物理AI新瓶颈：模型路线趋同后，胜负手转向何处？
物理AI路线趋同，瓶颈浮出水面
过去一年多，VLA、世界模型、基座模型、数据闭环等概念频繁出现在智能驾驶和具身智能公司的技术宣言中。越来越多的AI公司试图让模型进入真实世界，赋予机器理解环境、预测变化和执行行动的能力。不同技术路线各有侧重，但穿透到技术底层，指向的问题却越来越趋同：AI如何从真实世界获取数据，如何形成对环境的理解，如何将理解转化为行动，又如何根据行动结果持续学习。
这个问题并非今天才出现，但当路线逐渐收敛，真正的瓶颈开始显现。
从模块化到端到端，再到物理AI
智能驾驶的研究对象经历了多次变迁。早期是高度模块化的软件系统，感知、预测、规划和控制各司其职，每个模块有相对独立的指标。端到端模型兴起后，行业开始减少人工规则和模块接口，让模型直接从传感器输入生成轨迹或控制信号。直到物理AI热潮席卷，研究对象进一步推进到让AI理解并作用于整个物理世界。
当前，物理AI的技术表达大致收敛为两条明线和一条暗线。
明线一：VLA（视觉-语言-动作）。将视觉信息、语义理解和行动生成整合进同一模型体系，让AI看到环境、理解场景，直接作出行动。理想、小鹏等车企押注这一路线。
明线二：世界模型。重点学习环境如何随时间和动作变化，用于场景生成、闭环仿真、数据生产和模型评测。华为WEWA、蔚来NWM是代表。
暗线：物理AI基座。通过大规模物理世界数据预训练，学习环境变化、物体关系和运行规律，再通过少样本或后训练适配不同任务。基座模型与VLA、世界模型并不并列，而是两条明线共同奔赴的方向。
两条明线的边界已趋于模糊，关系从路线选择走向能力协同。但整合起来绝非易事，当前行业虽已拥有大部分技术组件，各环节之间却存在几层“断裂”。
三层“断裂”阻碍物理AI进化
第一层断裂：模型与数据之间。物理AI需要海量真实数据，但数据规模扩大并不会自动产生对世界的理解。模型需要从数据中学习空间关系、时间变化、行为规律和行动后果。同时，模型在真实环境中暴露的能力缺口，又决定下一轮需要收集、筛选或生成什么数据。因此，数据与模型之间需要持续反馈：模型发现问题，数据系统补充场景，训练系统重新学习，再通过评测和真实环境确认能力提升。
第二层断裂：视觉与行动之间。模型看见场景并理解关系，不代表能形成稳定行动。物理AI区别于传统AI的关键在于视觉与行动的关系。例如，车辆识别到前方行人可能横穿马路，还需解决一系列问题：何时开始减速、减速幅度多大、是否变道、周围车辆如何响应、动作能否在实时算力下平稳执行。视觉和语义理解需要转化为连续、实时、可验证的动作。VLA承担连接认知与行动的任务，但这条连接仍需未来预测、策略训练、闭环评测和真实验证共同支撑。
第三层断裂：模拟与真实之间。世界模型和仿真系统可低成本生成大量场景用于训练和测试，但真实世界情况更复杂：交通参与者行为不确定，传感器受天气、光照和遮挡影响，大量长尾事件难以完整建模。模型在虚拟环境中的提升未必能等比例转化为真实表现。物理AI必须建立双向链路：真实世界的问题进入仿真和训练，仿真中获得的能力再回到真实环境验证。
这些断裂层横跨数据、算法、仿真、Infra、产品和工程团队，看似属于不同技术方向，实则指向同一问题——物理AI需要一套能够持续学习和进化的系统。这已非独立模型所能解决，技术问题开始越过技术部门边界，延伸到技术如何被组织，放进同一个闭环。
弥合断裂：构建技术闭环与组织闭环
物理AI公司的当务之急是弥合断裂层，把整条链路放进同一个研究闭环。但建立闭环前，还需解决研发体系中的两层“摩擦”。
第一层摩擦：技术之间。模型暴露的不足需反馈给数据系统；真实环境问题需进入仿真和训练流程；训练后的能力需回到现实场景检验。难点在于这些环节并非独立存在，任何一环连接不畅，投入再多数据、算力和模型规模，也可能只带来局部指标提升。
第二层摩擦：研发组织内部。通常，基础模型、VLA或世界模型、数据、仿真和AI Infra由不同团队负责，各有专业目标和工作节奏。但完整闭环要求所有环节围绕同一模型问题快速反馈，现实中很难天然对齐。因此，技术闭环最终需要组织闭环支撑。
在这一行业困局下，国内首个面向物理世界基础能力研究的AI Lab——Superfluid Lab出现了。它来自深圳公司元戎启行，由前DeepSeek核心成员、元戎启行首席科学家阮翀带队。
“Superfluid”意为超流体，一种完全没有黏性的奇特物质状态，可理解为“无视”摩擦力的流体。超流体能在环状容器中永无止境流动而不损失能量，也能零阻力穿过极微小缝隙。这名字有两层含义：一是信息零阻力流动、协作零内耗；二是进入物理世界的智能需要零摩擦的底层架构。这恰好对应研发闭环所需面对的两层摩擦。
