物理AI，讓自動駕駛迎來了“第二春”

物理AI，讓自動駕駛迎來了“第二春”

字節跳動正悄悄踏入自動駕駛領域的傳聞，近幾日在科技圈引發熱議。據了解，這項探索由字節旗下的Seed世界模型團隊主導，首個目標鎖定無人物流場景。面對外界詢問，官方回覆相當謹慎：「物理AI領域有很多早期研究和探索，但並沒有做智能駕駛業務的計劃。」行業人士普遍認為，這番話的潛台詞是字節確實在做，只是現階段還不宜用Waymo的估值邏輯來衡量。更值得關注的不只是字節要不要造車，而是它帶著一群研究世界模型的科學家進場，這批人看待自動駕駛的視角，與過去十年累積車隊、狂跑里程的工程師截然不同。要理解這場變革的深度，必須先回顧自動駕駛行業過去的競爭本質，那其實是一場典型的工程堆料競賽。

傳統模塊化技術路線將自動駕駛拆成感知、規劃、控制三大獨立模組：感知端負責辨識路況物體並輸出標籤；規劃端根據預設規則決定行駛策略；控制端執行指令。這套體系撐起了早期規模化落地，卻始終無法根治一個先天性缺陷——極端長尾場景無解。施工錐桶、側翻車輛、橫穿行人、惡劣天氣等非標場景，無法靠人工窮舉規則涵蓋；規則疊加過多還會互相衝突，導致系統失效、決策卡頓。這也是高階智駕長期難以普及的核心瓶頸。物理AI與世界模型的成熟，正在終結這套舊範式。不同於模塊化的被動反應式智慧，世界模型的核心是主動推演式的物理認知：它不再將畫面拆解為零散標籤，而是在AI內部即時構建三維、動態且符合物理規律的虛擬交通世界。

面對複雜路況，系統不必調用預設規則庫，就能基於慣性、摩擦力、運動軌跡等物理因果關係，預判周邊車輛、行人與障礙物的未來動態，提前數秒規劃最佳路徑。簡單來說，傳統自動駕駛是看見才反應，物理AI驅動的自動駕駛則是看懂規律、提前預測。2026年已被業界公認為物理AI元年。生成式多模態技術突破臨界點，影片時序生成、長鏈路推理、視覺直接規劃等能力全面成熟，讓世界模型從實驗室論文變成全行業統一的技術基座。

過去壁壘分明的VLA視覺語言模型路線與世界模型路線，如今正走向融合：小鵬拆掉VLA中冗餘的語言模組、推出X-World世界模型；理想發表MindVLA O1強化空間物理認知；吉利、Momenta、輕舟智航等一線玩家全部匯聚到世界模型旗幟下，技術分歧幾乎消弭。輕舟智航董事長于騫直言：「世界模型加強化學習，就是連接數字世界與物理世界的那座橋樑。」

字節選在這個時候切入，時間點卡得恰到好處。過早兩年，帶著世界模型團隊進場會被當成PPT團隊；過晚兩年，門檻將高到只有巨頭能參與。而字節手上恰好擁有國內最強的世界模型團隊之一——Seed團隊不僅具備多模態模型與世界模型研發能力，還已涉足具身智能和視覺生成，加上字節的算力儲備與人才吸引力，競爭力不言而喻。如果只看無人物流這個場景，字節其實不必這麼大費周章，因為京東、美團、菜鳥加上新石器早已讓賽道相當擁擠，新石器累計部署超過一萬輛L4級無人車，今年交付目標直指五萬輛。但字節真正在下的是一盤更大的棋。馬斯克反覆強調的一句話點出關鍵：「特斯拉FSD數十億英里真實道路數據，是物理AI的巨型訓練場。

感知、世界建模、運動規劃全部能直接遷移給Optimus。如果沒有FSD，研發Optimus的難度會高出一個數量級。」套用到字節身上，自動駕駛車輛就是具身智能機器人的數據採集器。一台機器人在倉庫搬一天箱子，只會遇上幾百種邊角情況；一輛自動駕駛車在城區跑一天，卻會遇上幾萬種。把車隊收集的真實感測數據回饋給世界模型，再去訓練機器人操作模型，速度比從零開始快上十年。字節的棋局很可能是三年起步：第一步，無人物流車隊落地，同時累積自駕真實數據；第二步，用數據反哺世界模型，讓模型在更多物理場景下表現穩定；第三步，將世界模型連同車端硬體遷移到具身智能機器人上。

