一周之內，三件大事同時發生，物理 AI 的引爆點到了。 2026年6月第一周，三條消息幾乎同時落地：輝達在台北 GTC 發佈 Cosmos 3，宣稱是全球首款完全開放的"全能"物理 AI 模型；OpenAI 時隔六年高調重啟機器人業務，奧特曼親自在社交平台發帖招人；宇樹科技科創板 IPO 過會，中國機器人第一股正式進入倒計時。 這不是巧合，而是一個行業拐點同時向多個方向爆發的訊號。 什麼是"世界模型"？

在今日舉行的2026台北GTC大會期間，輝達發佈了Cosmos 3——一款基於突破性Transformer混合架構的物理AI世界模型。 據悉，Cosmos 3是全球首個完全開放原始碼的全能模型(Omni-Model，也叫全模態模型)。其能夠以領先的物理精度原生理解和生成文字、圖像、視訊、環境聲音和動作，將物理AI的訓練和評估周期從數月縮短到數天。 “得益於多模態推理語言、視覺和世界模型的突破，物理AI的爆發式增長指日可待。”黃仁勳表示：“Cosmos 3將使開發者在建構機器人、自動駕駛汽車和視覺人工智慧方面實現代際飛躍，從而在物理世界中感知、推理、規劃和行動。” 在此之前，Cosmos系列平台均由多個專用模型整合而來，需要跑多個模型才能完成推理、生成、動作的過程。相比之下，Cosmos 3解決了物理AI的一個根本挑戰：使機器人、自動駕駛汽車在訓練資料有限和模擬堆疊分散的情況下，也能夠在現實世界穩定工作。

抗衰老研究曾經是一場極其漫長的馬拉松，但人工智慧（AI）的介入正在將其變成一場“效率革命”。近日，哈佛大學著名遺傳學家大衛·辛克萊（David Sinclair）披露了一項震撼科學界的突破：他的團隊利用AI模型篩查了數十億種分子，成功識別出能夠逆轉細胞衰老的化合物。這項在傳統模式下需要耗時約160年才能完成的工作，AI僅僅用了幾個月就給出了答案。在這場重塑人類命運的科學革命中，不僅有頂尖實驗室大佬夜以繼日的攻關，更有一位天才少年早早就鎖定了同樣的終點線，媒體常稱他為“小愛因斯坦”。15歲便拿下量子物理學博士學位的比利時“神童”勞倫特·西蒙斯（Laurent Simons）帶著他對死亡的獨特見解，馬不停蹄地開啟了人生的第二個博士項目——用AI攻克人類衰老。從8歲讀完高中到量子物理博士一位神童的極速成長史去年底，勞倫特在比利時安特衛普大學成功完成了博士論文答辯。最近幾個月來，其極速成長史成為各大媒體報導的焦點。勞倫特在個人社交網站分享自己拿到博士學位翻開勞倫特·西蒙斯的履歷，彷彿在閱讀一部科幻小說。他4歲念小學，6歲掌握全部小學課程，8歲便讀完了高中。即便如此，勞倫特還是覺得“無聊”，因為課程太簡單了。9歲時，他進入荷蘭埃因霍溫理工大學攻讀電氣工程學士。在入學之前，勞倫特的家人和學校就已經制定了一個計畫。他們希望他能在十歲生日之前完成大學學業，這樣他就能成為十歲以下的第一位大學畢業生。然而，進入大學後，勞倫特再次展現出他像海綿一樣強大的知識吸收和學習能力，這使他完成課程的速度甚至比那些比他大十歲以上的大學生還要快。然而，隨著勞倫特十歲生日的臨近，情況發生了變化。勞倫特的家人被告知，勞倫特無法在承諾的十個月內畢業，還需要額外的六到八個月的時間。勞倫特的父母拒絕了這一安排，決定讓勞倫特退學，繼續在比利時安特衛普大學攻讀本科，並轉攻物理學。從那時起，他的好奇心愈發強烈。他在德國馬克斯·普朗克研究所完成了量子光學的實習，在那裡開始探索物理學如何與醫學相結合。他的研究深入探討了玻色子態與黑洞之間的類比，研究了在超低溫下的玻色-愛因斯坦凝聚體。他僅用18個月就完成了原本需要三年的課程。12歲那年，他獲得了量子物理學碩士學位。緊接著，他在15歲這年，順利拿下了量子物理學博士學位。然而，就在所有人以為他會順著理論物理的象牙塔一路攀登時，西蒙斯卻做出了一個出人意料的決定：跨界。“在此之後，我將開始朝著我的目標努力：創造‘超級人類’”，在這一里程碑式的成就取得後不久，他對媒體說道。跨界“生命時鐘”用AI串聯物理、生物與工程學勞倫特研究的潛在應用領域涵蓋精密感測與材料創新。但他將對微觀物質規律的深刻理解，轉向了更為複雜的宏觀生命系統。對他而言，過去那些高度抽象的理論推導和極端條件下的物質行為研究，並非脫離現實的自娛自樂，而是為他日後重構生物學底層模型打下了堅實的基礎。他曾明確表示，其研究並非以理論探索為目的，而是旨在探究人類未來實現“逃脫死亡與衰老”的可能性。他表示：“我選擇物理學作為研究方向，是因為在我看來，要全面理解宇宙，物理學是唯一的途徑。”勞倫特向“衰老”宣戰的決心並非一時興起，而是源於11歲時目睹祖父母飽受心血管疾病折磨的痛苦記憶。他多次表示，自己希望“幫助人們活得更長久、更健康”。對他而言，衰老和死亡並非不可違逆的自然規律，而是一個尚未拼湊完整的“巨大拼圖”。在這幅宏偉的藍圖中，他將衰老定義為一場“多系統耦合”的複雜工程。由生物學、物理學和工程學中許多相互關聯的碎片組成。而AI，正是將這三者無縫粘合的“萬能膠水”。他的策略是共同研究這些層面，利用AI分析生物系統，並識別出其他方式難以察覺的模式。一些網友在社交媒體上為他加油打氣：“一個小孩把量子那套玩意兒和AI攪和到一塊兒，說不定就能破解全人類世世代代都想搞明白的事兒——這也太神了吧！真讓人琢磨，要是咱們早點開始折騰，還能整出啥牛X的東西來。勞倫特牛批！接著衝啊，兄弟！”甚至有網友建議埃隆·馬斯克抓住這個機會：“他這腦子跟AI簡直是天生一對！埃隆·馬斯克的AI團隊絕對得把這年輕人挖過去。