自動駕駛賽道DeepSeek，輕舟智航率先進軍物理AI

車子像老司機一樣，提前預判鬼探頭的軌跡，絲滑避開了違停車的“開門殺”：

甚至看懂了對向交警那個不太標準的手勢……

這一切對環境、目標行為的預判、推演，并不是在研發端的超級計算機上，就實時發生在你的智能汽車車載“大腦”中：

實時、在線、不卡頓。

那……得需要多大算力才能這么“秀”？說出來你可能不信：500多TOPS，就夠了。

這是剛剛在北京車展上亮出量產方案的——輕舟智航，一家被被稱為 “自動駕駛賽道上DeepSeek”的公司。

他們干了一件事：把“世界模型”裝上量產車，而且只用500+TOPS。

別的廠商還在卷“千TOPS算力能不能跑滿”，他們已經開始回答一個更本質的問題——

怎么用讓AI模型，從模仿人類行為，到真正懂物理世界的規律法則。

輕舟智航的新世界模型

“物理AI，輕舟已至”，翻譯一下就是：輕舟不光是做自動駕駛的，現在要干更“終局”的事兒——讓AI真正理解物理世界。

而且，他們真拿出了東西。

“輕舟乘風MAX”方案，算力拉到500+TOPS，將實現車位到車位，全場景智能輔助駕駛的體驗上來說，是今年“正正好”的配置。

因為過去幾年的工程技術實踐，已經給自動駕駛的能力—算力—成本描繪出了基本的對應框架。

比如百十來TOPS，只能“勉強”跑一個大幅蒸餾簡化的端到端模型，也叫全場景，但體驗下限很難保證；而1000TOPS左右的方案，對L2+需求來說過于冗余，成本太高，而對L4來說又明顯不足。

輕舟給出的Demo視頻，展示了幾個硬核能力。

比如能看懂交警手勢、潮汐車道：不是傻傻跟著車道線走，而是真能理解“警察叔叔讓我先走”或者“這會兒這條道是反的”。

鬼探頭、違停借道、窄路會車……這些老司機都頭疼的場景，系統能“絲滑”處理，不是急剎到點頭那種：

全黑、強光下也“穩如老狗”：晚上沒路燈，或者出隧道瞬間被陽光晃瞎眼，它依然能穩穩開：

主動安全AEB，輕舟也卷上限：130公里時速極限剎停，但更加強調描述AEB本質的安全參數——誤觸發率：50萬公里<1次，

行業平均水平是10-15萬公里可能會給你來一腳“幽靈剎車”。

全場景車位到車位方案，一抓一大把，但很多方案有“斷點”——比如一到無保護路口就慫了，一碰到施工就退出，雨天夜里直接擺爛。

輕舟乘風MAX的“進展”，核心就四個字：全場景覆蓋。

不是90%場景能用，而是99%以上的場景都能用，而且用起來很“順”，從敢用到愿意用。

就比如AEB一記莫名其妙的急剎，第一個后果就是后車真的會撞上來，更隱蔽的危險，其實藏在用戶心里。

幾次莫名其妙的急剎之后，會形成“系統不可信”的潛意識，不敢真正把控制權交給AI司機，而你越不相信它，就越不敢放手，自動駕駛公司越沒法搜集足夠多的數據去優化它……

不讓用戶在未知、無準備情況下接管兜底，隨時繃緊神經，這才是輕舟新方案最大的價值。

怎么做到的？——物理AI統一架構，相當于給AI建了個“虛擬駕校訓練營”。

核心是世界模型+強化學習，別被術語嚇到，給你拆解一下。

傳統自動駕駛技術體系，有點像一個死記硬背交規的新手司機——看到紅燈就停，看到行人就等，但遇到沒見過的復雜情況，比如多車多目標博弈的復雜場景，很有可能就懵了。

所以誕生了端到端，直接讓AI司機學習人類成熟駕駛行為，理論無限趨近人類司機。可能更絲滑了，但數據的核心問題依然無解——處理極端場景的人類駕駛數據，太稀缺了。

所以世界模型成了現在最被認可的技術范式，相當于給AI裝了個“世界模擬器”：AI能在腦子里想象出各種物理場景，比如車會怎么動、人會怎么走、雨天的剎車距離多長……就像你在玩一個極度逼真的賽車游戲，而且這個游戲里的物理規律和現實一模一樣。

強化學習呢？就是讓AI在這個“游戲”里無限試錯。現實路測成本高、風險大，一天也跑不了幾個極端場景。但在世界模型里，AI可以反復練習“鬼探頭”“高速爆胎”“前車急剎”……練到AI算法有了“肌肉記憶”。

