在科技發展的浪潮中，自動駕駛技術一直是汽車領域的焦點。2025年5月19日，英偉達CEO黃仁勛在臺北國際電腦展（COMPUTEX 2025）的主題演講中，釋放出了自動駕駛領域的重磅消息，為這個充滿潛力的市場注入了新的活力。

黃仁勛在演講中表示，英偉達正在將其AI模型應用于自動駕駛汽車，并與梅賽德斯在全球范圍內推出一支車隊，使用端到端自動駕駛技術，且今年即可實現。這一消息無疑是自動駕駛領域的一顆重磅炸彈，標志著自動駕駛技術從實驗室走向實際應用邁出了重要的一步。

物理AI的終極挑戰：讓機器理解現實世界

英偉達在AI領域的實力有目共睹。其推出的一系列AI計算系統和硬件，如Grace Blackwell GB300系統、個人AI計算機DGX Spark等，都為AI技術的發展提供了強大的支持。在機器人技術與物理AI方面，英偉達也取得了顯著的突破。Isaac Groot平臺與Jetson Thor處理器專為機器人應用設計，支持從自動駕駛到人機協作的全場景需求。而與DeepMind和迪士尼合作開發的開源物理引擎Newton，更是為機器人對物理世界的適應能力提供了有力的保障。

黃仁勛認為，在物理世界中制造機器人“不切實際”，必須在遵循物理定律的虛擬世界中訓練它們。Newton完全支持GPU加速，具有高度可微性和超實時操作能力，能夠通過經驗實現有效學習。將該物理引擎整合進Nvidia的ISAAC模擬器，能夠以真實的方式讓機器人“活”起來。這一理念也為自動駕駛技術的發展提供了新的思路，即通過虛擬世界的訓練來提升自動駕駛汽車對現實世界的適應能力。

物理AI需突破“感知 - 決策 - 執行”閉環，實時應對復雜動態環境。英偉達DRIVE平臺構建三層技術棧奠定基礎：

• DGX超級計算集群：通過數萬億英里虛擬駕駛數據訓練世界模型，使AI理解物理世界底層邏輯。
• Omniverse數字孿生：在虛擬空間重構物理世界變量，實現極端場景無限測試。
• AGX車載計算平臺：以2000TOPS算力實時處理傳感器數據，完成微秒級決策。

這套系統形成的“數據飛輪”效應，改變自動駕駛研發范式。梅賽德斯最新端到端架構基于此物理AI框架，整合感知、規劃、控制模塊為統一神經網絡，使車輛能像人類駕駛員那樣“直覺式”應對突發狀況。當前，Cosmos世界基礎模型已加入到DRIVE平臺方案之中，為開發者提供了一個數據飛輪，能夠將數千英里的人類駕駛里程轉化為數十億英里的虛擬駕駛里程，從而提升訓練數據的質量，加速端到端自動駕駛汽車開發和大規模部署。

自動駕駛場景將率先爆發

為什么說物理AI下的自動駕駛場景將會第一個爆發呢？首先，自動駕駛技術的發展已經取得了長足的進步。從最初的輔助駕駛功能，到現在的端到端自動駕駛技術，自動駕駛汽車的性能和安全性不斷提高。英偉達與梅賽德斯的合作，更是為自動駕駛技術的商業化應用提供了有力的支持。一支全球范圍內的自動駕駛車隊的推出，將讓更多的人親身體驗到自動駕駛的魅力，從而推動市場的需求。

其次，社會對自動駕駛技術的需求也在不斷增加。隨著城市化進程的加快，交通擁堵問題日益嚴重。自動駕駛技術可以通過優化交通流量，提高道路利用率，從而緩解交通擁堵。此外，自動駕駛技術還可以提高交通安全，減少人為因素導致的交通事故。據統計，大部分交通事故都是由于人為失誤造成的，而自動駕駛技術可以避免這些失誤，保障人們的生命財產安全。