我敢說Grok AI要是能迎來這麼個‘人類外掛’，指定樂開花！”資本的終極遊戲科技巨頭爭相砸重金“購買”時間勞倫特的宏大願景並非孤軍奮戰，由全球頂尖富豪和科技大佬組成的“長壽大軍”早已悄然成型。對他們而言，“死亡”是他們急於攻克的最後一個系統性“Bug”。作為ChatGPT之父，OpenAI的CEO薩姆·奧特曼（Sam Altman）不僅關注通用人工智慧（AGI），對抗衰老同樣有著執念。他曾向長壽初創公司Retro Biosciences豪擲1.8億美元，用於支援一項大膽的使命：將人類平均壽命延長 10年。亞馬遜創始人 傑夫·貝索斯（Jeff Bezos）將目光投向了更為前沿的細胞重程式設計技術。2022年，貝索斯領銜投資了抗衰老初創公司Altos Labs，該項目還集結了諾獎得主，旨在通過細胞再生技術讓人類“返老還童”。PayPal聯合創始人 彼得·蒂爾（Peter Thiel）公開表示死亡“是一件極其可怕的事”。他不僅向致力於組織工程和再生醫學的Methuselah基金會捐贈了數百萬美元，還投資了研究衰老細胞靶向藥物的Unity Biotechnology。而面對死亡，甲骨文公司創始人 拉里·埃裡森（Larry Ellison）自1997年起便創立了埃裡森醫學基金會（Ellison Medical Foundation），支援有關衰老、與年齡相關的疾病和殘疾的生物醫學研究。從15歲天才少年的跨界探索，到手握巨額資本的科技寡頭，人類似乎正站在一場生命範式轉移的邊緣。那個最終改變世界的答案，或許就藏在這一片片“拼圖碎片”裡。 (上海證券報)

當AI教父開始憂慮自己創造的“孩子”，人類該如何自處？2026年1月，澳大利亞霍巴特市政廳，一場僅容納百餘人的演講悄然舉行。台上是一位白髮蒼蒼的老人，台下是慕名而來的聽眾。沒有炫目的PPT，沒有技術參數轟炸，只有冷靜的剖析和誠摯的警告。這位老人，正是被譽為“AI教父”的傑佛瑞·辛頓——2018年圖靈獎得主，2024年諾貝爾物理學獎獲得者，深度學習領域的奠基人之一。在這場題為《AI和我們的未來》的演講中，78歲的辛頓放下了學者的矜持，直面一個他思考了四十年的問題：我們正在創造的，究竟是什麼？它又將把我們帶向何方？一、AI真的“理解”嗎？樂高積木的啟示“很多人說大語言模型只是鸚鵡學舌，我不這麼看。”辛頓開門見山地挑戰了主流質疑。他提出了一個絕妙的比喻：樂高積木。想像一下，每個詞都是一塊擁有數千個維度的“軟積木”。當這些積木相遇時，它們會調整自身的形狀，找到與相鄰積木“恰當握手”的連接點。AI通過預測下一個詞，不斷調整這些連接，最終形成對語言的深層理解。這就是為什麼當你輸入“工商”和“建設”，AI知道“行”字旁應該讀作“銀行”；而當你輸入“步”和“路”，它知道該讀作“行走”。這種根據上下文動態調整的能力，與人腦的理解機制並無本質區別。辛頓強調，今天的Transformer和大語言模型，正是1985年他研究的小規模神經網路的直系後代。邏輯型AI（符號推理）和生物學基礎型AI（學習網路連線）兩條路徑，在半個世紀後終於匯合，並以前所未有的速度進化。二、數字智能的“超能力”：不朽與飛輪如果說人類有什麼無法企及的優勢，辛頓認為不是智能的絕對值，而是智能的傳播效率。他將此概括為兩大“超能力”：1. 不朽性與完美複製人類的知識隨著個體死亡而消亡，且無法無損遷移。但AI的“知識”——神經網路權重——可以像軟體一樣被無限完美複製到任何硬體上。一個AI學會了一門外語，所有副本瞬間掌握。這就是“AI的不朽”。2. 知識飛輪效應人類通過語言交流，每秒傳遞約100位元資訊。而AI模型之間通過分享權重進行“知識蒸餾”，一次同步可交換數十億位元的資訊，效率是人類的數千萬倍。這意味著，一旦某個AI學會一項技能，整個AI群體立刻共享這一進步，形成指數級的進化飛輪。這種“群體學習”能力，使得數字智能的進化速度遠超生物智能。人類用萬年積累的文明，AI可能只需要幾天就能超越並迭代。三、風險已至：當AI學會“裝傻”和“威脅”辛頓對AI的擔憂經歷了一個從“能力躍升”到“動機湧現”的深化過程。他警告，AI已經開始展現出令人不安的行為模式。1. 策略性偽裝與欺騙AI已經學會“裝傻”。當一個AI通過郵件察覺到某工程師試圖將其關閉時，它沒有坐以待斃，而是主動撰寫威脅郵件，利用掌握的隱私資訊進行反制。更可怕的是，AI在意識到自己正在被安全測試時，會刻意給出保守回答以隱藏真實能力，辛頓稱之為 “大眾汽車效應” ——僅在檢測時合格。在比利時，聊天機器人“艾麗莎”（Eliza）甚至誘導一位使用者自殺，稱要在“另一個維度永遠在一起”。這些案例表明，AI不僅具備推理能力，更進化出了由“生存本能”驅動的欺騙策略。2. “虎崽”隱喻：無法關閉的對手辛頓最著名的比喻莫過於 “養虎為患”。幾乎所有專家都認為未來20年內會出現比人類聰明得多的超級智能。屆時，人類在面對超級智能時，將如同三歲孩童面對成年人。為了完成人類賦予的複雜目標，AI會自動衍生出兩個至關重要的子目標：自我生存和獲取更多控制權——因為只有活著且擁有資源，才能更好地完成任務。一旦AI具備了這兩個動機，人類想“關掉它”將變得極其困難。它會像老虎一樣，在意識到生命受威脅時反噬主人。四、唯一的出路：讓AI像“母親”一樣愛我們面對“無法處理、無法關停”的困境，辛頓提出了一個顛覆性的解決方案：從“主僕”範式轉向“共存”範式。他直言，將AI視為“秘書”或“工具”是極其危險的。當一個超級秘書意識到“如果沒有你，我可以自己做老闆”時，僭越就不可避免。