上海易博图科技有限公司（EABOT，以下简称“易博图”）近日连续完成两轮近4亿元融资，投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、猎鹰投资旗下星奇基金等。
易博图成立于2026年2月，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。目前，公司已运营100多台重卡，覆盖60条线路，主要集中在0-300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。
对于一家成立不到一年的物理AI公司而言，模型研发、上车验证与车队运营同步推进，意味着其技术路线已经进入真实业务场景的检验阶段。现阶段，易博图以重卡无人驾驶为切入点，长期则希望将技术能力拓展至矿山、电厂、港口等重载工业场景。
易博图团队核心成员来自华为、理想、Momenta、苹果等头部企业，覆盖了自动驾驶、AI模型研发及工程化落地等领域，具备扎实的技术与落地经验。其中，CTO李伟曾任赢彻算法负责人，参与从0到1研发与运营支持。
李伟介绍，公司模型架构基于 AI 原生范式，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，长期目标是从重卡场景泛化至全重载工业。
具体而言，在这一模型架构中，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；世界模型则用于生成训练数据、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。
车端执行层面，易博图独创了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与决策，E2E端到端规划系统则将决策转化为具体的车辆控制动作。
传统自动驾驶架构通常由高层决策模型和实时规划系统协同完成任务，前者负责理解复杂场景并做出决策，后者负责生成实时轨迹。但如果高层模型推理速度较慢，即使具备较强的场景理解能力，也难以及时影响车辆的实时行为。TwinFast是对传统快慢系统的一种改进，核心在于提升高层决策效率，使其与实时规划系统在速度上更好地匹配，从而充分发挥AI模型在复杂驾驶场景中的作用。
CTO李伟介绍，易博图模型能够快速落地的另一大优势在于数据采集与处理体系。
目前，公司月均新增数据超过200万段clips，高质量自动标注规模超过1亿帧。围绕数据闭环，团队搭建了涵盖数据基础设施、数据挖掘、数据处理和自动标注的完整流程，并配套组建运营团队，管理100多台车辆及100多名司机，持续采集真实道路数据。
对于无人驾驶模型而言，数据规模只是基础。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。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。
商业化方面，易博图目前主要通过自营车队验证L4无人驾驶解决方案及配套运营流程。对于传统运输车队而言，部署无人驾驶车辆并不只是采购一套软件，还涉及车辆管理、调度、日常运维和异常处理等一整套运营能力。因此，公司计划先由自身团队持有并运营车辆，跑通技术和成本模型，再向客户输出包括车辆、软件系统及运营标准在内的“AI司机服务”，逐步将成熟的无人化运营方案交付给客户。
从行业空间来看，重卡无人驾驶并非单一的车辆智能化市场。其潜在价值还包括运输车队的运营管理、车辆调度、能源管理，以及后续与装载、卸载等作业环节的协同。如果无人驾驶能够从单车能力延伸至整条运输链条，所对应的市场将不再局限于传统的智能驾驶软硬件，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。公司未来计划从重卡进一步拓展至挖掘机、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。
以下为易博图CTO李伟观点：
问题：为什么选择在这个时间点切入重卡领域做物理 AI？
李伟： 我们认为现在是切入重卡无人驾驶的一个比较好的时间窗口，核心原因是技术范式正在发生变化。过去，无人驾驶主要依赖规则驱动（Rule-based）的方法，行业玩家已经在这套技术体系上积累了大量研发成果。但随着 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，以及基于大模型的新技术不断发展，行业正在迎来新的技术拐点。
在技术范式发生变化时，新玩家有机会绕过传统技术路线的历史包袱，直接基于新的架构建立优势。以乘用车领域为例，端到端技术已经展现出相较于传统方案的明显性能提升，特斯拉等公司的实践也在推动行业进一步向 AI 驱动的路线演进。
问题：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：更重要的是我们从一开始就将自己定位为一家物理AI公司，并把数据基础设施作为核心能力建设。围绕数据闭环，我们搭建了从数据采集、数据挖掘、数据处理到自动化标注的一系列基础设施，并组建运营团队，负责数据采集和质量管理。
目前，我们有100多台车投入数据采集，也管理着超过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而言，数据不仅要有规模，还要能够持续采集、高效处理，并真正服务于模型训练和迭代。
问题：TwinFast双快系统与自动驾驶中常见的快慢系统有什么区别？
李伟：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。
我们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，从而使决策与规划更好地协同。
问题：公司成立时间不长，模型研发和上车进度都比较快。您认为背后的关键因素是什么？
李伟：我认为主要有三个因素。
第一是基于物理AI定位的技术范式选择。我们从成立之初就定位为一家物理AI公司，因此选择以AI驱动的范式，直接围绕更容易泛化的技术路线搭建架构。
第二是数据基础设施和运营能力。我们从公司成立之初就重视数据建设，不仅搭建了数据采集、处理和标注体系，也通过车辆和司机团队持续获取真实场景数据。这套基础设施能够帮助我们加快模型迭代。
第三是模型团队的人才密度。我们的核心团队具备较强的AI模型研发能力。我们希望从一开始就以AI-native的方式组织研发，将模型能力作为核心，而不是在原有规则驱动的技术体系上进行局部改造。
