“2026世界人工智能大会”在上海世博中心启幕。与往年不同的是，今年的展会现场，人工智能的变革形态变得清晰可见：AI不再局限于屏幕里的文字与图像生成，大批国产人形机器人、具身智能硬件集中亮相展厅。在场馆的各个角落，各种人形机器人分散开来，专门给观众指路。

　　在WAIC现场，也有激光雷达厂商基于SPAD-SoC自研芯片发布了新的感知平台。田丰表示：“线数指标是扫描时代的遗产，像素是面阵时代的货币。”他指出，过去“线数”描述的只是发射通道数量，而数字SPAD-SoC芯片将直方图生成、噪声过滤等集成在芯片内部，直接压缩了感知的尾部误差，这才是物理AI可以依赖的工程基础。

　　邱迪聪也从机器人感知的实用性角度肯定了这一趋势。他认为，激光雷达从线数转向像素级、图像级感知，是行业确定的大趋势。传统的激光雷达依靠线束采集信息，数据本身是残缺的，需要靠推理还原；而常用的深度相机有效感知距离短、定位精度不足。“SPAD面阵芯片可以像普通图像一样输出1∶1对应的稠密、精准深度信息，能提供更准确、更全面的深度数据。”

　　更深层次的驱动力来自对供应链核心技术的掌控与成本突破。速腾聚创市场部总监谢阗地向

　　通过自研SPAD-SoC芯片，国内厂商重构了激光雷达的成本结构。田丰分析称，摩尔定律进入激光雷达的方式是3D堆叠，当芯片流片工艺从28nm向16nm/12nm推进，像素密度可以翻倍，而每颗芯片的制造成本因制程成熟下降30%~40%。随着成本的大幅下探，高精度三维感知设备正广泛下放至割草机器人、四足机器人、人形机器人等各类产品中。

　　随着硬件形态和成本结构的改变，传统激光雷达厂商的产业定位也在改变。基于SPAD-SoC的新型融合传感器成为“物理AI数据入口”，正替代单纯的硬件售卖，成为更大的产业图景。

　　“我们之前是给机器人做‘眼睛’，现在一方面也在做‘眼睛’，另外一方面我们帮忙一起来给机器人做‘脑子’。”谢阗地说。

　　这一转变的背后，是自动驾驶与具身智能在真实感知需求上的根本差异。谢阗地对比称，车载场景相对结构化，汽车主要识别前方行人和车辆，只要算出来并避让或刹车即可。但在机器人应用中，情况截然不同：“你在桌面上整理小球，或者桌上有两杯水，你要拿后面那杯。机器人的脑子需要经历复杂的判断，理解水杯的前后关系、大小关系。”

　　这就解释了为何纯

　　更关键的是，上层AI大模型的演进，正在对底层感知硬件提出强制约束。田丰指出，当前具身智能的训练范式，正向端到端模型直接消费传感器原始数据演进。“图像级激光雷达输出的结构化2.5D/3D数据，在格式上与RGB图像高度对齐，可以直接进入

　　为此，感知厂商开始深度介入数据采集与模型训练环节。据业内人士介绍，现在大量做数据采集的公司找激光雷达企业买传感器。“带着雷达去采集，最后出去的数据既有小球的位置信息，又有画面信息，很精准。先用人的动作训练它怎么抓，机器人学习这套东西的效率就更高，数据质量就更高。”

　　这也能反映机器人训练的多模态方向。多模态输入的广度与深度将直接决定物理AI的智力上限。行业已从文字、图像扩展到，未来还将融入声音、深度和触觉等信息，VLA模型正加速吸纳更丰富的感知维度。

　　不过，多模态融合并非简单堆砌传感器，而要在底层芯片实现“前融合”——让每个像素同时采样颜色与距离，信息密度翻倍且不增加时间代价。这种高度集成也解决了“叠床架屋”的系统冲突问题，用一颗芯片输出干净统一的多模态数据结构。