無人物流車是入口，世界模型是核心資產，具身智能才是終局。字節跨界只是物理AI浪潮的一個縮影，真正值得一級市場關注的，是那些在物理AI敘事下重新定義自身邊界、正成為自動駕駛產業新主力的公司。蘑菇車聯深耕Robobus場景，自研物理世界AI大模型MogoMind，號稱「物理世界的即時搜尋引擎」，透過接入即時動態數據實現全局感知與推理決策。其MOGOBUS已在中國十餘個城市常態運營，包括日照萬平口景區、大理洱海生態廊道等旅遊接駁，以及琴澳醫線等跨區域通勤，累計安全行駛里程超過五百萬公里，服務乘客逾二十萬人次。

更突破性的進展是獨家中標新加坡首個L4級自動駕駛巴士官方項目，MOGOBUS將首次納入海外公共交通系統，這是中國自駕方案首次在海外高等級公交項目落地。新石器是國內最早規模化落地的無人配送企業，已構築0.5至十二立方公尺的全梯度RoboVan產品矩陣，累計部署超過一萬六千輛L4級無人車，行駛里程接近八千萬公里。公司聚焦人類重複性、高危性勞動替代，依賴海量末端配送場景數據，持續優化適合低速、高頻、複雜社區場景的物理AI模型，正加速海外布局，目標2027年在海外交付五萬輛以上。

規模化背後的核心邏輯很簡單：末端配送佔物流總成本五成以上，無人化是唯一的降本出路，順豐、中通、郵政等巨頭的大規模採購已驗證此需求。九識智能於2026年初與菜鳥無人車業務合併，整合後車隊規模超過兩萬輛，覆蓋全球二十國、逾三百座城市，成為無人配送賽道首家估值破百億的獨角獸，螞蟻集團與美團持續加碼。主力車型Z5讓快遞加盟商每月單車綜合成本控制在兩千至三千元人民幣，單票配送成本從零點二元降至零點一元，用實際運營數據證明規模化服務的商業價值。

輕舟智航則從無人駕駛全面升級為「通用物理AI」，提出世界模型加強化學習的統一架構，輔助駕駛系統已搭載二十五款量產車型，2026年預計新增超過五十款，同時與奇瑞商用車合作無人物流，首款量產級L4物流車已在蘇州、金華、蕪湖等城市運營。元戎啟行CEO周光明明確表示公司目標是「成為物理世界的AI基礎設施」，2026年量產交付目標突破一百萬輛，城市NOA方案已獲多家車廠定點，正從輔助駕駛供應商向物理AI平台進化。

踏歌智行則深耕礦山、礦區等封閉工業場景，打造專屬工業級物理AI自動駕駛體系，自研「車—地—雲」協同無人運輸方案，針對礦區複雜路況、重載行駛與極端環境最佳化模型，已落地國家能源集團、包鋼集團等二十餘家頭部央企，累計交付超過七百輛無人礦車，透過封閉場景高品質物理互動數據持續迭代工業級物理AI模型，建立深厚壁壘。這些自動駕駛新勢力共同指向一個核心邏輯：物理AI時代的決勝關鍵不再是車隊規模或感測器數量，而是誰的世界模型對物理世界理解更深、推演更準。

于騫認為，要用更強的大腦而非大量感測器堆疊；Momenta的曹旭東則指出，要實現規模化L4，累計投入至少是百億美元級別，這種門檻天然有利於資源集中的頭部企業。

對投資人來說，這批企業值得關注的共性包括：數據飛輪已然形成，無論是Momenta的一百二十億公里里程、新石器的萬輛車隊，還是蘑菇車聯的營運網絡，真實世界數據壁壘一旦建立，後來者很難透過燒錢短期打破；商業閉環正在驗證，Momenta三年營收翻三倍、新石器單月盈利、無人配送單票成本降至四分錢人民幣，都是營運中實際跑出的數字；技術代差正在拉大，當世界模型從輔助工具變成基座模型，系統能力上限可能不是百分之十的提升，而是十倍甚至百倍的代際差距，率先完成躍遷的企業將建立難以追趕的優勢。當然，風險依然存在。

車廠自研趨勢正在壓縮獨立智駕供應商的生存空間，小鵬、理想、比亞迪都走全棧自研路線，如何在賦能車廠與保持獨立之間找到平衡，是所有第三方智駕公司必須面對的課題，字節跨界帶來的變數也讓行業格局更加撲朔迷離。但無論如何，物理AI正重新定義自動駕駛這門生意的本質——它不再是汽車零組件的延伸，而是物理世界認知智能的載體。誰能率先打造出真正理解物理規律的數字大腦，誰就能在下一個十年的產業競爭中佔據制高點。這波浪潮中跑出來的，不一定是當年最會堆料的那批人，但一定是最先讓AI看懂物理世界的團隊。