文｜谢泽锋
编辑｜杨旭然
从被动“看见即行动”到主动预判并介入，物理AI浪潮正在改写智能驾驶的演进逻辑。
年初CES上，黄仁勋宣告物理AI正逼近“ChatGPT时刻”；3月GTC大会，老黄更将其定性为继数字AI之后的下一个万亿级增长极。
Momenta R7量产落地，宇树科技、智元机器人、优必选持续出货，标志AI应用正经历根本性跃迁：从数字世界的“思考”（文本视频生成），转向物理世界的“行动”（机器人感知、决策与执行）。
当AI不再局限于“看”，而是开始在真实世界中解析物体运动与因果链条，智能驾驶行业便迎来一场由“数字AI”向“物理AI”的底层重构。
2025年初，比亚迪以掀桌子式的价格策略下沉智驾市场，“全民智驾”迅速普及。步入2026年，一段式端到端、VLA（视觉-语言-行动）及世界模型等技术路线加速成熟，推动行业从“机器模仿人类”迈向“超越人类智能”，新一轮发展周期已然开启。
本文源自《巨潮WAVE》内容团队深度研究，欢迎多平台关注。
**演进**
回望历史，智能驾驶的发展实质是一场技术范式革命：从模块割裂走向端到端融合，从应激反应进化为智能自主。
自动驾驶概念早在20世纪初萌芽。1925年8月，全球首辆自动驾驶汽车现身纽约街头。至2004年，DARPA挑战赛成为行业发展的关键转折点。
当年3月13日，莫哈韦沙漠上演了由美国国防部高级研究计划局（DARPA）主办的首届自动驾驶汽车长距离挑战赛。这是全球首个此类赛事，卡内基梅隆大学、斯坦福大学、麻省理工学院，以及大众、英特尔等15支团队参与角逐。
尽管没有完赛者，行驶最远的卡内基梅隆大学“红之队”也仅完成了不到5%的路程。但这微不足道的5%，却开启了人类探索智能驾驶的大门。
DARPA挑战赛由此衍生出庞大的生态网络，无数人才在此崭露头角后，流向谷歌、优步、通用、福特、Waymo等企业，驭势科技CEO吴甘沙便是其中之一。
早期智能驾驶依赖规则算法与高精地图，更像辅助工具。理想曾将其比作“昆虫动物智能”。这种模块化割裂的设计导致系统泛化能力薄弱，难以达到拟人化水平。
感知、预测、决策与控制的分治思路虽逻辑严密，但信息在传输过程中难免产生误解与损耗。
于是，端到端方案应运而生。
2024年3月，特斯拉在北美推送FSD V12版本，核心突破在于将感知、决策与控制整合进单一神经网络模型，内部命名为“Photon In, Control Out”。该版本移除了30万行手写代码，以神经网络取而代之，实现感知和决策规划两大模块的算法端到端，彻底重构技术架构。
紧随特斯拉步伐，国内分段式端到端在2024—2025年间大规模落地，一段式端到端与VLA技术则在2025—2026年集中上车。
彼时，业内形成“一段式”与“两段式”两派阵营。华为、百度Apollo、小鹏等多采用两段式方案，商汤、Momenta则坚定支持一段式。
如今，一段式端到端已成为主流。但早期技术存在短板：作为“黑箱”，其决策逻辑难以追溯，事故发生后也难以快速定位问题根源。
为此，行业转向VLA（视觉-语言-行动模型），旨在实现真正的端到端自动驾驶。通过融合计算机视觉、自然语言处理与强化学习，VLA构建了集环境感知、语义理解与决策执行于一体的统一智能体，完成从“黑箱”到“可解释大脑”的转变。
物理AI的到来，让达到甚至超越人类智能成为可能。它在保持高效响应的同时，增强了决策逻辑的可解释性。
展望未来五年，VLA与世界模型的深度融合或将成为终极方案，L3/L4高级别乃至无人驾驶时代即将到来。
**融合**
“VLA对自动驾驶而言是锦上添花，难言雪中送炭。”
Momenta CEO曹旭东指出，VLA训练源于LLM，侧重点在于语义，这与自动驾驶实际需求存在偏差。这意味着VLA赋予语义过高的优先级，陷入“好钢未用在刀刃上”困境。因此，Momenta坚定选择世界模型路线。
华为车BU CEO靳玉志持有类似观点。他认为，VLA通过语言大模型将视觉信息转化为文本Token再行决策，看似捷径，实则无法真正理解物理世界。VLA犹如“背题库的学生”，在复杂或突发场景下容易失效；而世界模型虽研发难度更大，却是自动驾驶的终极彼岸。
华为倾向于WA（World-Action，世界-动作）路径，即跳过语言中间层，直接利用多源感知（视觉、声音、触觉等）构建理解因果逻辑的世界模型，从而获得更本质的自动驾驶能力。
