轻舟智航率先将物理人工智能引入自动驾驶领域。

在遇到突然打开的车门或其他障碍物时，这款智能汽车能够像经验丰富的司机一样做出迅速反应：

它甚至能理解对向交警发出的手势信号，即使这些手势并不标准。

这种环境感知和行为预测能力并非在实验室中完成，而是实时运行于车辆自身的计算系统内。

实时、在线、不卡顿。

要实现如此复杂的功能，所需要的算力其实并不多——只需大约500TOPS即可。

在最近的北京车展上，轻舟智航展示了其量产方案，并且被业界誉为“DeepSeek在自动驾驶领域的先锋”。

他们的一大突破是将世界模型应用于实际生产的汽车中，仅使用了不到1000TOPS算力。

当其他公司还在争论更高的计算能力是否必要时，轻舟智航已经着手解决如何使AI模型理解物理世界的规则这一更为根本的问题。

他们提出“物理AI”，意味着不只是模仿人类驾驶行为，而是真正掌握交通环境中的物理规律。

轻舟智航的新世界模型

“物理智能已现”，这句话表明轻舟不仅专注于自动驾驶技术的研发，还致力于打造更高级别的解决方案——让人工智能深入理解现实世界的物理法则。

轻舟智航确实提供了具体的案例来证明这一点。

他们的“乘风MAX”方案具备超过500TOPS的计算能力，能够实现从停车位到停车位的全场景智能辅助驾驶体验，这被认为是最适宜的选择之一。

凭借过去几年的技术实践和积累的经验，自动驾驶技术与算力、成本之间的关系框架已经初具规模。

例如，使用几十至一百多TOPS的计算能力只能运行简化版模型；而一千多TOPS则显得过于奢侈。只有在合适的配置下，系统才能提供稳定可靠的性能表现。

在轻舟智航发布的演示视频中展示了几个关键功能点。

其中包括识别交警手势、潮汐车道的能力：车辆不仅会遵循路面标记行驶，还会根据情况做出合理的判断。

对于那些经验丰富的司机来说头疼的场景，比如鬼探头、违停车道借道等，系统都能流畅处理，不会造成突然刹车的情况：

在极端光照条件下（如全黑环境或强光照射）也能保持稳定运行。

主动安全系统的误触发率也被大幅降低——在高速行驶时仍能紧急制动，并且误触频率极低（每50万公里内不超过一次），远低于行业标准。

全场景智能辅助驾驶方案虽多，但许多方案存在明显的局限性——如遇到无保护的路口或施工区就会失去功能。

“乘风MAX”则追求的是“全场景覆盖”的目标。

这意味着几乎任何情况下都能使用，并且用户体验流畅自然。

如果智能辅助驾驶系统频繁出现突发急刹车等情况，用户对它的信任度会逐渐下降，最终不敢完全依赖它。

一旦失去信心，数据收集和进一步优化将变得困难重重。

避免让使用者在意外情况下接管控制权，从而确保持续的使用体验，这是轻舟新方案的核心价值所在。

轻舟实现这一目标的方法是构建了一个基于物理AI统一架构的技术平台。

这一框架包括世界模型与强化学习两个部分。

传统自动驾驶技术更像是遵循交通规则的新手驾驶员：看到红灯就停车，遇到行人减速慢行。但面对复杂多变的路况时，可能会感到无从下手。

因此，端到端的学习方法被提出，直接让AI模仿人类驾驶行为，理论上可以无限接近于人的水平。然而，处理极端场景的数据收集仍然面临巨大挑战。

当前最被认可的技术路线是世界模型，它就像给AI装了一个“现实模拟器”，能够预演各种物理环境下的情况。

强化学习则让AI在虚拟环境中进行无限次尝试与错误，从而达到最优解。

轻舟将这一过程分为云端生成和车端执行两部分：云端负责创造极端场景并训练模型；车端则是利用这些训练成果做出实时决策。

这种技术框架的转变也标志着智能辅助驾驶竞争要素的变化——关键不再是谁拥有更强大的车载计算能力，而是谁在云端构建的世界模型更为强大。

轻舟已经将这一理念付诸实践，并进入了量产阶段。

