智能駕駛進入物理AI時代？7位行業嘉賓給出最新判斷

10月26日，第八屆智能駕駛大會暨2026環秀湖物理AI產業發展推介會在蘇州相城舉行。上一屆，車路雲一體化、智能駕駛出海和無人駕駛商業化是討論重點，而到了今年，大會的討論邊界進一步從智能駕駛向物理AI延伸。世界模型、強化學習、端側智能、虛擬仿真、Robotaxi之外，機器人、低空飛行器等不同形態的物理智能開始出現在同一場大會上。這背後，是智能駕駛行業正在面對的一組新問題。

一方面，高階輔助駕駛已經進入規模化上車階段，Robotaxi也開始從技術驗證走向運營和商業化；另一方面，當AI真正進入汽車、機器人、飛行器等物理設備，如何獲得足夠的數據、如何訓練和驗證模型、如何降低開發成本，以及如何保證系統在真實世界中的安全性，正在成為新的技術難題。當天，包括Momenta、曹操出行、面壁智能等企業，以及高校和科研機構的多位嘉賓，從世界模型、強化學習、端側大模型、虛擬仿真、車路雲和物理AI基礎設施等方向給出了自己的判斷。總結這些發言不難發現，智能駕駛正在成為物理AI最早進入現實世界的一塊試驗場。

而從一輛車的自動駕駛，到機器人、低空飛行器以及城市交通系統，不同技術路線正在回答同一個問題：AI如何從數字世界真正進入物理世界，並形成可以規模化運行的產品。中國工程院院士，清華大學車輛與運載學院教授、智能綠色車輛與交通全國重點實驗室主任 李克強關鍵詞：智能駕駛安全、車路雲一體化、單車智能瓶頸李克強認為，汽車智能化已經進入大規模應用和商業閉環階段，當前首要問題是智能駕駛系統安全。僅依靠單車自身的傳感器和計算能力存在物理邊界，高級別自動駕駛需要從單車智能進一步向車雲協同、車路雲一體化演進。

他將當前自動駕駛產業的瓶頸歸納為三類：一是部分產品定義與國家、國際標準存在偏差；二是高安全、高可靠自動駕駛的關鍵技術仍待突破；三是行業投入與商業產出仍不匹配。技術層面，他認為主要存在三個問題：感知能力仍有邊界。如果車輛“看不見、看不遠、看不全”，再強的AI決策也無法彌補信息缺失，因此需要通過超視距感知、數字信號上車和協同感知增加信息來源；AI模型訓練數據仍不完整。自動駕駛正在進入多模態和大模型階段，但數據類型和場景覆蓋不足仍可能產生安全問題；開發效率較低。當前大量系統仍採用“煙囪式”架構，缺乏統一底座，存在開發門檻高、複用率低和驗證週期長等問題。

李克強提出，車路雲一體化可以提供兩類核心能力：一是建立標準化“數據軌道”，向車輛提供廣域、多維、實時交通信息；二是形成面向AI大模型的數據服務體系，為模型持續提供高可靠數據。目前相關方案已經進入產業化驗證。包括北京、重慶在內的城市正在開展車企協同開發，應用場景覆蓋前方靜止障礙物、“鬼探頭”、綠波通行等。部分項目已經進入量產階段，今年已有7家車企推進相關應用，中國一汽也已公佈量產導入。他認為，高級別自動駕駛未來需要解決三個問題：正視安全瓶頸、突破單車智能的物理邊界，並通過車路雲一體化降低開發成本、提高研發效率。

歐洲科學院院士，清華大學車輛與運載學院教授 曲小波關鍵詞：物理AI、數字孿生、飛行汽車、需求響應公交曲小波認為，物理AI正在推動數字孿生從“映射和監視現實世界”，進一步走向“理解、推演並實時控制現實世界”。傳統數字孿生主要完成物理實體到數字實體的映射，但數字端推演往往需要數秒，很難實時控制物理系統。相關國家重點研發項目希望重點解決四個問題：實現具有泛化能力的數字推演、將推演時間壓縮到100毫秒以內、建立數字端與物理端互操作機制，以及通過跨尺度、多層次架構降低末端執行誤差。其技術體系分成三個層級：組件級：提高電機等執行機構的設計效率和執行精度。

通過物理AI學習既有電機數據，可以在約10%誤差下，將部分單點計算從小時級縮短到毫秒級；載具級：解決Sim-to-Real Gap、不同機型與動力學適配以及快速驗證，應用於自動駕駛、飛行器自主巡航和工程機械自主作業；系統級：實現多種異構載具之間的協同，包括需求響應公交、低空交通管控、礦山工程機械等。在飛行汽車方面，團隊與奇瑞合作開發了自主巡航複合翼模塊化飛行汽車，由機翼、座艙和底盤組成，可以分別組合成自主巡航飛行器和自動駕駛汽車。工程機械方面，通過世界模型生成候選軌跡並完成軌跡選擇，同時優化起鏟點和卸料位置，使工程機械能夠完成環境建模、鏟裝、運輸和卸料的連續作業。

