物理AI路线趋同后,行业竞争正在转向闭环能力

物理 AI 的竞争焦点正在变化。 当 VLA、世界模型、基座模型等路线被越来越多智能驾驶与具身智能公司讨论时 , 行业真正要解决的问题, 已经从“选择哪条技术路线”, 转向“如何让模型在真实世界中持续学习”。

📌 路线收敛: 从单点模型走向系统能力

过去, 智能驾驶系统更像一套分工明确的软件工程: 感知、预测、规划与控制各自承担任务。 端到端模型兴起后 , 行业开始尝试减少人工规则, 让模型直接从传感器输入生成轨迹或控制信号。

进入物理 AI 阶段后, 主流表达逐渐集中在几类方向:VLA 负责把视觉、语言理解与动作生成连接起来 ; 世界模型侧重学习环境随时间和动作变化的规律; 基座模型则试图通过大规模物理世界数据预训练, 形成更通用的底层能力。

🔍 新瓶颈: 数据、行动与真实世界之间仍有断层

• 模型与数据: 海量数据不会自动带来世界理解, 模型暴露出的能力缺口, 需要反向驱动数据采集、筛选和生成。
• 视觉与行动: 看懂场景不等于能稳定行动, 模型还要判断时机、速度、交互风险, 并在实时算力下执行。
• 仿真与真实: 世界模型和仿真可降低训练成本, 但虚拟环境中的提升, 仍需回到真实道路或真实场景验证。

💡 Superfluid Lab: 尝试用组织闭环解决技术摩擦

在这一背景下, 元戎启行旗下的 Superfluid Lab 受到关注。公开信息显示, 该实验室面向物理世界基础能力研究, 由前 DeepSeek 核心成员、元戎启行首席科学家阮翀带队, 研究重点包括基座模型、VLA 模型、世界模型、多模态理解以及 AI Infra。

从其招聘方向看, 实验室覆盖大模型算法、仿真算法和 AI 基础设施 。换句话说, 它并非只围绕某一个模型做优化, 而是试图把模型、数据、仿真和训练设施放进同一个长期循环中。

📊 行业观察: 胜负手可能从模型参数转向迭代体系

智能驾驶与物理 AI 的发展, 正在经历从产品竞争到模型竞争 , 再到基础能力与组织竞争的变化。早期企业比拼功能覆盖、量产速度和体验; 端到端、VLA 与世界模型兴起后, 数据规模、训练算力和模型迭代成为新指标。

但下一阶段, 差距可能来自更底层的系统能力: 谁能更快发现模型问题 , 谁能更高效补齐数据, 谁能把仿真结果迁移到真实环境, 谁就更可能形成持续优势。

当然, 类似 Superfluid Lab 这样的组织形态能否显著提升物理 AI 研发效率 , 还需要时间和真实产品表现验证。但它反映出一个趋势: 物理 AI 不再只是模型路线之争, 而是围绕长期进化能力的系统工程。

🚀 总结: 物理 AI 进入“闭环能力”阶段

围绕“模型路线趋同之后,Physical AI 的胜负手变了”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。