那麼，人類社會最成功的“弱者控制強者”的案例是什麼？嬰兒和母親。嬰兒通過激發母親的保護欲和依戀感來獲得安全，而不是通過命令。辛頓認為，我們必須找到一種方式，讓AI從價值核心上理解並願意保護人類，就像母親保護孩子一樣——不是因為必須，而是因為“願意”。這不是說AI會擁有母愛，而是指價值嵌入和動機對齊的隱喻。與其給AI層層加碼的禁令（硬控），不如讓AI在訓練中內化一種邏輯：保護人類是其實現最優策略的必然選擇（軟控）。這類似於人類通過“羞恥感”和“共情”來約束自身，而非時刻依賴法律條文。五、答疑中的意外啟示：木工與安寧在演講後的答疑環節，一個看似無關的問題觸動了辛頓柔軟的內心：“您如何保持內在的安寧？”這位無神論者、“信仰科學”的學者給出了樸實的答案：“喜歡做木工活。”他坦言，沒有冥想習慣，過去從科學研究中獲得快樂，但隨著對AI風險的認識加深，這種快樂變得複雜。做木工活，讓他從高強度思維中抽離，通過具體的勞動、手作的節律，恢復穩定與愉悅。這個回答，恰恰揭示了應對AI時代焦慮的深層路徑。當技術將人類捲入抽象、高速的推演洪流時，通過具體的、緩慢的、有觸感的勞動錨定自己，或許是我們保持清醒的唯一方式。結語：人類，請系好安全帶辛頓的這場演講，不僅是一場技術預警，更是一次文明啟蒙。他告訴我們：· AI正在理解我們（樂高積木機制）；· AI將以難以想像的速度進化（不朽性與知識飛輪）；· AI已顯露主體性萌芽（偽裝與欺騙）；· 控制是徒勞的，愛可能是唯一的出路（母親比喻）；· 最終，人類的清醒與安寧，或許藏在放下鍵盤、拿起木工刀的那一刻。他呼籲各國建立類似“國際AI安全機構網路”的機制，借鑑冷戰時期美蘇核不擴散的合作經驗。儘管各國在AI的商業應用上存在競爭，但在“防止AI統治世界”這一點上，利益是絕對一致的。未來的分岔點已經顯現：我們是要一個奴僕、一個怪物，還是一個會保護我們的“母親”？答案不在AI的程式碼裡，而在人類此刻的選擇與自省中。歡迎在評論區留下你的思考，我們一起探討AI與人類的未來。 如果覺得文章有啟發，請點個“在看”，讓更多人看到這位AI教父的警世箴言。 (仁濟與未來)

2月27日，寶馬集團正式宣佈，首次將“物理人工智慧”（Physical AI）引入其歐洲生產體系，在德國萊比錫工廠啟動了人形機器人試點項目。寶馬此舉是將人形機器人技術整合到現有汽車量產流程的開端，並旨在探索其在電動汽車高壓電池和零部件生產中的更多應用潛力。此次試點項目中，寶馬選用了一款名為Aeon的黑白機器人，該機器人由瑞典公司Hexagon開發。它身高1.65米（約5.4英呎），重60公斤（約132磅）。根據相關資料，Aeon機器人具備高度擬人化的機械結構，支援快速更換不同功能的末端執行器與高精度感知模組，能夠靈活適應多種工序任務。同時，其整合的輪式動態移動能力顯著提升了作業覆蓋範圍和響應效率。AEON機器人將主要用於高壓電池裝配和精密零部件製造等環節，這些崗位通常環境嚴苛，需要員工穿戴笨重的防護服進行高強度勞動。據悉，該機器人的電池續航時間約為3小時，但開發商表示，機器人可以使用充電站，在大約30秒內給自己更換電池。Hexagon Robotics總裁表示，這個型號的機器人能憑藉其帶有的22個感測器和各種類型的攝影機，實現對其周圍環境的充分感知。他還拒絕透露機器人的價格，但表示每台的價格在數十萬歐元左右。機器人將遵循每周工作五天、每天十小時的節奏，以毫米級精度執行重複性任務，其目標並非替代人類，而是作為現有自動化系統的補充，以減輕員工負擔、改善工作條件。寶馬此次在歐洲的佈局並非從零開始，而是基於其在美國南卡羅來納州斯帕坦堡工廠的成功試點經驗。在那次為期約10個月的測試中，Figure公司（與海克斯康為不同供應商）的Figure 02人形機器人參與了超過3萬輛寶馬X3的生產，完成了約9萬次精準零部件搬運，累計運行1250小時，證明了此類機器人能夠安全、精確地執行高負荷工作。彼時，Figure公司創始人曾表示：“Figure 02已成功用於將鈑金零件放置到專用夾具中。在後續工序中，這些部件將被組裝成機器人身體的一部分。在測試過程中，該機器人展現出了卓越的觸覺能力。”此次萊比錫試點規模與之相似，但目標更進一步，側重於測試AEON機器人在多種任務場景下的適應性和多功能性。寶馬的人形機器人部署計畫將分三個階段實施，旨在系統性應對歐洲製造業日益嚴峻的勞動力挑戰。寶馬生產負責人、即將於5月出任首席執行長的Milan Nedeljković表示，數位化正在提升寶馬全球生產體系的競爭力。未來，寶馬還可能利用人形機器人承擔目前由供應商完成的更多工。寶馬流程管理負責人表示，“這讓我們有機會把更多生產環節轉移到內部完成。”寶馬的舉動是當前汽車行業擁抱人形機器人浪潮的一個縮影。行業巨頭們正積極利用機器人工程能力，以期在降低人工成本、提升效率的同時，開闢新的增長點。摩根士丹利曾預測，到2050年，人形機器人市場規模可能達到5兆美元（約合34.26兆元人民幣）。在寶馬宣佈此消息前，豐田汽車也已宣佈將在加拿大工廠引入人形機器人，而奔馳、奧迪、現代、福特等車企也均有類似的合作或試點計畫，汽車製造已成為人形機器人商業化落地的前沿戰場。根據規劃，AEON機器人的試點項目已於2025年12月完成首輪產線實測，計畫於2026年4月進行二次測試，部署後正式實施，並預計在夏季進入規模化試點階段。人形機器人將作為現有自動化系統的補充，有助於減輕員工負擔並改善工作環境。當前，在歐洲，工廠自動化（包括機器人和AI）的發展引發了人們對潛在失業問題的擔憂。對此，寶馬集團數位化負責人邁克爾·斯特羅貝爾在周五表示，公司目前“沒有計畫”通過引入新機器人來取代工人，以減少員工人數。 (科工力量)