需求響應公交目前已在湖南株洲職教城常態化運行18個月。當地約有10萬名師生，超過50%已經註冊使用。與出租車相比，點到點行程時間只相差約2分鐘，但平均單次成本約為2元，對比出租車約9.16元。低空交通方面，則通過構建起降區域全息環境，進行衝突預測、起降排序和資源調度，目前已經在重慶將通航機場改造成飛行汽車起降測試場。湯元科技CEO 任冬淳關鍵詞：世界模型、仿真訓練、合成數據、虛實閉環任冬淳介紹了Yootta WorldLoop世界模型，這是一套面向智能駕駛和物理AI的虛實融合閉環訓練與評測系統。

整個系統覆蓋數據採集、數據生產、算法訓練、算法評測、真機驗證和數據迴流，並由場景生產與編輯、算法訓練、仿真評測與真機驗證三個平臺組成。其核心技術包括四個模塊：CAD和3D結構數據物理化；生成式世界模型；4D數據渲染器；仿真物理引擎。其中，3D資產除幾何和顏色信息外，還會加入質量、摩擦力、彈力和材質等物理屬性，使機器人能夠真正與虛擬資產發生交互。目前相關係統已經覆蓋家居、工業、商業零售、智能駕駛行車和泊車五類場景。在具身智能場景中，可以加載不同機器人的URDF模型，並設置抓取、導航等任務。

任冬淳表示，如果通過真機採集1000條抓取數據，每條需要約1分鐘，總耗時超過1000分鐘；採用GPU並行仿真，可以將同等規模的數據生產和訓練縮短到數分鐘至十幾分鍾。智能駕駛方面，可以利用車端或路端傳感器重建真實道路環境，再改變天氣、光照、車輛數量等條件，用於行車和泊車算法訓練與驗證。目前Yootta已經與尚品宅配開放500套家居場景，每套包含數百至上千個可以與機器人交互的資產。下一階段計劃構建5000個虛實對應場景，發佈100萬個真實資產、500萬小時合成數據，並適配約50款機器人硬件本體。

曹操出行CEO 龔昕關鍵詞：RoboX、Robotaxi、物理AI Agent、天地空一體化出行龔昕認為，AI時代出行行業的競爭正在從流量入口轉向一體化供給能力。曹操出行由此提出RoboX戰略，希望把網約車、出租車、巴士、低速物流車、貨運卡車和eVTOL等不同移動能力，統一封裝成可以被AI Agent實時調用的服務。在這一體系中，用戶未來可能不再需要單獨打開叫車APP，而是由AI根據日程、位置和個人需求，自動選擇並調用相應出行服務。

曹操出行將物理AI在出行領域的商業模式分為四類：基礎出行服務：統一調度Robotaxi、高鐵、低空飛行器等交通工具；超級物理AI Agent：讓車輛成為旅遊、餐飲、娛樂等現實服務入口；實時立體數據服務：利用車內外傳感器形成實時環境數據，在合規前提下服務企業和城市管理；分佈式算力：進一步利用車輛閒置算力。支撐RoboX戰略的是Robo OS，負責連接線上AI Agent與線下移動載具，並將用戶偏好、出行場景、履約結果、位置和路線等真實數據反饋給AI。目前曹操出行Robotaxi已經覆蓋六座城市，車隊規模超過200輛；Robo One在長沙、成都部署超過50臺，並計劃進入蘇州。

RAS遠程中心已經在杭州和蘇州落地。按照規劃，到2030年，曹操出行計劃在蘇州投放數千臺Robotaxi和Robo One，實現7×24小時常態化運營。其發展路徑分為三個階段：2026年跑通Robotaxi和Robo One載人、運貨的准入和運營閉環；2027年隨著正向研發Robotaxi車型下線開始規模複製；到2030年，將蘇州模式向全國及海外市場推廣。

愛思人工智能科技有限公司董事長 楊通關鍵詞：Agnes Harness、物理AI、Test Time Training、硬件協議楊通認為，AI正在出現三項變化：通用大模型進入更多垂直領域，模型開始通過Skill和訓練反饋實現自我進化，以及大模型開始直接連接物理設備。基於這一趨勢，愛詩人工智能開發了Agnes Harness，希望降低通用模型向垂直智能體和物理AI應用遷移的成本。Agnes Harness採用前後端解耦設計，將模型能力與MaaS、記憶、沙箱、搜索與工具、上下文管理、團隊協作等能力封裝起來，再通過Plugin和Skill機制適配不同應用。

