模型路线趋同之后，Physical AI 的胜负手变了

📌 一句话摘要

文章梳理了智能驾驶向物理 AI 演进的三个阶段，指出数据‑模型、视觉‑行动、仿真‑真实三层断裂，并介绍 Superfluid Lab 如何通过基座模型和组织闭环尝试解决这些瓶颈。

📝 详细摘要

文章回顾了智能驾驶从早期高度模块化系统、到端到端模型盛行，再到当前物理 AI 热潮的技术演进。它指出，尽管 VLA、世界模型和基座模型等技术路线各有侧重，但都在逐步收敛到同一个核心问题：如何从真实世界获取数据、形成环境理解、将理解转化为行动，并根据行动结果继续学习。文章进一步揭示了物理 AI 面临的三层“断裂”：数据与模型之间的反馈不足、视觉与行动之间的转化困难、以及仿真与真实之间的迁移 gap。针对这些瓶颈，文中重点介绍了元戎启行内部成立的 Superfluid Lab——由前 DeepSeek 核心成员阮翀领衔的 AI 实验室。该实验室以基座模型为研究核心，同步推进 VLA 模型、世界模型和 AI 基础设施，并通过开放、扁平的组织结构打造技术与组织双闭环，力求实现零摩擦的能力积累。文章还将这一探索类比为 OpenAI 早期的长期主义路径，强调物理 AI 正进入基础能力与组织竞争的第三阶段。

💡 主要观点

- 智能驾驶技术经历了从模块化到端到端再到物理 AI 的三阶段演进，当前趋向 VLA、世界模型和基座模型的融合。 早期依赖感知、预测、规划控制的模块化系统；端到端模型减少人工规则让模型直接输出控制信号；物理 AI 则进一步强调模型需要从真实世界持续获取数据并实现闭环学习。

物理 AI 面临数据‑模型、视觉‑行动、仿真‑真实三层断裂，需要闭环反馈才能持续学习和进化。 模型与数据之间需要模型发现问题、数据系统补充场景的反馈；视觉与行动之间需要未来预测、策略训练和真实验证；仿真与真实之间则要求真实问题进入仿真、仿真能力再返回真实环境验证。

Superfluid Lab 以基座模型为核心，结合 VLA、世界模型和 AI 基础设施，旨在打造技术与组织双闭环，实现零摩擦的能力积累。 实验室内部划分大模型算法、仿真算法和 AI Infra 三个方向，围绕同一个基座模型展开协作，强调开放、扁平的研发组织，以长期主义追求通用智能底座。

该实验室背景源于元戎启行及前 DeepSeek 核心成员，强调开放、扁平的研发组织，以长期主义追求物理世界的通用智能底座。 Superfluid Lab 由元戎启行内部孵化，阮翀曾是 DeepSeek 核心成员；其实验室不以特定产品节点为终点，而是围绕基础模型能力建立长期研究路径，类比 OpenAI 早期的通用智能探索。

💬 文章金句

- 快的东西，往往也很快被替代。慢的东西，一旦建成，会成为很多快的东西的底座。

• 真正的长期主义，始终是去做那些难而正确的事。
• 物理 AI 需要一套能够持续学习和进化的系统。

📊 文章信息

AI 初评：90

来源：量子位

作者：杰西卡

分类：人工智能

语言：中文

阅读时间：19 分钟

字数：4605

标签： 世界模型, 自动驾驶, 具身智能, AI 工作流, 模型训练与推理

阅读完整文章