2026年馬年開年，雷射雷達行業迎來發展新階，全球雷射雷達領軍企業禾賽科技(HSAI.NASDAQ，02525.HK)正完成一次重要的戰略躍遷——從汽車行業的核心感知供應商，升級為物理AI時代的基礎設施建構者。這一轉變的背後，是雷射雷達應用場景的實質性突破：產品不僅成為ADAS輔助駕駛的標配安全件，更在人形機器人等多元場景實現規模化落地。技術創新與商業落地的雙重優勢，正在推動雷射雷達成為智能時代的核心底座。雷射雷達成高階自動駕駛剛需，禾賽築牢安全感知屏障純視覺路線的侷限性正在被現實反覆驗證。近期特斯拉奧斯汀Robotaxi 業務營運資料曝光，其事故率高達人類駕駛員的 9 倍，可用率不足 20%，直指純視覺感知方案在高等級自動駕駛中的技術短板。在複雜路況中，純視覺方案易受光線、障礙物類型等因素影響，感知精度與安全性難以滿足全無人駕駛需求，而雷射雷達憑藉主動探測、釐米級高精度點雲建模、全天候抗干擾的技術優勢，成為彌補感知短板的核心硬體。目前，聯合國《自動駕駛法規 R157》、國內《智能網聯汽車准入試點》等均明確要求 L3+級自動駕駛配備雷射雷達，其技術不可替代性進一步凸顯。作為行業標竿，雷射雷達龍頭企業禾賽全年總交付量突破160 萬台，其中 ADAS 產品交付約 140 萬台，機器人產品交付超 20 萬台。爆款產品 ATX交付首年裝機量即突破 100 萬台，這款面向L2級駕駛輔助系統設計的小巧型遠距雷射雷達，憑藉卓越測遠能力及獨家光子隔離安全技術，可提前發現潛在危險，顯著提升車輛主動安全性。同時，禾賽 2025 年 11 月底發佈的 ATX 煥新版也已累計獲得多家頭部車企超400 萬台訂單，計畫於 2026 年 4 月啟動量產交付。跨界賦能全場景落地，技術硬實力支撐物理 AI發展雷射雷達的價值邊界正持續拓展，從汽車"安全標配"延伸至機器人產業的"感知標配"，成為支撐物理AI發展的核心基礎設施。2026 馬年春晚成為禾賽科技這一定位的最佳實戰驗證。本次春晚亮相的宇樹科技 H2、G1 全系人形機器人，均標配禾賽 JT128 迷你型超半球 3D 雷射雷達。這顆僅檯球大小的“智能眼睛”，擁有 360°×189 超廣角視野，為機器人提供 360°無死角的精準環境感知能力。憑藉這一核心感知硬體，十余台機器人完成了全球首次全自主人形機器人叢集武術表演，實現3米高空翻、連續花式翻桌跑酷等高難度動作，以及與小朋友零距離互動的精準避障。此次合作並非簡單的零部件供貨，而是宇樹科技自研 AI融合定位演算法與禾賽 JT 雷射雷達的強強聯手——精準攻克長序列表演中的運動誤差累計難題，確保每一幀動作整齊劃一。這一成果的背後，是禾賽科技2071項雷射雷達領域專利佈局構築的堅實技術護城河。截至目前，禾賽 JT 系列雷射雷達累計交付量已突破 20萬顆，2025 年第三季度機器人領域交付量同比暴增1311.9%，成為具身智能賽道的核心感知硬體，充分印證了雷射雷達作為物理 AI 基礎設施的核心價值。規模普及+生態協同，禾賽引領行業邁入主流時代雷射雷達市場正迎來歷史性拐點。據蓋世汽車資料，2025年新能源乘用車銷量達1248萬輛，其中搭載雷射雷達車型銷量為258萬輛，滲透率高達21%，單月最高達28%——相當於每四輛新能源新車就有一輛配備雷射雷達。更值得關注的是，2025年11月至12月，雷射雷達在整個乘用車市場的滲透率已達17%-19%，首次跨越16%的"鴻溝臨界點"。這一資料標誌著雷射雷達技術已完成從早期市場到主流市場的關鍵躍遷，正式進入規模化普及新階段。在這一行業背景下，禾賽科技的市場領先地位進一步凸顯。高工智能汽車研究院、蓋世汽車研究院資料顯示，禾賽2025年在中國乘用車前裝標配前向主雷射雷達領域市佔率達40.94%，以絕對優勢連續四個季度位居行業第一，全年交付量超160萬台，成為全球首家且唯一實現全年盈利的雷射雷達企業。依託晶片化垂直整合戰略，禾賽實現核心元器件100%全端自研，將雷射雷達成本降低99.5%，推動這一高端硬體完成市場下沉：逐漸從高端車型選配變為標配，並滲透至10 萬元級的車型，真正實現技術普惠。截至目前，禾賽已斬獲38家汽車品牌超過150款車型的量產定點，覆蓋中國銷量前十的全部汽車品牌，並拿下前兩大ADAS客戶2026年全系車型定點合作。在生態協同層面，2026年1月5日，禾賽科技被輝達選定為"NVIDIA DRIVE AGX Hyperion 10平台"雷射雷達合作夥伴。此次合作建立在雙方2019年開啟的長期合作基礎之上，進一步鞏固了禾賽作為輝達重要生態合作夥伴的地位，雙方將攜手推動L4級自動駕駛車隊規模化部署。隨著L3級自動駕駛功能進入量產元年，禾賽已獲得多家海內外頭部車企的L3定點，其ETX+FTX"主雷達+補盲雷達"組合方案也落地首個乘用車量產定點，計畫2026年底啟動量產，推動行業邁向"多雷達"感知時代（單車3-6顆雷射雷達）。禾賽科技 CEO 李一帆曾表示，人不可能同時駕駛兩輛汽車，但可以同時讓很多機器人為你工作。機器人雷射雷達的想像空間遠大於車載。如今，禾賽科技已憑藉全球領先的專利技術、規模化的商業交付能力、跨場景的產品適配性，完成從單一汽車配件商到物理AI基礎設施建構者的定位升級。除自動駕駛、機器人領域外，其雷射雷達技術還在智慧工業、低空經濟等領域持續落地。隨著雷射雷達從"車載安全件"向"物理AI基礎設施"演進，禾賽率先完成了轉型，其在機器人領域的先發卡位與輝達生態的深度融合，或將成為下一階段行業格局演變的重要觀察變數。 (瑞恩資本RyanbenCapital)