关于轻舟智航如何实现世界模型的技术路线，业界也有不少讨论。

他们采取了一种合作模式——“师徒系统”：

在云端，“超级教练”负责生成各种复杂的交通场景并训练AI；车端则应用这些训练成果进行实时决策。

这个系统的独特之处在于它能够处理超出常规驾驶任务之外的信息，比如不标准的手势信号或特殊的道路指示牌等。

今年一月轻舟智航正式宣布了VLA（视觉-语言-动作）模型的推出，但外界对此可能产生误解。CEO于骞明确表示：

主要技术路径始终围绕世界模型进行，并且在某些情况下需要借助额外的语言理解能力以解决复杂的推理问题。

两者相结合，轻舟智航提出了“物理AI第一性原理”，认为所有与物理世界深度交互的智能系统都属于物理人工智能范畴。

这种定义强调了物理AI不仅能够感知环境变化趋势，还具备理解物体间因果关系的能力。

解决了一个根本问题：

基于这一理论，轻舟智航提出自动驾驶公司未来的发展方向不应仅仅局限于“自动驾驶”层面。

只有通过引入世界模型与强化学习等先进技术手段才能实现真正的用户价值创造。

轻舟认为VLA与世界模型是互补而非对立的关系，在物理AI第一性原理指导下自然地融合在一起。

物理人工智能的发展将为自动驾驶、机器人等多个领域带来革命性的变化。

从技术角度看，轻舟智航的“不躺平”态度既是市场竞争的需求驱动，也是对长期技术研发投入的结果。

总体而言，这一系列动作反映了AI发展趋势在自动驾驶行业中的具体体现。

面对今年业内争议不断的VLA、世界模型路线问题，轻舟的立场是：第一性原理出发，从技术规律和用户价值证明，两者根本不矛盾，甚至缺一不可。

这个第一性原理，是轻舟智航首次提出的“物理AI第一性原理”：

百万辆L2+量产交付后，轻舟提出物理AI第一性原理

所有跟物理世界发生深度交互、处理复杂多任务的AI，都是物理AI。

和现在的大语言模型有本质不同。打个比方，你扔出一个玻璃杯，ChatGPT、DeepSeek、豆包等等语言模型知道“杯子会碎”，但它并不真正理解重力、硬度、动量这些物理量是如何在时空中相互作用的。

但物理AI不一样，模型建立了对三维空间、物理规律、物体持久性、因果关系的认知，尤其是万事万物的因果关系理解。

而从这个第一性原理出发，轻舟认为，自动驾驶公司不可能永远停留在“自动驾驶”层面。

因为自动驾驶从来就不是纯粹的软件问题，也不是纯粹的感知问题。它是一个典型的物理AI问题。

其实做自动驾驶的公司，从一开始就是在做物理AI，只是过去大家习惯用“L2”、“L4”这些标签来定义自己。

而如果一家自动驾驶公司只满足于做L2辅助驾驶、只满足于主机厂给的那份需求清单，那其实是在主动缩小自己的问题边界，用的技术体系是最初阶的——依赖路测、调参，迭代慢、成本高，长尾场景永远覆盖不完，只能模仿人类，永远无法超越人类。

自动驾驶真正进入落地实战阶段，无法真正产生用户价值。

而从技术出发，不想躺平的公司，一定会投入世界模型和强化学习。而一旦你投入了这些技术，你就不再是一家单纯的“自动驾驶公司”，你本质上已经是一家物理AI公司。

也只有将物理AI做好了，才能做出真正达到甚至超过人类水平的无人驾驶。

所以VLA和世界模型，在轻舟这里不是前后迭代关系，也不是双线“赛马”，而是在轻舟物理AI第一性原理下，自然而然的融合。

物理AI是一个更高维度的技术平台。一旦在这个平台上取得突破，它可以向下覆盖自动驾驶、机器人等多个应用场景。

轻舟的“不躺平”，表面看是智能汽车的产品力竞争客观需求，不做不行。

但从技术本质，以及轻舟长期的技术探索、布局来看，与其说“转型”，不如说自然而然的“能力溢出”更准确。

当然在上帝视角来看，这是AI浪潮趋势在一家自动驾驶公司身上最具象的体现。