杂场景覆盖得够不够、数据处理和标注效率高不高、模型能不能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，是让车辆运营、数据处理和模型训练之间形成闭环，把从发现问题到模型迭代的周期压短。

商业化上，易博图目前靠自营车队验证L4无人驾驶解决方案及配套运营流程。传统运输车队要上无人驾驶，不是买一套软件那么简单，车辆管理、调度、日常运维、异常处理，一整套运营能力都得跟上。所以公司计划先自己持有并运营车辆，把技术和成本模型跑通，再向客户输出包含车辆、软件系统及运营标准的“AI司机服务”，一步步把成熟的无人化运营方案交到客户手里。

从行业空间看，重卡无人驾驶不是单一的车辆智能化市场。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。无人驾驶若能由单车能力延伸到整条运输链条，对应的市场就不只是传统智能驾驶软硬件，而是面向大宗物料运输和重载工业生产的综合性服务市场。公司未来还打算从重卡进一步拓展到挖掘机、装载设备等场景，实现矿山等重载工业场景的全流程无人化。

以下是硬氪与易博图CTO李伟的交流节选：

硬氪：为什么选在这个时间点切入重卡领域做物理AI？

李伟：我们觉得现在切入重卡无人驾驶，时间窗口比较好，核心原因是技术范式在变。过去无人驾驶主要靠规则驱动（Rule-based），行业玩家在这套体系上已经积累了大量研发成果。但AI驱动的技术路线逐渐成熟，尤其是乘用车端到端自动驾驶，加上基于大模型的新技术不断往前走，行业正迎来新的技术拐点。

技术范式一变，新玩家就有机会绕开传统技术路线的历史包袱，直接按新架构建立优势。拿乘用车领域来说，端到端技术相比传统方案，性能提升已经很明显。

硬氪：数据积累是公司的优势之一。这跟团队此前的研究经历有关，还是公司成立后很快建起了数据采集和标注能力？

李伟：更重要的是，我们一开始就把自己定位成一家物理AI公司，把数据基础设施当作核心能力来建。围绕数据闭环，我们从数据采集、数据挖掘、数据处理到自动化标注搭了一系列基础设施，还组建运营团队，负责数据采集和质量管理。

现在有100多台车投入数据采集，也管着超过100人的司机团队及相应的车队管理人员，持续获取符合模型训练需求的真实场景数据。对物理AI来说，数据不光要有规模，还得能持续采集、高效处理，真正服务到模型训练和迭代上。

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？

李伟表示，快慢两套系统一般分成两块：一块是高层决策模型，管的是看懂场景、判断该做什么动作；另一块是实时规划系统，负责把具体轨迹算出来，并控制车辆去执行。

高层模型的短板也很明显。它的理解和推理能力不弱，可一旦推理速度偏慢，就来不及左右车辆的实时动作。打个比方，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以上规划结果，响应速度就对不上了。

李伟说，他们的思路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。传统做法基于多模态语言模型，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。双快系统则少依赖逐Token生成，让模型更直接地完成场景判断和行动选择，决策与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。您觉得关键原因在哪？

李伟答：我看主要有三点。

头一点是技术范式。公司从成立起就按物理AI定位自己，走的是AI驱动的路子，架构直接围绕更容易泛化的技术路线来搭。

再就是数据基础设施和运营能力。成立之初公司就把数据建设当回事，数据采集、处理、标注体系都搭了起来，还靠车辆和司机团队不断拿到真实场景数据。李伟认为，这套基础设施能帮着加快模型迭代。

第三点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，他们想从一开始就用AI-native的方式组织研发，把模型能力放在核心位置，而不是在原来规则驱动的技术体系上做局部修补。