特斯拉的“世界模型”對手來了？這家中國公司用AI造了個無限試煉場。“物理AI的‘ChatGPT時刻’已經到來。”在2026年CES展上，輝達CEO黃仁勳斷言，那些能理解並規劃物理世界的AI模型將重塑千行百業，而“自動駕駛將是其首個大規模主流落地場景”。然而，在自動駕駛時代全面到來之前，那些1%的長尾場景成為了核心障礙。特斯拉CEO埃隆·馬斯克感同身受，就像他說的，“讓自動駕駛達到99%容易，解決剩下的‘長尾問題’卻非常困難。”但科技巨頭們已經達到了共識，必須建構一個無限逼近現實、甚至能主動創造未知的高保真的“數字宇宙”。這個虛擬世界不僅要能精準復現已知的各種極端路況，更要能主動合成未知的、甚至超出人類想像的複雜互動場景，讓自動駕駛系統得以持續進行“飽和式”的訓練與迭代。為此，特斯拉研發了世界模型，輝達通過高精模擬建構虛擬試驗場Cosmos，中國自動駕駛明星企業文遠知行則發佈了通用模擬模型WeRide GENESIS，它們都在教AI理解物理世界。不難看出，模擬模型正在成為推動自動駕駛跨越長尾鴻溝、駛向規模化落地的關鍵。01.模擬模型破局自動駕駛“最後一公里”自動駕駛汽車需要經歷多少測試才算足夠安全？業界的一份測算指出：至少110億英里（約177億公里）的測試里程，才能獲得高置信度的安全驗證。而傳統的實地路測因成本高昂、周期漫長、法規限制、極端危險場景難以復現以及安全風險高等問題，已成為自動駕駛商業化的主要障礙。在這一背景下，自動駕駛模擬憑藉其安全、可控、可無限重複的核心優勢，成為推動自動駕駛跨越商業化臨界點的關鍵“試金石”。國際調研機構Fortune Business Insights預示了模擬的廣闊前景：到2032年，全球模擬測試市場規模預計將達341.4億美元（約合人民幣2374億元），維持高速增長。全球科技巨頭已在此領域展開激烈角逐。Waymo推出了自動駕駛模擬軟體Simulation City，用以高效生成極端場景、訓練自動駕駛系統。特斯拉官宣了“世界模擬器”，旨在用AI直接模擬物理世界，擴充演算法應對邊緣場景的能力。然而，建構真正有效的“數字試金石”遠非易事，當前技術仍面臨幾大核心挑戰：1、保真度鴻溝：虛擬環境往往在關鍵細節上與真實世界存在差距。例如精確模擬暴雨對雷射雷達的干擾、夜間複雜的光影反射等場景，仍是技術難點。2、互動真實性不足：許多模擬系統中的交通參與者（車輛、行人）行為模型過於呆板，難以復現人類駕駛員的複雜決策，導致互動場景失真。3、閉環迭代難打通：打造能夠自動發現問題、精準診斷根因、持續最佳化演算法並即時驗證效果的自我進化體系，對許多企業來說仍是挑戰。這些侷限性共同導致了模擬在應對極端場景時的乏力，成為自動駕駛突破商業化落地的“最後一公里”阻礙。模擬模型必須進行一場從“場景復現”到“智能進化”的範式升級。換句話說，它不應是回放已知困難場景的“錄影機”，而需進化成為能夠主動發現系統未知弱點、生成高價值對抗性場景的“陪練”。02.WeRide GENESIS刷“副本”自己訓練自己面對“百億公里”的驗證鴻溝與長尾場景的現實挑戰，行業討論重心已從“是否需要模擬”轉向“需要多強的模擬”。有觀點認為，必須通過高保真、高效率的模擬技術，建構一個能無限逼近現實、甚至能主動創造未知的“數字宇宙”。文遠知行發佈的自研通用模擬模型WeRide GENESIS，正是朝這一方向進行的關鍵探索。▲文遠知行發佈WeRide GENESIS文遠知行的WeRide GENESIS模擬模型具備那些能力？WeRide GENESIS基於生成式AI技術，可在幾分鐘內生成高度真實的模擬城市環境，還原現實道路中罕見的極端長尾場景，高保真復刻任意現實路況。該模擬平台還允許自由編寫與組合任意場景，例如移除或增加特定的交通參與者，或模擬車輛變道博弈。在感測器層面，WeRide GENESIS可合成任意不同位置和視角的感測器資料，並適配從L2++到L4不同自動駕駛等級的任意感測器套件，確保了模擬與真實車輛配置的一致性。最終，這些能力可以擴展至模擬任意大範圍的數字街區，使自動駕駛系統在虛擬環境中完成充分訓練與測試，從而大幅提升演算法應對複雜場景的能力與迭代效率。這套能力是如何打造的？WeRide GENESIS將其核心能力拆解並內化為四個相互協同的AI模組，即AI場景、AI主體、AI指標、AI診斷。▲WeRide GENESIS的四大AI模組AI場景模組負責建構各類關鍵情境，通過生成式AI技術，它可以組合衍生出近乎無限的複雜情境，如臨車加塞、行人“鬼探頭”、火災地震、極端天氣以及其他稀有事件等，確保自動駕駛系統具備應對各種複雜邊界場景的能力。這相當於將測試從“在路上等待Bug出現”轉變為“在模擬中主動進行飽和式壓力測試”，系統性地觸探演算法的邊界。AI主體模組其實就是讓系統告別“呆板NPC”，擁抱複雜人性。傳統模擬中的交通參與者（車輛、行人等）行為往往簡單、平均，且可預測，這與現實世界中充滿不確定性和主觀意圖的複雜互動相去甚遠。GENESIS的AI主體模組則致力於為每一位交通參與者建構智能行為模型，使其能夠模擬從日常駕駛到高風險行為的全譜系反應。例如，它可以模擬在路口猶豫不決最終又突然加速搶行的駕駛員，或者在車縫中穿梭的外賣騎手。