物理AI，讓自動駕駛迎來了“第二春”

文 | 山自

就在昨天，一則消息在科技圈激起漣漪：字節跳動正探索進入自動駕駛領域，由Seed旗下的世界模型團隊負責，首站瞄準無人物流。官方回應滴水不漏——“物理AI領域有很多早期研究和探索，但并沒有做智能駕駛業務的計劃。”

翻譯一下：這事在做，先別急著按Waymo的故事來估值。

但真正值得玩味的，不是字節要不要“造車”，而是它帶誰進場。過去十年，自動駕駛的敘事主角一直是工程師和路測駕駛員——攢最多的車隊、跑最多的里程、堆最貴的傳感器。字節這次帶來的，卻是一幫研究世界模型的人。這兩種人看自動駕駛的眼光，完全是兩個維度的東西。

世界模型如何終結自動駕駛舊范式

要理解這場變革的深度，得先看清過去十年自動駕駛行業的競爭底色——一場典型的“工程堆料競賽”。

行業沿用的模塊化技術路線，將自動駕駛拆解為感知、規劃、控制三大獨立模塊：感知端識別路況物體、輸出標簽化信息；規劃端依據預設規則制定行駛策略；控制端執行操作指令。這套體系支撐了行業早期的規模化落地，卻存在一個無法根治的先天短板——極端長尾場景無解。

施工錐桶、側翻車輛、橫穿行人、惡劣天氣……這些非標場景無法靠人工窮舉規則覆蓋。更麻煩的是，規則疊加過多還會相互沖突，導致系統失效、決策卡頓。這也是高階智駕長期難以徹底普及的核心瓶頸。

物理AI與世界模型的成熟，正在終結這套傳統范式。

不同于模塊化的“被動反應式智能”，世界模型的核心邏輯是主動推演式物理認知：它不再將畫面拆解為零散標簽，而是在AI內部實時構建三維、動態、符合物理規律的虛擬交通世界。面對復雜路況，搭載世界模型的系統無需調取預設規則庫，便能基于慣性、摩擦力、運動軌跡等物理因果，預判周邊車輛、行人、障礙物的未來動態，提前數秒規劃最優行駛路徑。

簡單來說，傳統自動駕駛是“看見再應對”，物理AI驅動的自動駕駛是“看懂規律、提前預判”。

2026年已然成為行業公認的物理AI元年。 生成式多模態技術突破臨界點，視頻時序生成、長鏈路推理、視覺直接規劃能力全面成熟，讓世界模型從實驗室論文變成全行業統一的技術基座。曾經激烈對峙的VLA視覺語言模型與世界模型路線，如今正走向融合：小鵬拆掉VLA冗余語言模塊、推出X-World世界模型；理想發布MindVLA O1強化空間物理認知；吉利、Momenta、輕舟智航等一眾頭部玩家，全部聚攏到世界模型技術大旗之下，行業技術分歧徹底消弭。

輕舟智航董事長于騫的判斷更為直白：“世界模型+強化學習，就是連接數字世界與物理世界的那座橋梁。”

字節的算盤： 無人物流是入口，具身智能是終局

字節在這個節點入局，時間卡得恰到好處。

早兩年，帶世界模型團隊進場會被當成PPT團隊；晚兩年，門檻會被抬到只剩巨頭能玩。而字節手里，恰好攥著國內最強的世界模型團隊之一——Seed團隊不僅有多模態模型和世界模型研發能力，還已涉足具身智能和視覺生成。字節的算力儲備和人才虹吸效應，更是讓行業無法忽視。

如果只看無人物流這個場景，字節完全沒必要這么大手筆。京東、美團、菜鳥加上新石器，這個賽道已經很擁擠了。新石器已累計部署超萬臺L4級無人車，今年交付目標直指5萬臺。但字節真正押的，是另一盤更大的棋。

馬斯克反復念叨的那句話點破了天機： “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。”

翻譯成字節的語言：自動駕駛車輛是具身智能機器人的數據采集器。 一個機器人在倉庫搬一天箱子，撞上幾百種邊角情況；一輛自動駕駛車在城區跑一天，撞上幾萬種。把車隊的真實傳感數據反哺世界模型，再去訓練機器人操作模型，比從零開始快十年。

從這個角度看，字節下的是一盤三年起步的棋：第一步，無人物流車隊落地，順便攢自動駕駛的真實數據；第二步，把數據反哺世界模型，讓模型在更多物理場景下表現穩定；第三步，把世界模型連同車端硬件一起，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。

自動駕駛新勢力：物理AI時代的價值重估

字節的跨界，只是物理AI浪潮的一個注腳。真正值得一級市場投資人關注的，是那些在物理AI敘事下重新定義自身邊界、正在成為未來自動駕駛產業主力軍的公司。以下為六家代表性未上市自動駕駛新勢力的估值與核心能力梳理：

蘑菇車聯：從景區接駁到新加坡公交的全球化落地

在一眾主打車載端世界模型、純道路推演的玩家中，蘑菇車聯深耕Robobus場景。其自研的物理世界AI大模型MogoMind，被稱為“物理世界的實時搜索引擎”。通過接入物理世界實時動態數據，MogoMind能實現全局感知、實時認知與推理決策，讓AI從“看見現實”升級為“理解并服務現實”。