最后，政策的支持也是自動駕駛場景爆發的重要因素。各國政府都在積極推動自動駕駛技術的發展，出臺了一系列的政策和法規，為自動駕駛技術的研發和應用提供了良好的環境。例如，一些國家已經允許自動駕駛汽車在特定的區域進行測試和運營，為自動駕駛技術的商業化應用奠定了基礎。

用AI網絡顛覆自動駕駛的孤勇者

在全球自動駕駛技術發展的浪潮中，國內的蘑菇車聯也展現出了強大的創新能力。蘑菇車聯信息科技有限公司成立于2017年，專注于構建智能體與物理世界實時交互的AI網絡，使智能體可以理解并進入物理世界。

蘑菇車聯的核心業務由兩大板塊構成。AI網絡業務方面，公司基于MogoMind大模型核心能力構建了首個實現物理世界實時數字化的AI網絡，使智能體能夠實時感知、理解并響應物理世界。這個AI網絡可廣泛應用于智能網聯汽車、無人駕駛汽車、低空無人機、機器人等領域，為城市與管理者賦能。例如，通過實時感知交通狀況，為交通管理部門提供準確的信息，從而優化交通信號控制，提高交通效率。

自動駕駛業務方面，蘑菇車聯推出了多款L4級前裝量產自動駕駛車輛，包括RoboBus、RoboSweeper和RoboTaxi，已在北京、上海、天津等十余個城市落地運營。公司自動駕駛核心技術包括端到端AI模型、混合架構和基于物理世界的認知模型，確保車輛能夠實現物理世界的深度理解與最優決策。

端到端AI模型基于Transformer架構，能夠讓車輛直接從海量的數據中學習駕駛邏輯，實現全局優化。通過大規模數據訓練，該模型能夠直接關聯感知、預測和規劃等環節，減少了人工規則的限制，提升了模型的泛化能力。在面對各種復雜的道路環境時，車輛能夠更加靈活地做出決策，準確識別道路上的物體、行人和其他車輛，并預測它們的運動軌跡，規劃出最優的行駛路線。

混合架構將端到端預測與規則約束相結合。在實際駕駛場景中，例如高速變道、避障以及城市路口通行等關鍵決策點，AI可以自主學習駕駛策略，同時結合專家規則進行約束。專家規則凝聚了人類駕駛經驗中對于安全駕駛和法規遵循的智慧，這樣可以確保車輛的行為安全且符合法規要求，避免了單純依賴AI可能出現的決策失誤。

世界模型賦予了自動駕駛系統對未來變化的預判能力。傳統的自動駕駛系統往往只能感知當前的環境，對于未來的不確定性應對不足。而蘑菇車聯的自動駕駛系統通過世界模型，讓車輛不僅能夠感知當前環境，還能預測未來的變化，從而提高了在復雜環境下的適應能力。例如在高速公路上，系統可以預判前方車輛的行為，提前規劃出最優路徑，避免因突發情況而導致的危險。在復雜的城市環境中，世界模型能夠幫助車輛更好地應對交通擁堵、行人橫穿馬路等各種復雜場景，提升了整個自動駕駛系統的智能性和可靠性，為乘客提供更加安全、舒適的出行體驗。

物理AI下的自動駕駛技術正迎來前所未有的發展機遇。英偉達與梅賽德斯的合作，將推動端到端自動駕駛技術在全球范圍內的應用，讓更多的人體驗到自動駕駛的便利和安全。而蘑菇車聯作為國內AI網絡的新興力量，其獨特的技術架構和應用場景，也為國內自動駕駛技術的發展提供了新的思路和方向。

正如5億年前寒武紀生命大爆發塑造了地球生態，物理AI正在引發機器智能的"物種大爆發"。在這場變革中，自動駕駛既是首個突破的應用場景，也是物理AI向更廣闊領域延伸的起點。

或許物理AI革命最深刻的啟示：智能的本質，終將在與物理世界的交互中顯現。