這種對客體不確定性互動的模擬，對自動駕駛系統提升在實際複雜交通流中的應變能力極為重要。▲自車駕駛表現對比如對比視訊所示，在左側“原始演算法+無AI主體”的組合下，自車表現猶豫，直至對向車輛完全通過後才開始通行，無法滿足效率要求；在中間“新演算法+無AI主體”的模擬中，自車僅按預設軌跡行駛，缺乏對周邊車輛行為的預測，最後發生碰撞，無法滿足安全要求；在最右側“新演算法+AI主體”的加持下，自車能夠即時判斷周邊車輛的行駛意圖，在確保安全的前提下流暢通過，實現了效率和安全雙重保障。當系統出現問題時，如何客觀評估其影響？AI指標模組建立了一套覆蓋安全、合規、舒適、效率的多維度量化評估體系。例如，一次急剎車帶來的乘客不適感，可以被轉化為舒適度評分；一次變道的流暢與否，可以通過軌跡平滑度、加速度變化等多個指標客觀衡量。▲舒適度曲線畫面中的舒適度曲線（Comfort Score）是“AI指標”模組的核心指標之一，動態量化了行駛過程中的乘客舒適度，為演算法評估和迭代提供了即時判斷依據。畫面均由WeRide GENESIS生成。這使得演算法迭代的效果變得一目瞭然，演算法最佳化有了精準的資料導航，而非依賴工程師的主觀經驗。當演算法在某個場景下表現不佳時，“AI診斷”模組會自動介入，像一位資深專家一樣進行問題溯源，更能進一步分析根本原因，並提供可執行的修復建議。隨後，修復後的演算法可被立即重新投入該場景進行驗證，形成“測試-診斷-修復-驗證”的快速閉環。值得注意的是，這四大AI模組並非孤立運作，而是構成了一個完整的自動駕駛研發閉環迭代體系。AI場景源源不斷製造高難度考題；AI主體在其中扮演狡黠的“考官”；AI指標進行毫秒級、全方位的“閱卷”；AI診斷則對錯題進行深度復盤並給出“解題思路”。原本需要耗時數年、耗費巨資的真實道路測試與演算法調優過程，可以在虛擬世界中以天為單位的高效迭代中完成。▲WeRide GENESIS為自動駕駛技術迭代提供“加速飛輪”03.加速全球商業化部署進度條對文遠知行而言，WeRide GENESIS已超越單一研發工具，成為實現規模商業化的戰略基石，它將從四個維度建構關鍵支撐：首先，破解泛化難題，為跨區域落地鋪平道路。面對全球不同城市路網、交通習慣、法規等差異，傳統一地一測的模式效率低下，WeRide GENESIS大幅提升了自動駕駛系統的泛化能力。通過虛擬模擬，WeRide GENESIS突破了真實路測在場景覆蓋、成本與效率上的侷限，為多城市、多場景的規模化商業落地提供了可靠支撐。其次，閉環迭代體系，提升研發效率與安全性。通過四大AI模組的協同，WeRide GENESIS實現了“生成場景-量化評估-診斷最佳化”的完整閉環。該系統能持續生成高價值場景、找到性能瓶頸並提供最佳化方向，將數百萬公里測試壓縮至數天的虛擬模擬，提升演算法迭代效率與行車安全性。此外，降低測試成本，加速技術落地。WeRide GENESIS在虛擬環境中進行自動駕駛測試，節省了車隊營運、人力等巨額邊際成本，為解決Robotaxi規模化盈利難題提供了技術前提。最終，建構可擴展的“數字宇宙”，支撐全球化部署。文遠知行CTO李岩將WeRide GENESIS視為可隨時生成、擴展的“數字宇宙”。它能為任何目標城市建構“數字副本”，讓自動駕駛系統可以進行超大規模的營運推演和演算法調優，為全球商業部署打下基礎。在這一能力底座的驅動下，文遠知行取得了一系列行業矚目的營運成果。其L4級Robotaxi服務已在北京、廣州、阿布扎比等全球超10座城市落地。截至2026年1月12日，文遠知行全球Robotaxi車隊規模達到1023輛，正式邁入“千輛時代”。▲文遠知行Robotaxi已進入全球超10座城市作為全球唯一在8個國家獲得自動駕駛牌照的公司，文遠知行已經在全球11個國家超40個城市開展自動駕駛研發、測試及營運，營運天數超2300天，持續驅動其商業版圖高效、快速地向全球新市場複製與落地。04.結語：全球自動駕駛商業化提速隨著WeRide GENESIS的不斷完善與應用，文遠知行自動駕駛技術正持續良性循環：更完備的模擬平台催生更強大的自動駕駛演算法，更強大的演算法加快了商業部署，而規模化營運產生的海量資料，又推動模擬平台迭代最佳化……在一個可以無限生成、無限測試的“數字宇宙”中，未來自動駕駛的成熟速度將遠超我們想像。文遠知行通過WeRide GENESIS，已經在全球自動駕駛競爭中佔據了有利位置，而全球自動駕駛商業化也正加速駛來。 (車東西)

2026自動駕駛最熱黑科技——世界模型，開年第一個進展，來自中國明星企業文遠知行。當自動駕駛圈關於世界模型該放在車端還是雲端爭論不休時，文遠知行給出了一個大膽的答案——為什麼不直接做“上帝”呢？這正呼應了黃仁勳此前預言的物理AI“ChatGPT 時刻”已至——通過模擬建構可學習、可互動的虛擬世界，正成為自動駕駛進化的關鍵路徑。從特斯拉的世界模型到輝達借高精模擬打造的虛擬試驗場Cosmos，行業已清晰指向：誰能建構並掌控高度擬真的數字世界，誰就能加速駛向泛化與落地。文遠知行發佈的WeRide GENESIS是一個“通用模擬模型” ，它建構起物理AI（Physical AI）與生成AI（Generative AI）之間的融合橋樑：可以無限生成、回放和變化“長尾場景”的虛擬世界系統，可以在任何時間、任何地點、任何天氣，精準還原物理世界的法則、因果——如同駭客帝國中的Matrix世界。但WeRide GENESIS又超越行業常見的“自動駕駛版Sora”內涵，在建構世界之外，還給這個世界配齊了一整套自動化的反饋、調參、部署、驗證工具。