蘑菇車聯的商業落地版圖已相當可觀。在國內，MOGOBUS已在北京、上海、成都、大理等十余個城市常態化運營，累計安全行駛里程超500萬公里，服務乘客超20萬人次。具體場景覆蓋了日照萬平口景區、大理洱海生態廊道等旅游接駁，以及琴澳醫線等跨區域通勤線路。更值得關注的是其海外突破——2025年10月，蘑菇車聯獨家中標新加坡首個L4級自動駕駛巴士官方項目，MOGOBUS將首次被納入海外公共交通系統，服務濱海灣、緯壹科技城等核心區域線路。這是中國自動駕駛方案首次在海外高等級公交項目落地，驗證了中國技術進入發達市場的可行性。

對投資人而言，蘑菇車聯的差異化價值在于：它不是與乘用車智駕供應商在同一紅海競爭，而是在公共交通這一政策壁壘高、場景復雜度高、但商業確定性強的新藍海建立了先發優勢。

新石器：從萬臺交付到單月盈利的規模效應

新石器作為國內最早規模化落地的無人配送企業，已構建0.5至12立方米全梯度RoboVan產品矩陣，累計部署超16000臺L4級無人車，累計行駛里程近8000萬公里。公司聚焦“人類重復性、高危性勞動替代”場景，依托海量末端配送真實場景數據，持續優化適配低速、高頻、復雜社區場景的物理AI模型，精準預判行人、非機動車動態與道路環境變化。目前加速布局海外市場，目標2027年實現海外交付5萬臺以上，是國內少有的完成規模化出海的自動駕駛新勢力。

規模化背后的邏輯很簡單：末端配送占物流總成本50%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采購驗證了這一需求的剛性。

九識智能：百億獨角獸的整合加速度

九識智能2026年初與菜鳥無人車業務合并，整合后車隊規模超2萬臺，覆蓋全球20國超300城，成為無人配送賽道首家估值超百億的獨角獸。其B輪系列融資總額已達4億美元，螞蟻集團、美團持續加碼。

九識的核心競爭力在于運營效率——主力車型Z5讓快遞加盟商每月單車綜合成本控制在2000-3000元，單票配送成本從0.2元壓至0.1元。在“賣車不如賣服務”的行業共識下，九識的運營數據恰恰證明了規模化服務的商業價值。

輕舟智航：從無人駕駛到通用物理AI的戰略升維

輕舟智航的戰略升級最具代表性——從“無人駕駛”全面升級為“通用物理AI”，提出“世界模型+強化學習”統一架構。其輔助駕駛系統已搭載25款量產車型，2026年預計新增超50款。同時與奇瑞商用車達成無人物流戰略合作，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：瞄準物理世界AI基礎設施

元戎啟行CEO周光明確表示，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100萬輛。其城市NOA方案已獲得多家車企定點，正在從輔助駕駛供應商向物理AI平臺進化。

踏歌智行聚焦礦山、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，深耕無人運輸細分賽道。其自研“車—地—云”協同無人運輸方案，針對礦區復雜路況、重載行駛、極端環境等專屬物理特征優化模型，精準適配工業場景的安全與效率需求。目前已落地國家能源集團、包鋼集團等20余家頭部央企，累計交付超700臺無人礦車，商業化落地規模行業領先。依托封閉場景海量、高質量、高標準化的物理交互數據，踏歌智行的工業級物理AI模型迭代持續提速，構建起細分賽道深厚的技術與落地壁壘。

勝負手：誰的“大腦”更強，數據回誰手里？

這批自動駕駛新勢力，共同指向了一個核心邏輯：物理AI時代，決勝的關鍵不再是車隊規模或傳感器數量，而是誰的世界模型對物理世界的理解更深、推演更準。

輕舟智航于騫的判斷切中要害：“要用更強的大腦，而非只靠傳感器堆疊。” Momenta曹旭東則認為，自動駕駛要實現規模化的L4，累計投入至少是百億美元級別。這種投入門檻，天然有利于資源高度集中的頭部企業。

對一級市場投資人而言，這批企業值得關注的共性價值在于：

其一，數據飛輪已經形成。 無論是Momenta的120億公里里程、新石器的萬臺車隊，還是蘑菇車聯的Robobus運營網絡，真實物理世界的數據壁壘一旦建立，后來者很難通過燒錢短期打破。

其二，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4分錢——這些不是預期，而是已經在運營中跑通的數據。

其三，技術代差正在拉大。 當世界模型從“輔助工具”變成“基座模型”的一部分，系統的能力上限可能不是10%的提升，而是10倍甚至100倍的代際差距。率先完成這一躍遷的企業，將建立難以追趕的競爭優勢。

當然，風險同樣存在。車企自研的趨勢正在壓縮獨立智駕供應商的生存空間，小鵬、理想、比亞迪都在走全棧自研路線。如何在“賦能車企”與“保持獨立”之間找到平衡，是所有第三方智駕公司必須回答的問題。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正在重新定義自動駕駛這門生意的本質——它不再是汽車零部件的延伸，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占據制高點。

這波浪潮里跑出來的，不一定是當年那批最會堆料的人，但一定是最先讓AI“看懂”物理世界的人。