輕舟則把這個架構分成了云端和車端兩部分：云端負責“做夢”——生成各種極端場景、訓練AI；車端負責“實戰”——用訓練好的小模型實時決策。

而這樣的技術范式轉變，其實也徹底改變了智能輔助駕駛的競爭要素：關鍵不是車端跑什么模型，而是在云端的世界模型夠不夠強。

這套打法，不是PPT，是真的在跑，據透露已經進入量產階段

輕舟智航怎么做世界模型？能算物理AI嗎？

輕舟的世界模型不是單打獨斗，而是“師徒搭檔”。

云端世界模型相當于一個超級教練，它手里有一個“世界仿真引擎”和一個“安全強化學習模塊”。

教練見過所有奇葩路況——從北京的早晚高峰到重慶的魔幻立交，從北歐的黑冰路面到東南亞的暴雨。它能生成這些場景，然后讓AI在虛擬環境里反復練習。

核心技術兩個，首先是高可控視頻生成，是物理規則對齊的，比如一個車轉彎，它的軌跡、速度、慣性都要符合現實。而且是從多視角BEV（鳥瞰視角）生成。

零樣本生成引擎最神奇，用自然語言指令：“傍晚、小雨、一輛外賣電動車從公交站后面竄出來”，系統就能零樣本生成對應的訓練場景。

尤其是四大類——高可控交通流（比如突然加塞的車流）、障礙物難例（一個倒地的錐桶還是塑料袋？）、高危罕見場景（高速連環追尾）、惡劣天氣（團霧、積水、炫光），不需要去路上真實采集，這種場景，研發路測數周也未必碰上一次，這意味著長尾場景的采集成本大幅下降。

解決了一個根本問題：

數字世界的AI（比如ChatGPT）可以無限重試、左右手互搏，迭代速度飛快。但類似自動駕駛這樣真實物理世界中的AI，不可能在現實中復現各種good/bad case去學習。

在世界模型里做“駕駛訓練”，把物理世界的規律搬進虛擬空間，讓AI在里面窮舉所有可能——從最常規到最離譜的，然后通過強化學習找到最優解。等到現實世界，它已經是個“老司機”了，不需要再從零試錯。

車端世界行為模型是上場運動員。它不背厚厚的規則書，而是用一個小而美的“在線世界模型”實時理解周圍環境的變化趨勢——比如那輛并排的車是不是要別過來？那個小孩會不會突然沖上馬路等等，然后實時修正行車軌跡。

今年1月輕舟官宣了VLA（視覺-語言-動作）模型，容易讓外界有誤解輕舟轉換了技術路線，但CEO于騫向我們做了澄清：

主干一直都是世界模型，但有些場景需要推理，比如交警打了一個不標準的手勢，或者施工牌上寫著“借道逆行”，這時候光靠直覺不行，得動用語言理解，VLA干的就是Chain-of-Thought推理。

兩者配合，世界模型常規和實施路徑輸出，VLA負責超出駕駛任務之外，但又會影響駕駛決策的“常識”對齊。

面對今年業內爭議不斷的VLA、世界模型路線問題，輕舟的立場是：第一性原理出發，從技術規律和用戶價值證明，兩者根本不矛盾，甚至缺一不可。

這個第一性原理，是輕舟智航首次提出的“物理AI第一性原理”：

百萬輛L2+量產交付后，輕舟提出物理AI第一性原理

所有跟物理世界發生深度交互、處理復雜多任務的AI，都是物理AI。

和現在的大語言模型有本質不同。打個比方，你扔出一個玻璃杯，ChatGPT、DeepSeek、豆包等等語言模型知道“杯子會碎”，但它并不真正理解重力、硬度、動量這些物理量是如何在時空中相互作用的。

但物理AI不一樣，模型建立了對三維空間、物理規律、物體持久性、因果關系的認知，尤其是萬事萬物的因果關系理解。

而從這個第一性原理出發，輕舟認為，自動駕駛公司不可能永遠停留在“自動駕駛”層面。

因為自動駕駛從來就不是純粹的軟件問題，也不是純粹的感知問題。它是一個典型的物理AI問題。

其實做自動駕駛的公司，從一開始就是在做物理AI，只是過去大家習慣用“L2”、“L4”這些標簽來定義自己。

而如果一家自動駕駛公司只滿足于做L2輔助駕駛、只滿足于主機廠給的那份需求清單，那其實是在主動縮小自己的問題邊界，用的技術體系是最初階的——依賴路測、調參，迭代慢、成本高，長尾場景永遠覆蓋不完，只能模仿人類，永遠無法超越人類。

自動駕駛真正進入落地實戰階段，無法真正產生用戶價值。

而從技術出發，不想躺平的公司，一定會投入世界模型和強化學習。而一旦你投入了這些技術，你就不再是一家單純的“自動駕駛公司”，你本質上已經是一家物理AI公司。

也只有將物理AI做好了，才能做出真正達到甚至超過人類水平的無人駕駛。

所以VLA和世界模型，在輕舟這里不是前后迭代關系，也不是雙線“賽馬”，而是在輕舟物理AI第一性原理下，自然而然的融合。

物理AI是一個更高維度的技術平臺。一旦在這個平臺上取得突破，它可以向下覆蓋自動駕駛、機器人等多個應用場景。

輕舟的“不躺平”，表面看是智能汽車的產品力競爭客觀需求，不做不行。

但從技術本質，以及輕舟長期的技術探索、布局來看，與其說“轉型”，不如說自然而然的“能力溢出”更準確。

當然在上帝視角來看，這是AI浪潮趨勢在一家自動駕駛公司身上最具象的體現。