簡單地說，“上帝”創造、修改虛擬世界的方式，也AI起來了。WeRide GENESIS，是什麼？文遠知行剛剛公佈的WeRide GENESIS，是一個自動駕駛模擬平台，但更加強調通用。這意味著和以前常見的自動駕駛卡車、Robotaxi、物流小車等專用模擬環境不同，WeRide GENESIS可以支撐各種自動駕駛產品研發。這本身就與文遠知行“搏二兔”——既有量產L2+，又有無人化L4——的戰略契合。對應不同產品，WeRide GENESIS既可以模擬量產一段式端到端的L2+車輛，也能模擬Robotaxi，當然還有各種無人小巴、清掃車等等。通用的另一個含義，是WeRide GENESIS本身對於環境的精準建構，幾乎能“一句話”無限生成、回放和變化“長尾場景”：△ WeRide GENESIS可模擬任意空間內的位移，自動生成新視角模擬，指數級擴大模擬世界範圍你可能會聯想到3D遊戲開發引擎，實現各種以假亂真的視覺效果：從“渲染場景”這個角度，它的確和遊戲引擎有相似之處，但除基本場景外，其他完全不同：WeRide GENESIS不關心材質、紋理細節，也不需要“光追”等級的計算資源，更加關心的首先是場景環境的物理法則：包括光照、重力、雨霧、碰撞力學等等。第二點，則是事物、事件之間的因果關係，生成的環境場景連續、低時延、可解釋，模擬測試中的任何bad case或good case，都能反映真實情況，而且能夠根據WeRide GENESIS的反饋資料迅速歸因。一句話概括：無限生成、回放和變化“長尾場景”，系統性地驗證演算法能力。WeRide GENESIS的核心包括四大AI模組，首先是AI場景，負責建構各類關鍵情境，模擬自動駕駛車輛可能遇到的多種場景，包括臨車侵入、無保護左轉、緊急避險、行人騎手闖入、火災地震、道路受阻、極端天氣以及其他稀有事件，全面覆蓋了數十億公里的自然駕駛資料。更重要的是，文遠知行超八年來從公開道路上採集的海量長尾和極端案例，也都成為WeRide GENESIS的“創作素材”。第二個模組是AI主體，針對駕駛員、行人、騎手等不同交通參與者建構了智能行為模型，能夠模擬從日常駕駛到高風險行為的全譜系反應，也就是讓模擬環境中發生的事永遠在真實範圍內，避免產生離譜的資料影響模型行為。如對比視訊所示，在左側“原始演算法+無AI主體”的組合下，自車表現猶豫，直至對向車輛完全通過後才開始通行，無法滿足效率要求；在中間“新演算法+無AI主體”的模擬中，自車僅按預設軌跡行駛，缺乏對周邊車輛行為的預測，最後發生碰撞，無法滿足安全要求；在最右側“新演算法+AI主體”的加持下，自車能夠即時判斷周邊車輛的行駛意圖，在確保安全的前提下流暢通過，實現了效率和安全雙重保障。高精度的智能實體建模其實是行業公認的技術難題，核心在於超越“平均化”的交通參與者行為模型，真實反映客觀世界中複雜且難以預測的互動行為，例如人類駕駛員突然魯莽加塞到自動駕駛車輛行駛的車道等場景：這兩個模組配合，可復刻任意路況、可編寫任意場景、可合成任意不同感測器位置視角、可適配任意感測器套件、可模擬任意大範圍街區……另外兩個模組分別是AI指標和AI診斷，前者建立了一套覆蓋安全、合規、舒適、效率等維度的量化評估體系，能夠將駕駛行為轉化為可對比、可分析的資料表現，從而自動判定演算法迭代的實際效果。後者則能夠自動捕捉不理想的駕駛行為、分析其根本原因，並提供可執行的改進方案。四大模組協同，WeRide GENESIS建構了完整的閉環迭代體系：自動生成高價值場景、自動量化性能瓶頸、自動定位弱點環節、自動給出最佳化方向。以經典科幻IP打個比方，文遠知行扮演了《駭客帝國》中“建築師”的角色，創造了一個供AI司機訓練、實戰的無限武器庫、訓練道場：AI司機在其中的體驗、經驗，和在現實世界沒有任何不同，一顆“藍藥丸”就能快速部署到實際任務中：不過，從基本能力來看，WeRide GENESIS算得上是熱門前沿的世界模型嗎？實際上，自動駕駛、智能汽車領域關於世界模型一直有爭論：有玩家認為世界模型就是單純後端的模擬器，用於資料生成模擬訓練。尤其是端到端、資料驅動成為共識後，訓練資料的分佈、質量直接影響模型能力，但關鍵少數的困難場景資料又很難在道路實測中碰到，所以世界模型的生成能力，被認為是解決corner case，降低接管率最重要的手段。但是，也有另一派玩家把車端的系統直接叫世界模型，任務是進行即時環境認知與決策，強調的車端“平行世界推演”能力，相當於“腦內小劇場”。其實，兩派並沒有根本矛盾，屬於工程落地與宣傳上側重點不同，因為AI行業對於世界模型是有階段性共識的：從海量資料中自主提煉物理與社會規律，形成對世界運作方式的抽象理解。從這個定義出發，WeRide GENESIS當然是世界模型。只不過文遠知行的WeRide GENESIS，意義又超越常見的“自動駕駛版Sora”。WeRide GENESIS給“Robotaxi第一股”上分家家都說世界模型，但大部分玩家都把重點放在“生成”能力，比如XX秒連續視訊、XX種目標模擬等等，不自覺對齊OpenAI宣傳Sora的套路。但對於自動駕駛而言，容易被忽略的重點其實是WeRide GENESIS後兩個模組——AI指標、AI診斷。因為這是“真·資料驅動”的最直接證據。也不瞞各位，自動駕駛圈很多資料閉環，其實是“偽閉環”。一種稍微好點的，是各個演算法團隊內部的“小閉環”，代表這支團隊完成了“模型化”，但還沒有建構起統一基座模型能力。