据知情人士透露，Superfluid Lab于今年5月在元戎内部成立，已完成基础设施重构等早期工作。实验室以基座模型为研究核心，重点探索VLA模型，同时推进世界模型和多模态理解。首次公开时，元戎同步发起招聘，分三个方向：大模型算法（视觉、语言与动作结合）、仿真算法（物理规律建模、环境交互、仿真到真实迁移）、AI Infra（构建支撑大模型训练的新一代基础设施）。
从招聘方向看，Superfluid Lab覆盖模型、仿真和训练基础设施。其基本技术结构可推测为：基座模型从物理世界数据中形成认知，VLA模型将认知转化为行动，世界模型推演行动结果并提供仿真环境，AI Infra支撑大规模训练和高频实验，最终由真实世界完成验证。
在《对话Superfluid》中，元戎将研究重点概括为三组关系：模型与数据之间的流畅性、视觉与行动之间的衔接、模拟与真实之间的迁移。实验室第一步是定义问题，再进入研究和解决过程。基座模型被放在闭环中心，阮翀称之为“一种信仰”。这里的“信仰”并非指已有确定答案，而是指向研究周期和目标：持续挑战模型能力上限，解决越来越复杂的问题。
基座模型的特殊之处在于改变了过去AI研发以单点能力优化为中心的方式。因此，基座模型竞争背后不只是算法竞争，更是围绕模型持续迭代的研发体系竞争。
这套技术闭环也提出相应的组织要求。招聘信息显示，Superfluid Lab强调开放的研究环境、相对扁平的协作方式和较少的固定工作边界。不同方向的研究人员围绕同一模型展开工作，并共同对最终模型能力负责。这是一种新的组织范式，与传统研发围绕车型、版本和功能迭代不同，Superfluid Lab不以某一产品节点为研究终点，而是围绕基础模型能力建立长期路线，更像持续循环过程。研究单位从独立模块转向持续演进的模型，评价目标从局部指标扩展到模型最终能力。
这种组织方式能否真正提升物理AI研发效率，仍需时间验证。Superfluid Lab更像一次探索，尝试通过改变研发组织方式，建立更高效的能力积累路径。而这背后对应整个行业正在发生的变化。
物理AI竞争进入新阶段
回看智能驾驶发展，行业竞争核心正在变化，技术竞争进入新阶段。演进路径大致分三个阶段：
第一阶段：产品竞争。比较功能覆盖、用户体验、量产规模和商业化效率，技术价值通过可交付产品体现。
第二阶段：模型竞争。端到端、VLA、世界模型成为比较对象，数据规模、模型参数、训练算力和迭代速度影响技术差距。
第三阶段：基础能力与组织竞争。企业需将人才、数据、算力、模型、仿真、工程和真实世界反馈组织成能长期进化的系统。
从这一趋势看，Superfluid Lab可视为元戎提前进入第三阶段的尝试。据接近元戎的人士介绍，元戎从创立之初就定位为AI公司，也是最早以“物理AI”定位自身的公司，时间可追溯到2025年3月，比行业整体浪潮提前近一年。选择从智驾行业入手，是因为辅助驾驶积累的真实数据、工程能力和开放道路场景，是行业内普遍认可的物理AI能力“试金石”。随着基座模型、多模态等技术成熟，这些积累开始向更广泛物理世界能力延伸。
Superfluid Lab正是在这一背景下成立，依托驾驶产生的数据和工程反馈，专注于将研究目标指向物理世界的通用基础能力。元戎启行也逐步从提供辅助驾驶技术的公司，走向生产物理世界基础能力的公司。
这种变化与十年前OpenAI的思路有相似性。2015年末OpenAI成立时，AI已有大量应用和研究成果，但行业缺少一套能持续提升智能能力的基础体系。OpenAI选择围绕更底层的通用智能问题建立长期研究组织，随后推动基础模型时代。几年后，基础模型成为AI产业底座，大量应用建立其上。如今，物理AI正经历类似阶段：自动驾驶、机器人等应用快速发展，但行业仍缺少能理解物理世界、预测环境变化、通过真实反馈持续进化的基础能力体系。当时OpenAI探索数字世界智能的底层能力，今天物理AI领域寻找的是面向物理世界的智能底座。
Superfluid Lab就是这一背景下的一次探索。但不得不说，这一定位仍需长期结果支撑。相较于过去用新模型、新参数和新纪录衡量进步，第三阶段周期更长，更难在短期内证明价值。然而，连接数据、研究、工程和真实世界的能力，往往只能在更长时间里沉淀。
阮翀对这种长期投入有更直接的解释：“快的东西，往往也很快被替代。慢的东西，一旦建成，会成为很多快的东西的底座。”真正的长期主义，始终是去做那些难而正确的事。