在物理AI層面，其核心能力之一是MHS，即通過標準硬件協議，讓大模型能夠用自然語言連接顯微鏡、醫療設備、攝像頭、無人機等可編程設備。目前已經進行小車與機器狗協同實驗，兩臺設備依靠攝像頭感知環境，再由大語言模型直接參與決策，不使用傳統遙控，也不需要完整預設動作流程。另一個重點是ISI，主要包括兩部分：將模型運行過程中的能力持續沉澱為Skill；通過TTT（Test Time Training）讓模型在實際運行過程中繼續更新。楊通表示，傳統模型數據採集、訓練和推理由不同團隊完成，模型上線以後往往長期不變；TTT希望把數據採集、執行反饋和模型更新連接起來，使模型能夠針對具體環境持續適應。

目前相關實驗使用約0.9B參數模型進行驗證，部分模型約每半小時更新一次。在遊戲測試中，持續積累Skill後，部分任務勝率從約3%提升到90%，三對三場景從0提升到約60%。目前愛詩人工智能模型月調用量約65萬億Token，月圖片生成量約5000萬張，視頻生成量約1.7億秒。Agnes相關係統已經被用於芯片設計、算子優化、無人機集群、蛋白質合成等場景。Momenta副總裁 顧功堯關鍵詞：高階輔助駕駛、世界模型、強化學習顧功堯認為，中國高階輔助駕駛已經進入快速上量階段，城區NOA方案開始進入10萬元及以下車型，全球市場則整體晚於中國數年。

Momenta的業務模式可以概括為“一飛輪、兩條腿”：一條是量產輔助駕駛，另一條是L4規模化無人駕駛。量產車型持續產生真實道路數據，再反哺Robotaxi等L4產品。目前，搭載Momenta輔助駕駛系統的乘用車已經超過130萬輛，累計定點超過240個，交付120多款車型，累計真實行駛里程約200億公里。Momenta將物理AI理解為“世界模型+強化學習”。其R7世界模型主要分為三個階段：預訓練：利用上百億公里真實道路數據，讓世界模型學習物理規律、交通行為和道路常識；仿真推演：模擬自車和其他交通參與者的行為變化；強化學習：在世界模型構建的仿真環境中進一步訓練車端駕駛模型。

Momenta目前使用統一模型架構支撐L2++到L4產品，量產輔助駕駛、Robotaxi等產品共用同一條模型和數據主線，只根據法規和安全要求設置不同冗餘。R7已經應用於多款量產車。例如複雜山路中，系統需要同時處理騎行者、隔離帶和對向車輛，尋找短暫的安全超車窗口；在夜間城區繞過違停車輛時，還需要提前識別遠處隔離墩，並規劃重新回到原車道的軌跡。Momenta正在預研下一代R9世界基礎模型。R7參數規模約10億級，R9計劃提升到約千億級，同時車端芯片算力也從百TOPS級向千TOPS級演進。R9希望進一步理解更加細微的物理變化，例如不僅識別山體落石，還能夠推演落石後續運動是否符合自由落體規律。

面壁智能聯合創始人兼首席科學家 劉知遠關鍵詞：密度法則、端側智能、全模態感知、物理AI劉知遠認為，大模型過去八年的核心變化並不只是參數規模持續擴大，而是形成了一套可以不斷吸收不同類型數據的通用技術路線。隨著模型繼續擴大，數據和算力正在成為新的約束。在數據側，從2024年前後開始，大規模強化學習推動模型由模仿學習向探索式學習發展，使模型可以主動探索並生成新的訓練數據。而在算力側，如果仍然只依靠擴大參數規模提升能力，計算需求最終難以持續。因此，大模型還需要提高“智能密度”，即使用更少參數和算力達到相同智能水平。面壁智能由此提出“密度法則”。

根據其觀察，全球開源大模型的智能密度大約每100天提升一倍，即大約每100天就可以用一半參數和一半計算量，實現此前相近的智能能力。劉知遠認為，這類似於半導體行業的摩爾定律。未來模型一方面會不斷變小，手機、汽車、機器人等終端算力另一方面會繼續提高，兩條趨勢最終交匯，使過去只能運行在服務器上的大模型逐步進入終端。他將未來AI分為三種形態：超級智能、雲側智能和端側智能，其中端側智能將成為物理AI的重要載體。人工智能進入物理世界還存在三個趨勢：高智能密度：降低模型運行所需的參數和算力；全模態感知：通過視覺、聲音和其他傳感器理解現實世界；自主智能體：在開放環境中持續決策、學習和行動。

面壁智能已經將端側模型應用到手機、汽車座艙、衛星和機器人等場景，並與華為、三星等企業開展合作。按照密度法則推算，如果智能密度繼續維持約100天翻倍的速度，不到兩年時間，同等能力所需的參數量和算力可能下降兩個數量級，使原本萬億級模型的部分能力壓縮到百億級，並部署到終端設備。劉知遠認為，未來大模型將持續進入手機、PC、汽車、機器人、可穿戴設備和IoT等終端，端側智能將成為AI進入物理世界的重要路徑。