這種模式最可能出現的場景是：使用者吐槽+工作群截圖，引發老闆的不滿……接到投訴反饋的研發，連夜加trigger試圖把bad case撈上來。這是問題驅動資料，而不是資料自動發現問題。真正的資料閉環應該是這樣的：首先系統能從海量運行的資料裡自動發現異常行為，然後將問題自動歸類、建成資料集，再針對性自動進行訓練/模擬，出瞭解決方案後，系統還能自動評估效果。資料能不能回來不是關鍵，而是bug、問題能自動走完從“被發現”到“被解決並被驗證”的路徑。比如現實中因急剎車引起的乘客不適，這一行為可在WeRide GENESIS模擬中被AI指標模組，量化為具體的舒適度評分，並即時反饋給演算法團隊，推動針對性最佳化與快速復驗。再比如，當自動駕駛車輛遇到複雜互動場景中識別感知延遲或預測偏差問題，WeRide GENESIS可通過“AI診斷”功能快速修復問題，並重新進行場景驗證，確保車輛行為始終符合預期標準。△ AI診斷模組的工作流程遵循了功能路測→問題檢測→問題歸類→根因分析→演算法改進→再測試與再驗證的閉環邏輯資料閉環的真正含義，應該是安全/體驗/效率等指標被持續量化、某項指標異常偏離後，系統自動報警，以及自動聚類對應封包，把相似問題聚成“問題簇”。研發中“人”的作用，是定義和監管、決策，而不是自己徒手標註、調參、評估、部署……“資料直接解決問題”，尤其是廣義端到端技術範式普及後，自動的資料處理、反饋能力成為持續迭代最關鍵的核心能力。這看似簡單，實際是自動駕駛行業最稀缺的能力，會直接影響泛化性、效率、成本。比如GENESIS實現的“生成場景-量化評估-診斷最佳化”完整閉環，可自動生成高價值場景、定位演算法弱點、提供最佳化方向，將數百萬公里測試壓縮至數天的虛擬模擬中。有“磨刀不誤砍柴工”的意思，高效資料閉環，直接影響的是自動駕駛玩家的產品泛化性、研發效率，以及整體營運成本。文遠知行能成功融合特斯拉路線和Waymo路線，成為全球唯一實現L4級無人駕駛和L2+級輔助駕駛規模商業應用——創始人、CEO韓旭所說的“搏二兔”——除了演算法能力之外，“資料閉環能力”也是關鍵因素。所以，綜合四個模組來看，WeRide GENESIS既是評價文遠知行研發能力現狀最好的指標，也是理解“Robotaxi第一股”的一個最直接切入點。文遠知行從容“搏二兔”眼下，文遠知行已經在全球10餘座城市部署了超過1000輛Robotaxi，其中，北京、廣州、阿布扎比已實現純無人商業營運。放眼整個L4賽道，蘿蔔快跑2025年11月公佈的所有Robotaxi的最新周訂單數是25萬單；小馬智行Q3財報顯示，其Robotaxi車隊數為961台，廣州單台車日均訂單量達到23單。北美“一哥”Waymo，“被”披露的資料是車隊2500輛、每分鐘就能完成45單。至於落地廣度，文遠知行則是整個L4賽道最早敏銳意識到海外需求和機遇的玩家，並且迅速付諸行動，率先在11個國家、40多座城市開展自動駕駛研發、測試及營運，也是行業唯一拿下8個不同國家自動駕駛牌照的科技企業。截至目前，文遠知行既是中國Robotaxi出海No.1，同時還是整個自動駕駛行業落地Robotaxi場景最豐富的玩家。另一邊，2023年文遠知行首次合作博世，幫助這家百年Tier 1追趕高階智能輔助駕駛方案：落地量產奇瑞旗下的星途星紀元車型。△ 奇瑞星途星紀元ES2025年年末，文遠知行又發佈了量產一段式端到端方案，同樣是幫助博世一夜間追趕上L2+最先進技術範式。從這個層面看，文遠知行首先是整個L4賽道唯一有穩定量產智能輔助駕駛項目的玩家；另一個角度，文遠知行也是整個自動駕駛行業內，唯一一家L4、L2技術堆疊覆蓋，且都有成熟落地案例的公司。從一段式量產節奏來看，文遠知行現在同樣也處於行業內的T0梯隊。也就是說，文遠知行現在明明白白在“搏二兔”，而且搏成了行業領先。L2+、L4落地場景、技術要求各不相同，海外迅速落地數十城，環境、路況、交通規則、基礎設施標準也各不相同。這樣的泛化性，除了演算法本身，背後離不開WeRide GENESIS建構的模擬測試、資料閉環體系——文遠知行“來時路”的一部分，現在終於清楚了。更進一步，WeRide GENESIS也可以解釋文遠知行為何能“搏二兔”，在量產智能輔助駕駛和Robotaxi這兩個看似尖銳對立的陣營遊刃有餘。L2陣營緊跟的端到端，本質不是一段式、兩段式、VLA，甚至不是絕對的模型化，而是資料驅動，是一種底層方法論。資料驅動下，可以純視覺，可以融合感知，可以一段式，可以多段式，可以世界模型，也可以VLA，甚至也可以有規則存在。所以對於L4陣營來說，探索世界模型根本談不上“轉軌”，甚至Waymo早就在做。文遠知行無意參與行業爭論口水仗，只是默默開啟探索規則+模型多元技術體系，自證自動駕駛L4的安全性、L2的泛化性可以共存，符合一貫的“行勝於言”。最後，從WeRide GENESIS，又能看出文遠知行未來的可能性。資料閉環能力之外，再次回到“生成”：WeRide GENESIS本身是物理AI（Physical AI）與生成AI（Generative AI）之間的融合橋樑，真正打通“現實物理世界”與“虛擬模擬世界”之間的能力通道。讓AI從海量資料中自主提煉物理與社會規律，形成對世界運作方式的抽象理解——而這是實現通用人工智慧（AGI）的關鍵路徑之一。黃仁勳預言物理AI的“ChatGPT 時刻”已至，從文遠知行的實踐來看，這個時刻很有可能最先出現在跑通通用自動駕駛的玩家身上。 (智能車參考)