文｜谢泽锋

编辑｜杨旭然

智能驾驶的技术演进，正经历一场从“被动响应”到“主动预判”的底层重构。当AI不再局限于对世界的“观看”，而是开始理解物理现实中的因果逻辑与动作交互，物理AI浪潮便顺势重塑了这一行业的路径。

年初CES上，黄仁勋将物理AI的发展比作正在倒计时的“ChatGPT时刻”。到了3月的GTC大会，他进一步将其定义为继数字AI之后，下一个万亿级的增长引擎。

随着Momenta R7实现量产上车，宇树科技、智元机器人及优必选持续出货，AI的应用场景正发生根本性跃迁：从数字世界里的文本视频生成（思考），转向物理世界中的感知、决策与执行（行动）。

自2025年起，比亚迪通过激进的智驾价格下沉策略，掀起“全民智驾”的风潮，极大加速了技术的普及进程。

步入2026年，以一段式端到端、VLA（视觉-语言-行动）以及世界模型为代表的技术路线，正推动行业跨越“机器模仿人类”的阶段，迈向“超越人类智能”的新周期。

本文源自《巨潮WAVE》内容团队，欢迎多平台关注。

**演进：从割裂到融合**

回顾历史，智能驾驶的演变本质是一场技术范式的革命：从模块割裂走向端到端融合，从应激反应进化为智能自主。

早在20世纪初，自动驾驶概念便已萌芽。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重要分水岭。

当年3月13日，美国国防部高级研究计划局（DARPA）在莫哈韦沙漠举办首届自动驾驶长距离挑战赛。卡内基梅隆大学、斯坦福大学、麻省理工以及大众、英特尔等15支团队参赛。

尽管没有完赛者，行驶最远的卡内基梅隆大学“红之队”仅完成了不到5%的路程，但这微不足道的距离，却开启了人类探索智能驾驶的历程。

此次赛事孕育了大量人才，他们随后加入谷歌、优步、通用、福特、Waymo等企业，包括驭势科技CEO吴甘沙。

早期智能驾驶依赖规则算法与高精地图，被理想汽车类比为“昆虫动物智能”。这种模块化设计导致系统泛化能力弱，难以拟人化；感知、预测、决策、控制的分治逻辑虽清晰，但传输过程中的误解与损耗不可避免。

因此，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、决策与控制整合为单一神经网络模型，内部称为“Photon In, Control Out”。该版本移除了30万行手写代码，用神经网络取代，实现了感知和决策规划两大模块的算法端到端，彻底重构了技术架构。

跟随特斯拉步伐，国内分段式端到端在2024—2025年大规模落地，而一段式端到端与VLA技术则在2025—2026年集中上车。

彼时，业内分为“一段式”和“两段式”两派。华为、百度Apollo、小鹏等多采用两段式，商汤、Momenta则是“一段式”的坚定拥趸。

如今，一段式端到端已成主流。但早期技术存在明显短板：作为“黑箱”，其决策逻辑难以追溯，事故后问题定位困难。

为此，行业转向VLA（视觉-语言-行动模型），实现自动驾驶的“真”端到端。通过融合计算机视觉、自然语言处理与强化学习，构建集环境感知、语义理解与决策执行的统一智能体，完成从“黑箱”到“可解释大脑”的变革。

物理AI的到来，使达到甚至超越人类智能成为可能。在保证高效响应的同时，物理AI让决策逻辑更具可解释性。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：理解与预测的统一**

“VLA对自动驾驶是锦上添花，很难雪中送炭。”

Momenta CEO曹旭东指出，VLA训练源于LLM，其侧重点（语义）与自动驾驶实际需求存在偏差。这意味着VLA中语义优先级高于驾驶，陷入“好钢没用在刀刃上”的困境。因此，Momenta坚定选择世界模型路线。

无独有偶，华为车BU CEO靳玉志持类似观点。他认为，VLA通过语言大模型将视觉信息转化为文本token再决策，看似捷径，实则无法真正理解物理世界。VLA如同“背题库的学生”，在复杂或突发场景易失效；而世界模型虽研发难度大，却是自动驾驶的终极彼岸。

华为倾向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，实现更本质的自动驾驶能力。

进入2026年，特斯拉FSD V14的推出改变了行业认知：大模型能力并非VLA与世界模型的二选一，而是两者的深度融合。特斯拉在新版本中集成xAI的Grok大模型，同时利用世界模型进行数据生成与闭环仿真。

行业迅速形成共识。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，而且有机会超越人类的驾驶能力。”

如果说端到端是技术路线，那么VLA和世界模型便是这条路线上的两个强化方向：VLA增强理解，世界模型强化预测。

世界模型的做法是给汽车装上“智能大脑”，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。

因此，VLA解决当下理解问题，世界模型破解未来预测难题。

在实际产业进程中，VLA+世界模型的融合方案成为越来越多车企的选择。小鹏曾被认为坚持VLA路线，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，让模型在输出动作前完成时空推演。

蔚来在1月已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。

可见，一种深度融合式的方案，已在全行业铺开。

**终局：基模之战**

越来越多的汽车和智能驾驶公司将自己定义为“物理AI企业”。

马斯克近年来在全球推广其“AI宏图”，称特斯拉正从汽车公司转型为AI公司，未来成长空间主要来自机器人、自动驾驶和AI基础设施。

李想将理想汽车重新定位为人形智能企业；何小鹏将小鹏汽车升级为“物理AI世界的出行探索者，面向全球的具身智能公司”；Momenta被称为“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”。

物理AI浪潮下，智能驾驶逻辑已从价格战、堆配战转向“基模”之战。

过去汽车行业竞争重在“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，竞争逻辑变为“建底座”，谁掌握物理世界的理解与行动能力，谁就掌握价值链主导权。

甚至，世界模型让智驾、座舱、机器人及一切智能终端走向技术融合。特斯拉用同一基础模型驱动FSD、Optimus和智能体；用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；高通把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，让无数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；而其他新势力品牌因车辆数较少，累计里程均在数十亿公里，未来还需数据积累。

其次，物理AI需高算力芯片和大规模模型训练。有消息显示，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；

靳玉志此前表示，2026年华为乾崑智驾研发投入将超180亿元，未来5年将至少再砸下700亿元用于AI算力提升，其算力规模在29个月的周期里实现了21倍增长。

随着头部智驾企业迈入物理AI赛道，算力竞赛将再上升一个台阶。

**写在最后**

1988年，莫拉维克在其著作《智力后裔》中阐述这样一个观点：对人类来说很难的任务（如逻辑推理、下棋），AI反而容易完成；而对人类来说很简单的事（如走路、抓取物体），AI却极难实现。

后来，这一问题被业界称为“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极为困难。

现有智驾正卡在这一环节，看似智能，却缺乏最基本的物理直觉，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，将是车企角逐的焦点。但距离真正的智能驾驶终极形态，还有相当长的距离。