| 公司 | 易博图 |
|---|---|
| 融资轮次 | 轮次未披露 |
| 融资金额 | 4亿元人民币 |
| 投资方 | 葛卫东、辰韬资本、弘毅投资、零一汽车、兴富资本、猎鹰投资旗下星奇基金 |
| 总部 | 上海市闵行区 |
| 创始人 | 未披露 |
| 官网 | https://www.agibot.com/ |
两轮合计近4亿，单轮金额与轮次却未披露
易博图此次融资的信息披露方式颇为特殊。据36氪报道，公司“近日连续完成两轮近4亿元人民币融资”，投资方包括葛卫东、辰韬资本、弘毅投资、零一汽车、兴富资本、猎鹰投资旗下星奇基金等。但两轮融资各自的单轮金额、具体轮次、各投资方分项金额均未披露。对于一家成立不足一年的公司而言，连续完成两轮融资通常意味着首轮与次轮之间间隔极短，或者投资方在首轮交割后迅速追加。但这一推断无法从现有公开信息中得到证实。
从投资方构成看，葛卫东作为个人投资者出现，其长期因上市公司持仓受到市场关注，近年投资延伸至未上市科技企业。辰韬资本、弘毅投资、兴富资本属于财务投资机构，猎鹰投资旗下星奇基金参与其中。零一汽车则是唯一的重卡产业方。零一汽车研发、销售新能源智能重卡，产品面向不同货运场景，与易博图瞄准的大宗运输业务有直接联系；但双方尚未披露具体的联合产品或采购合作安排。这意味着，产业协同目前仍是一个待验证的假设，而非已经落地的商业事实。
据科创板日报（搜狐转载）报道，易博图本轮融资资金据悉将用于物理AI模型迭代、车队规模扩张、复杂工况验证及团队扩充。这一资金用途与公司当前“自营车队+模型研发”双线并进的业务结构吻合，但并未透露各用途之间的资金分配比例。对于一家同时承担车辆购置、司机管理、数据基础设施建设和模型训练成本的公司而言，近4亿元人民币资金的实际消耗速度，将直接取决于车队扩张的节奏。
从L4重卡切入，但产品定义是“移动+操作”物理AI
易博图的产品叙事有一个明显特征：它不愿被归类为单纯的自动驾驶公司。据36氪报道，公司聚焦重载工业物理AI，核心业务是研发面向重载场景的“移动+操作”物理AI模型。现阶段以L4重卡无人驾驶为切入点，长期计划将技术能力拓展至矿山、电厂、港口等重载工业场景，并进一步延伸至挖掘机、装载设备等。
这一产品定义的逻辑是：重卡无人驾驶只是“移动”能力的第一个落地场景，而重载工业的完整价值在于“移动+操作”的复合能力。矿山场景中，挖掘、装载、运输、卸载构成连续作业链条，如果AI系统只解决运输环节，仍然需要人工完成装卸协同。易博图希望从重卡驾驶切入，逐步泛化至全重载工业。但这一路径的验证周期极长，目前公司所有可核验的运营数据均来自重卡运输，尚未披露任何挖掘机、装载设备或矿山全流程无人化的实际进展。
技术架构上，据36氪报道，CTO李伟介绍公司采用Efficient Physical AI技术路线，以通用多模态与世界模型为底层基座，向上支撑面向重卡L4的专项驾驶能力，并通过真实物理闭环实现数据与模型的持续反哺与演进。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；世界模型用于生成训练数据、补充复杂边缘场景，并辅助模型训练和仿真评测。在此基础上，公司通过后训练强化模型对驾驶任务的理解与执行能力，并针对规则遵从和安全要求进行强化学习训练。以下技术描述均为公司口径，尚无独立第三方验证。世界模型在自动驾驶中的应用，目前行业仍处于早期探索阶段，其实际效果高度依赖数据规模、场景覆盖度和训练基础设施。易博图披露的数据闭环能力，是其技术叙事中最具可核验性的部分，但数据规模本身并不等同于模型能力。
TwinFast双快系统的真实问题：决策速度与规划速度的匹配
据36氪报道，易博图车端采用TwinFast“双快协同认知驾驶系统”，由JEV决策系统负责快速场景判断、E2E端到端规划系统将决策转化为车辆控制动作。
这一系统针对的是传统自动驾驶架构中的一个具体问题。据36氪报道，CTO李伟解释，传统快慢系统通常由高层决策模型和实时规划系统组成，前者负责理解场景、判断应该采取什么行动，后者负责生成具体轨迹并控制车辆执行。问题在于，高层模型虽然具备较强的理解和推理能力，但如果推理速度较慢，就很难及时影响车辆的实时行为。例如，高层模型每秒只能完成一次推理，而底层规划系统每秒可以生成十次甚至更多规划结果，两者之间就会出现响应速度不匹配的问题。
