2026年北京車展落下帷幕，當(dāng)盤點這場全球汽車行業(yè)的年度盛會時，發(fā)現(xiàn)曾經(jīng)占據(jù)頭條的激光雷達(dá)數(shù)量、芯片算力比拼、續(xù)航里程競賽已經(jīng)悄然退居二線，一個全新的概念——“物理AI”，成為了幾乎所有頭部車企和智駕方案商共同的關(guān)鍵詞。

從華為、Momenta、輕舟智航發(fā)布的新一代智駕系統(tǒng)，到蔚來、小鵬、理想等車企的技術(shù)路線更新，再到特斯拉神經(jīng)網(wǎng)絡(luò)世界模擬器的持續(xù)迭代，整個行業(yè)正在經(jīng)歷一場從“數(shù)字AI”到“物理AI”的升級，物理AI也正在成為汽車產(chǎn)業(yè)的共識。

從“自動駕駛”到“物理AI”共識的達(dá)成

如果我們把2025年之前視作汽車智能化的上半場——傳感器數(shù)量堆疊、算力競賽、端到端架構(gòu)的百花齊放——那么從2026年開始，一個更“高級”概念正在覆蓋并替代“自動駕駛”這個詞本身。物理AI，簡單來說，是讓機器理解重力、慣性、因果關(guān)系等物理規(guī)律，從而真正參與到真實世界的運行之中。

這種轉(zhuǎn)向的標(biāo)志性事件是，全球汽車與科技巨頭的行動方向正在高度收束。4月北京國際車展期間，Momenta宣布R7強化學(xué)習(xí)世界模型實現(xiàn)量產(chǎn)首發(fā)，CEO曹旭東公開表示：“物理AI的核心在于對世界基礎(chǔ)物理規(guī)律的深度認(rèn)知。”同一時間，小馬智行聯(lián)合創(chuàng)始人兼CTO樓天城發(fā)布了世界模型2.0，強調(diào)這套系統(tǒng)“并非簡單的仿真環(huán)境生成工具，而是一套完整的強化學(xué)習(xí)訓(xùn)練體系”，其核心突破在于“賦予了AI自我診斷與定向進(jìn)化的能力”。兩個幾乎同期的發(fā)布，指向同一個方向：自動駕駛正從“看見世界”跨入“理解世界”的新階段。

來自國際市場的信號同樣明確。2025年10月的計算機視覺頂級會議ICCV上，特斯拉自動駕駛副總裁Ashok Elluswamy公開了特斯拉FSD的技術(shù)路線，明確將端到端AI與基于神經(jīng)網(wǎng)絡(luò)的“世界模擬器”作為主要技術(shù)基石。

這個模擬器能夠生成連續(xù)、多視角的駕駛場景，讓AI在一天內(nèi)學(xué)習(xí)相當(dāng)于人類500年的駕駛經(jīng)驗，大幅降低對真實路測的依賴。值得注意的是，同年6月，Meta發(fā)布了開源世界模型V-JEPA 2，這項擁有12億參數(shù)、經(jīng)100萬小時視頻訓(xùn)練的技術(shù)，明確對標(biāo)機器人和自動駕駛領(lǐng)域。Meta首席AI科學(xué)家楊立昆將這一方向定義為構(gòu)建“能夠理解現(xiàn)實世界運作邏輯、并能進(jìn)行推理和規(guī)劃的人工智能系統(tǒng)”，并認(rèn)為“這直接指向了自動駕駛、智能交通管理、乃至下一代機器人車輛的核心”。

全球巨頭一致的步伐絕非偶然，當(dāng)自動駕駛從輔助功能走向自主決策，僅僅依靠感知和模仿已遠(yuǎn)遠(yuǎn)不夠。傳統(tǒng)方案依賴人類標(biāo)注數(shù)據(jù)訓(xùn)練模型“學(xué)習(xí)別人怎么開”，但道路場景的復(fù)雜性可謂是無限的，單靠數(shù)據(jù)標(biāo)注完全是天方夜譚。物理AI的解決方案是：讓AI在無數(shù)次虛擬推演中可以自主探索“如果我是這個場景中的一員，我該怎么開”——它有能力預(yù)測每個動作的物理后果，從而在從未見過的環(huán)境中做出安全的決策。

