物理 AI ，拆了智驾和座舱的墙

📌 一句话摘要

本文从新思科技与高通的最新发布切入，系统阐述物理 AI 如何推动智能驾驶与智能座舱走向技术融合，并分析由此带来的芯片设计、算力分工与产业格局变化。

📝 详细摘要

文章以 2026 年 5-6 月新思科技与高通在汽车领域的两次重要发布为引子，系统梳理了物理 AI 在汽车行业的技术趋势。核心论点包括：物理 AI 的本质是让 AI 具备在物理世界中感知、理解、预测和行动的能力，其关键技术路径是「世界模型+强化学习」；这一趋势正推动智驾与座舱从算法到硬件走向舱驾一体，共享感知系统与算力池，带来成本与开发效率的双重收益；芯片层面，物理 AI 要求算力效率与功耗的极限平衡，推动工艺向端侧优化（如台积电 C-Node），并催生 AI 辅助芯片设计工具（如新思 Agent Engineer）；算力分工上，训练中心化、推理边缘化成为明确趋势，汽车作为最大的单体边缘 AI 设备，其端侧推理入口价值凸显。文章引用了高通、新思、小鹏、理想、元戎启行、Momenta 等多方高管观点与具体数据，信息密度高，逻辑链条完整。

💡 主要观点

- 物理 AI 的核心技术路径是「世界模型+强化学习」。 世界模型用于理解物理世界因果、生成长尾场景与闭环仿真，解决数据来源问题；强化学习则让模型在仿真中自我进化，超越人类驾驶水平，满足 L4 级安全要求。

物理 AI 推动智驾与座舱走向舱驾一体，从可选项变为默认项。 技术同构（多模态感知、大模型推理、智能体执行）与经济账（内存涨价周期下共享单颗 SoC 与内存）是主要驱动力，舱驾一体让座舱与智驾共享算力池，实现负载互补。

芯片设计面临系统级挑战，竞争关键从单点性能转向「一次做对」的系统能力。 物理 AI 对实时性、能效比、功能安全提出严苛约束，推动工艺向端侧优化（C-Node），并催生 AI 辅助设计工具（Agent Engineer）以应对 12 个月迭代周期。

算力分工明确为训练中心化、推理边缘化，汽车成为最大边缘 AI 入口。 训练是资本竞赛，仅少数玩家参与；边缘推理是规模生意，受实时性、隐私、可用性、成本四个硬约束驱动，掌握车端推理即掌握物理 AI 时代最大入口。

💬 文章金句

- 物理 AI 的本质是让 AI 长出「手和脚」。

• 智能驾驶就应该像人类开车，不是看遍千万场景才学会，而是理解这个世界和驾驶行为之后就会了。
• 舱驾融合意味着「相同硬件开发基础上，开发工作减半」。
• 竞争的关键不在单点性能，而是系统级一次做好的能力。

📊 文章信息

AI 初评：88

来源：财经杂志

作者：财经杂志

分类：商业科技

语言：中文

阅读时间：12 分钟

字数：2927

标签： 物理AI, 智能驾驶, 智能座舱, 舱驾一体, 芯片设计

阅读完整文章