李伟称，易博图的思路是让高层决策系统变得更快，同时保留实时规划系统的速度优势。传统基于多模态语言模型的决策方式，往往需要逐个生成Token并形成思维链，在驾驶场景中可能带来较高延迟。双快系统能够减少对逐Token生成的依赖，让模型更直接、高效地完成场景判断和行动选择。这一技术路径的选择逻辑清晰，但其实际效果只能通过真实道路测试中的接管率、决策延迟和复杂场景通过率来验证，而这些指标目前均未披露。
值得注意的边界是：TwinFast解决的是决策与规划的速度匹配问题，而不是L4重卡无人驾驶的全部技术挑战。重卡在满载状态下的制动距离、横向稳定性、装卸场景中的精准停靠，以及矿区非铺装路面的通过性，都是独立于决策速度的技术难题。易博图目前披露的信息集中在决策架构和数据闭环上，尚未涉及这些重卡特有的控制与安全问题。
100多台车、60条线路：自营车队是数据引擎，也是成本中心
据36氪报道，易博图已运营100多台重卡，覆盖60条线路，主要集中在0至300公里的大宗物料短倒场景，并且已经在新疆、内蒙古等不同区域的复杂路况中开展真实道路零接管测试。数据侧，公司月均新增数据超过200万段clips，自动标注规模超过1亿帧。据36氪报道，其运营团队管理100多台车辆及100多名司机。
这组数据需要放在两个维度上理解。第一，100多台重卡在自动驾驶车队中属于中等规模，但考虑到易博图成立不足一年，这一扩张速度相当快。第二，自营车队同时承担着运输服务、数据采集和模型验证三重职能。据科创板日报（搜狐转载）报道，公司现阶段自持车辆开展运输服务，获取运费收入，同时积累驾驶数据和运营经验。这意味着每一台车既是收入来源，也是数据采集终端，还是技术验证平台。
但这种模式的成本结构不容忽视。重卡的购置、保险、能源、维修、司机薪酬和调度管理，构成了持续的现金流出。运费收入能否覆盖这些成本，取决于线路的货源稳定性、运价水平和车辆利用率。易博图尚未披露其自营车队的单位经济模型，包括单车日收入、运营成本、司机成本占比等关键指标。在计入车辆、人员、能源和维护成本后，能否形成有价格竞争力的运输服务，仍待验证。
数据闭环方面，月均新增超200万段clips和自动标注规模超1亿帧，说明公司在数据基础设施上投入了实际资源。但数据规模只是模型训练的必要条件，不是充分条件。复杂场景的覆盖程度、数据处理和标注效率，以及模型能否从实际运行中持续获得反馈，同样影响研发进度。据36氪报道，易博图希望通过车辆运营、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。这一目标的实现程度，目前只能通过后续模型版本的迭代速度来观察。
竞争不在技术路线，而在谁先把运输服务做成可复制生意
据科创板日报（搜狐转载）报道，卡尔动力于2026年3月完成超1亿美元B轮融资，由地平线与高榕创投联合领投，资金同样投向车队扩张和运输机器人研发。这是行业背景，而非本轮交易的一部分。
卡尔动力与易博图的差异在于商业化路径。据科创板日报（搜狐转载）报道，卡尔动力也在内蒙古等地开展大宗运输，但其商业化方式侧重“一人多车”的混合智能编队，通过一名驾驶员带领多辆车运输降低人力成本。据报道，公司已在鄂尔多斯棋盘井启动规模化运输网络，并称部分线路的单位经济模型已经转正，测算包含车辆折旧、维修和保险等费用。易博图则选择先自营车队跑通技术和成本模型，再向客户输出“AI司机服务”。两者的场景有重叠，但卡尔动力的“一人多车”模式保留了驾驶员作为安全冗余，而易博图的L4目标更接近完全无人化。
在相邻的矿区无人运输领域，据科创板日报（搜狐转载）报道，易控智驾已于2026年7月8日在港交所上市，业务主要服务大型露天矿山，客户覆盖煤矿、金属矿及非金属矿。矿区运输与易博图面向的公路短倒运输，在道路环境和运营条件上有所不同。矿区场景通常封闭或半封闭，道路非标准化，但交通参与者少；公路短倒场景则涉及公共道路、社会车辆和更复杂的交通规则。易博图在新疆、内蒙古的真实道路测试，更接近公路场景的复杂性，但其客户是否愿意为完全无人化承担更高的初期成本，仍是未知数。
从这三家公司的推进路径看，竞争已经涉及车辆、驾驶系统、调度及现场运维等多个环节。据科创板日报（搜狐转载）报道，卡尔动力管理层在采访中提到，车队从数十辆扩大到数百辆乃至上千辆时，售后、运维和调度会成为新的挑战。这一判断对易博图同样适用。100多台车的运营管理已经需要100多名司机和配套管理人员，如果车队规模继续扩张，运营复杂度将非线性上升。
投资逻辑与待验证假设：产业协同、数据壁垒与付费合同