世界模型與強化學(xué)習(xí)，雙重引擎推動升級

如果說物理AI的發(fā)展路線已經(jīng)清晰，那么世界模型和強化學(xué)習(xí)就是達(dá)成這一目標(biāo)所必需的兩大技術(shù)引擎。業(yè)界廣泛認(rèn)同的判斷是，“世界模型與強化學(xué)習(xí)的結(jié)合，正推動自動駕駛行業(yè)從單純追求‘自動駕駛’功能，向著更深遠(yuǎn)地改造物理世界的目標(biāo)前進(jìn)”。這個判斷隨著各家的落地提速而越來越具有現(xiàn)實分量。

傳統(tǒng)智駕系統(tǒng)的核心瓶頸在于，它們本質(zhì)上是基于“識別-匹配-執(zhí)行”的邏輯運行的。系統(tǒng)通過傳感器感知環(huán)境，然后將感知到的信息與數(shù)據(jù)庫中已有的場景進(jìn)行匹配，最后執(zhí)行預(yù)設(shè)的操作。這種模式在處理常見場景時表現(xiàn)尚可，但一旦遇到數(shù)據(jù)庫中沒有的長尾場景，就很容易出現(xiàn)失誤。輕舟智航CEO于騫表示：“數(shù)字世界的AI比如AlphaGo已經(jīng)無敵了，但物理世界的AI比如自動駕駛還不如人類司機。因為物理世界充滿了不確定性，簡單的背題是永遠(yuǎn)背不完的，總會有新題產(chǎn)生。”

世界模型的核心價值在于補齊系統(tǒng)對物理場景的“理解”與“預(yù)測”能力。通俗地說，世界模型的作用不是在事故發(fā)生時再讓AI做出反應(yīng)，而是先在數(shù)字空間里把所有場景都推演過一遍。這正是人類駕駛員積累經(jīng)驗的方式——一個十年駕齡的老司機之所以危險預(yù)判能力遠(yuǎn)超新手，不僅因為他見過的場景更多，更因為他的大腦中早已形成了對物理世界運行規(guī)律的隱性認(rèn)知。

在國內(nèi)，各家在世界模型方面的布局已從概念走向落地。Momenta在R7強化學(xué)習(xí)世界模型的架構(gòu)中采用了一種三層設(shè)計——先通過海量真實數(shù)據(jù)預(yù)訓(xùn)練將物理規(guī)律“壓縮”進(jìn)模型，然后將世界模型用于閉環(huán)仿真，最后在前兩者的基礎(chǔ)上進(jìn)行強化學(xué)習(xí)。華為乾崑智駕ADS 5則在云端世界引擎層面走得更加激進(jìn)——其擴散生成模型能夠在虛擬空間中生成的高密度極限場景，是真實路測的1000倍。更值得關(guān)注的是，華為首次在世界模型中引入“多智能體博弈”機制，從而將交通參與者之間互相試探、博弈的動態(tài)關(guān)系納入訓(xùn)練體系。這意味著系統(tǒng)不僅能理解自身的運動，還能預(yù)測其他車輛、行人的行為邏輯——這是自動駕駛向“人類級駕駛智慧”邁出的關(guān)鍵一步。

強化學(xué)習(xí)承擔(dān)的角色，是人類駕駛行為從“模仿”到“超越”的跳板。過去幾年，行業(yè)主流的技術(shù)路線是行為克隆——收集人類駕駛數(shù)據(jù)，讓AI模仿人類的操作。這種方式的瓶頸顯而易見：AI只能模仿它見過的東西，面對長尾場景無法舉一反三，更遑論超越人類。而強化學(xué)習(xí)則通過一套獎勵與懲罰機制，讓AI在虛擬世界中反復(fù)試錯，最終摸索出一套最優(yōu)策略。正如Momenta CEO曹旭東所言，強化學(xué)習(xí)讓智能駕駛從“看見世界”升級為“理解世界”。