2026年，特斯拉推出FSD V14，改变行业认知：大模型能力并非在VLA与世界模型间二选一，而是两者的深度融合。新版本集成了xAI的Grok大模型，并利用世界模型进行数据生成与闭环仿真。
行业迅速达成广泛共识。黑芝麻智能CEO单记章表示：“VLA加上世界模型，是智能驾驶未来最有可能的技术路线，且有机会超越人类的驾驶能力。”
如果说端到端是技术底座，那么VLA和世界模型则是两条不同的强化方向：VLA增强理解力，世界模型强化预测力。
世界模型的做法是为汽车装配一个“智能大脑”，它模拟物理世界运行规律，不依赖工程师预设规则，而是通过海量真实数据训练，赋予模型理解与预测物理世界的能力。
简言之，VLA解决的是理解当下的问题，世界模型解决的是预测未来的难题。
在实际产业进程中，VLA+世界模型的融合方案被越来越多车企采纳。小鹏曾被视为VLA路线坚持者，但在CVPR 2026大会上，小鹏通用智能中心负责人刘先明明确指出，VLA与世界模型并非对立关系，而是共同构成小鹏物理世界基座模型的两大支柱。
小鹏发布的X-Mind，正是将预测性世界模型内嵌为VLA模型的视觉思维链，使模型在输出动作前先完成时空推演。
蔚来已于1月将世界模型加闭环强化学习架构推送至数十万辆车；地平线在6月底发布的HSD V2.0也采用世界模型+端到端强化学习的双引擎配置。
一种深度融合的方案，已在整个行业铺开。
**终局**
越来越多的汽车及智能驾驶公司，开始将自己定义为“物理AI企业”。
马斯克近年来在全球推广其“AI宏图”，宣称特斯拉正从汽车公司转型为AI公司，未来成长空间主要聚焦于机器人、自动驾驶和AI基础设施。
李想也将理想汽车重新定位为人工智能企业；何小鹏将小鹏汽车定位升级为“物理AI世界的出行探索者，面向全球的具身智能公司”；Momenta被誉为“物理AI第一股”；轻舟智航宣布战略重心从“无人驾驶”全面升级为“通用物理AI”；卓驭科技则转向“移动物理AI”，并提出“未来存活下来的智驾公司都将是物理AI公司”。
在物理AI浪潮下，智能驾驶竞争逻辑已从价格战、堆配战转向“基模”之战。
过去，汽车行业竞争侧重“堆配置”，比拼激光雷达数量、芯片算力、续航里程等参数堆叠。而在物理AI时代，竞争核心变为“建底座”，谁掌握对物理世界的理解与行动能力，谁就掌握价值链主导权。
世界模型更促使智驾、座舱、机器人及各类智能终端走向技术融合。特斯拉使用同一基础模型驱动FSD、Optimus和智能体，以单一端到端神经网络取代模块化架构，实现从自动驾驶汽车到人形机器人Optimus的基础模型统一。
理想汽车已将基座模型与VLA研发团队合并，以统一技术底座支撑智能驾驶、智能座舱及人形机器人三大业务线；高通则将汽车与机器人纳入同一个事业群。
华为ADS 5.0搭载WEWA 2.0，云端引入Multi-Agent多智能体群体博弈，让众多AI驾驶者互相博弈学习；Momenta R7世界模型已实现量产首发；蔚来NWM是中国首个智驾世界模型。
不过，目前所有智驾系统距离真正的物理AI终极形态仍相去甚远。一方面，相比大语言模型，世界模型需要巨量真实世界数据。截至2026年5月，FSD（监督版）车队累计行驶突破100亿英里（约160亿公里），位居全球第一；其他新势力品牌因车辆基数较小，累计里程均在数十亿公里级别，数据积累仍需时日。
其次，物理AI实现还需高算力芯片与大规模模型训练支持。据悉，特斯拉可能握有约23万张H100等效算力；小鹏Robotaxi瞄准L4级无人驾驶，搭载4颗图灵AI芯片，车端算力高达3000TOPS，号称全球最强；
靳玉志此前透露，2026年华为乾崑智驾研发投入将超180亿元，未来5年将至少再投入700亿元用于提升AI算力，其算力规模在29个月周期里实现了21倍增长。
随着头部智驾企业深入物理AI赛道，算力竞赛将进一步升级。
**写在最后**
1988年，莫拉维克在《智力后裔》一书中阐述观点：对人类艰难的任务（如逻辑推理、下棋），AI反而易于完成；对人类简单的事（如走路、抓取物体），AI却极难实现。
这一问题后来被业界称为“莫拉维克悖论”：让机器人下棋、解题轻而易举，但让它像婴儿一样感知物理世界却困难重重。
现有智驾系统正卡在这一环节。看似智能，却缺乏最基本物理直觉，这也是许多人不敢完全放手的核心原因。
2026年被称为“物理AI元年”。作为物理AI上半场的自动驾驶，将成为车企角逐焦点。但距离真正的智能驾驶终极形态，还有相当长的路要走。