本轮投资方的进入逻辑，可以从三个层面理解。第一，零一汽车作为重卡产业方，其投资可能指向前装适配或车辆供应层面的协同。但如前所述，双方尚未披露具体的联合产品或采购合作安排。这一协同能否落地，可核验的指标包括：前装定点公告、联合运营线路的公开披露、采购合同或战略合作协议的正式发布。在此之前，产业协同只能视为待验证假设。
第二，财务投资机构押注的是物理AI在重载工业的泛化潜力。易博图从重卡驾驶切入，长期目标覆盖挖掘机、装载设备等场景。这一叙事的吸引力在于，如果“移动+操作”模型能够在重卡上验证，理论上可以迁移至其他重载设备。但泛化能力的验证需要实际产品落地，目前公司尚未披露任何重卡之外的具体项目或客户。
第三，葛卫东作为个人投资者的参与，更多是信号意义。其长期因上市公司持仓受到市场关注，近年投资延伸至未上市科技企业。由于具体金额和轮次未披露，其在本轮中的权重无法从公开信息判断。
据科创板日报（搜狐转载）报道，根据财联社创投通—执中数据，以2026年11月为预测基准时间，易博图后续2年的融资预测概率为73.75%。该数据仅为模型估算，不代表实际融资结果，且该预测基于历史融资数据，与本次两轮融资的完成无直接关系。这一数字不应被解读为对公司前景的判断，它只是第三方数据平台基于历史融资数据给出的统计概率。
易博图面临的核心风险，在于成立时间短、模型研发与车队运营需同步推进。公司成立于2026年2月，至今不足一年。在如此短的时间内，团队需要同时完成模型架构搭建、车端系统开发、车队组建、数据基础设施建设和真实道路测试。任何一条线的延迟，都可能拖累整体进度。
更关键的待验证假设是商业模式。据报道，易博图后续计划适配不同整车厂的重卡，向车队提供智驾套件、AI Driver软件订阅及持续运营支持。但目前公司尚未披露这一产品模式的付费客户、订阅收入及具体收费方式。从自营车队到对外输出“AI司机服务”，中间隔着产品标准化、整车厂适配、客户信任和定价模型四道坎。第一份外部付费合同的出现，将是比任何技术指标都更重要的验证节点。
近4亿元人民币能买到什么：模型迭代、车队扩张与验证窗口
如前所述，易博图本轮融资资金据悉将用于物理AI模型迭代、车队规模扩张、复杂工况验证及团队扩充。这四项用途中，车队规模扩张是最直接的现金消耗项。重卡购置成本较高，100多台车的车队已经是一笔可观的资产投入。如果车队规模继续扩大，资金消耗速度将显著加快。
模型迭代和复杂工况验证则是更长期的投入。物理AI模型的训练需要持续的数据采集、标注和算力支持。易博图月均新增超200万段clips的数据规模，意味着数据处理和标注成本将随车队扩张同步增长。团队扩充则涉及算法、工程、运营等多个岗位，在自动驾驶人才竞争激烈的背景下，人力成本不容低估。
从资金使用效率的角度看，易博图面临一个两难选择：车队扩张越快，数据积累越多，但现金消耗也越大；车队扩张放缓，数据闭环的迭代速度可能受限。近4亿元人民币资金为公司在两条线之间提供了缓冲，但并未消除这一结构性张力。公司需要在自营运费收入、数据采集需求和现金储备之间找到平衡点。
另一个值得关注的变量是零一汽车的潜在角色。如果双方未来达成车辆供应或前装合作，易博图的车队扩张成本可能下降，技术适配周期可能缩短。但这一假设目前没有任何公开协议支撑，只能作为观察方向。
易博图用不到一年时间完成了从成立到百台车队、两轮融资的跨越，但技术验证、商业验证和财务验证的节奏并不相同。零接管测试的里程数可以积累，数据clips可以增长，但第一份外部付费合同何时出现、以什么形式出现，才是决定这家公司能否从自营车队走向“AI司机服务”的真正分水岭。在0至300公里的大宗物料短倒场景里，货主关心的不是模型架构是否先进，而是运输是否准时、车辆是否可靠、每趟能省多少成本。易博图已经证明了它可以运营一支车队，接下来要证明的是，这支车队的能力可以被复制给别人的车队。
RecodeX 极客视：易博图用近4亿元人民币买到的，不是一张L4重卡的技术门票，而是一个同时运转模型研发、车队运营和数据闭环的验证窗口。真正值得追踪的指标，不是零接管测试的里程数，而是第一份外部付费合同何时落地、客户是货主还是车队、收费方式是运费分成还是软件订阅。在0至300公里短倒场景里，如果自营车队的单位经济模型无法跑正，那么“AI司机服务”的对外输出就缺乏定价基础。零一汽车的产业协同能否从投资关系升级为前装或联合运营协议，是另一个可核验的观察点。在此之前，所有关于物理AI泛化至矿山、电厂、港口的叙事，都只是尚未兑现的期权。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。