這種從模仿到強化的轉(zhuǎn)變正在改變行業(yè)的技術(shù)競爭格局。理想、小鵬、蔚來等多家車企和供應(yīng)商已經(jīng)在2025至2026年間先后將VLA模型和世界模型推上車端。2025年8月，理想、小鵬、元戎啟行在兩周內(nèi)先后宣布VLA大模型上車，VLA被業(yè)內(nèi)視為端到端方案的“智能增強版”——其名稱中的V代表視覺感知，A代表動作執(zhí)行，而中間的L則代表大語言模型，功能是用語言數(shù)據(jù)訓(xùn)練模型進(jìn)行隱式邏輯推理。進(jìn)入2026年后，智能駕駛的敘事邏輯由此發(fā)生了微妙變化——當(dāng)行業(yè)還在圍繞“端到端”的數(shù)據(jù)閉環(huán)與場景覆蓋率進(jìn)行軍備競賽時，新的引領(lǐng)者已將討論引向物理世界規(guī)律預(yù)訓(xùn)練的維度。

從市場基本面來看，中商產(chǎn)業(yè)研究院數(shù)據(jù)顯示，2025年中國汽車產(chǎn)銷超過3400萬輛，自動駕駛市場規(guī)模同比增長18.1%，預(yù)計2026年滲透率將超過40%。按照其預(yù)測，2026年中國自動駕駛市場規(guī)模將達(dá)到5293億元。L2+級方案年均復(fù)合增長率高達(dá)33.7%，而Robotaxi市場的年復(fù)合增速更是達(dá)到74%。

政策端的推進(jìn)同樣為技術(shù)落地掃清了道路。2025年12月，工信部正式公布我國首批L3級有條件自動駕駛車型準(zhǔn)入許可，兩款車型在北京、重慶指定區(qū)域開啟上路試點，標(biāo)志著中國L3級自動駕駛從測試階段邁入商業(yè)化應(yīng)用的關(guān)鍵一步。隨后，2026年3月落地的L3責(zé)任認(rèn)定國標(biāo)明確：自動駕駛激活狀態(tài)下的事故由車企承擔(dān)，并強制配備“黑匣子”數(shù)據(jù)記錄系統(tǒng)。責(zé)任邊界的清晰化，意味著L3級自動駕駛的商業(yè)化在法律層面獲得了可操作性。

簡單來說，物理AI之所以能夠迅速成為行業(yè)共識，根本原因在于它觸及了一個基本命題：真正的自動駕駛，不可能建立在無窮列舉場景的窮舉法之上，只能依靠對物理世界運行規(guī)律的理解和推演。當(dāng)然，從藍(lán)圖到現(xiàn)實之間仍然有著不容回避的挑戰(zhàn)。物理AI需要海量真實物理數(shù)據(jù)、高算力芯片、多傳感器融合以及大規(guī)模模型訓(xùn)練與推理，單車硬件加軟件成本遠(yuǎn)超傳統(tǒng)智能輔助駕駛，向售價15萬元以下主流車型的下探仍有難度。

與此同時，系統(tǒng)越復(fù)雜、穩(wěn)定性越差——這恰恰也是從輔助到自主的必經(jīng)陣痛。而物理AI具備自主決策能力所帶來的安全與合規(guī)風(fēng)險，同樣需要監(jiān)管與企業(yè)共同構(gòu)建可驗證、可追責(zé)的技術(shù)與制度框架。但當(dāng)AI不再只是“看”這個世界，而是開始在數(shù)字空間里理解重力、慣性和因果聯(lián)系，人類距離那個“車比自己開得更好”的未來，確實又近了一步。