前自动驾驶端到端负责人张颖创业，押注物理智能新范式

从自动驾驶量产到物理智能创业

过去几年，大模型让 AI 在文本和代码世界大放异彩。但当 AI 走出数字空间，进入真实物理环境，问题立刻变得棘手：机器如何理解三维世界？如何预测动态变化？又如何在不确定环境中持续做出可靠行动？

正是这些挑战，让 Physical AI（物理智能）成为全球科技界的新焦点。而最近，国内自动驾驶领域一位关键人物的动向，为这一赛道注入了新变量——某头部自动驾驶公司一段式端到端核心技术负责人张颖宣布离职创业，目标直指通用物理 AGI。

与多数初创团队不同，张颖团队是国内较早明确提出探索「AI for Physical AI」路径的队伍之一。他们的核心思路不是单纯堆模型参数，而是构建一套自动化研究（Auto Research）系统，将真实世界中的执行反馈自动转化为新数据、新评测任务和新研究方向，从而驱动模型能力持续迭代。

团队内部有个朴素但关键的判断：“模型决定能力上限，Auto Research 与基础设施决定能力进化的速度。”换句话说，光有聪明的大脑不够，还得有一套能自我升级的“学习机制”。

张颖本人是典型的实战派。在前公司，他是内部最年轻的对标 P10 级别技术负责人之一，主导了端到端系统的从0到1再到量产的全过程。这段经历让他深刻理解：一个算法在实验室跑得再好，不等于能在暴雨夜的城市高架上稳定决策。如今，他要把这套经过大规模验证的工程方法论，迁移到更广阔的物理智能领域。

公司今年7月刚成立，却已连续完成多轮融资，总额达数亿元人民币。投资方包括专注自动驾驶与具身智能的 VC、互联网大厂以及产业资本。资本快速集结的背后，是一个共识正在形成：Physical AI 的下一阶段，拼的不再是单点算法，而是系统整合能力。

实战淬炼的端到端量产经验

在 AI 行业，算法与落地之间常有一道鸿沟。自动驾驶尤其如此——车辆要应对雨雾天气、鬼探头行人、施工改道、突发事故等无数长尾场景。模型不仅要“看懂”，还要在毫秒级时间内做出安全决策，并持续执行。

张颖的工程底色，正是在这样的高压环境中打磨出来的。他最早从感知切入，负责动态障碍物检测，半年内就带队实现关键指标跃升。随后逐步成长为端到端系统的核心负责人。这段经历让他既懂模型优化，也清楚真实物理环境对系统的严苛要求。

当行业还在争论端到端是否可行时，张颖团队已经走完了技术探索、组织攻坚、工程验证到量产落地的完整闭环。这种“从0到1再到N”的经验，在国内并不多见。

更重要的是，自动驾驶本质上是物理智能在特定场景下的应用。两者共享同一底层命题：如何让机器在充满噪声和不确定性的物理空间中，可靠地感知、预测并行动。张颖此前验证过的数据闭环、系统架构和工程约束处理方法，恰好为当前物理智能的规模化落地提供了现成的工程基建。

学术、工程与真机控制的黄金三角

Physical AI 不是单一学科能解决的问题。它天然需要跨领域协同：基础模型提供认知，控制系统执行动作，工程团队则负责把两者缝合成可用的系统。

围绕这一需求，张颖迅速组建了一个能力互补的核心团队。

首席科学家占方能现任香港科技大学助理教授，也是 World Mind Lab 负责人。他长期在 MIT 和哈佛从事 3D 世界建模研究，方向涵盖 3D 视觉、神经渲染、生成模型和具身智能，在 SIGGRAPH、CVPR、ICCV 等顶会发表论文50余篇。他的加入，为团队奠定了世界模型和空间理解的学术基础——这是物理智能的“认知引擎”。

而在真机控制端，团队引入了青年科学家季马泽宇。这位00后学者毕业于加州大学圣地亚哥分校（UCSD），师从具身智能专家王小龙教授。他在人形机器人全身控制、灵巧操作和三维感知方面有深厚积累，其研究成果是业内最早实现通用人形控制器真机落地的代表之一。

更关键的是，季马泽宇有产业实战背景。他曾是 Assured Robot Intelligence（ARI）创始成员，该公司后被 Meta 收购，团队并入 Superintelligence Labs。如今他选择回国，与张颖共同创业，目标是打造能自主学习、持续进化的新一代具身智能基础模型。

三人分工明确：

• 张颖：负责端到端系统工程与百人级团队统筹，解决“如何把智能系统做出来并推向真实应用”；
• 占方能：主攻底层 3D 重建与世界模型，解决“机器如何理解现实世界”；
• 季马泽宇：专注人形机器人动力学控制与真机验证，解决“机器如何在物理环境中执行任务”。

这套组合形成了从“世界建模—系统工程—物理执行”的全链路能力闭环，被内部称为“黄金三角”。

物理智能进入产业化长跑阶段

公司成立仅一个月就完成数亿元融资，反映出资本对这类“实战型”团队的强烈认可。过去，投资人更看重创始人的论文数量或实验室成果。但随着 Physical AI 从概念验证走向产品化，市场开始意识到：真正的竞争是一场系统工程的长跑。

IDC 近期报告指出，Physical AI 正从技术能力竞争转向产业化能力竞争。这意味着，能否建立高效的数据飞轮、能否在真实场景中持续迭代、能否在资源约束下稳定运行，比某个单项指标的突破更重要。

小米战略投资部评价：“张颖团队拥有自动驾驶端到端量产的深厚积累，将其迁移到 Physical AI，是具身智能走向产业化的关键一环。”

百度风投（BV）则表示：“他们具备将模型创新转化为真实具身自主闭环体系的能力，期待其从具身智能出发，向更广的 Physical AI 领域拓展。”

这些表态说明，市场正在寻找能打通“算法—工程—场景”三角的团队，而张颖的背景恰好契合这一需求。

目前，团队的自动化研究工具已进入试点阶段，部分模型指标达到行业领先水平。虽然具体产品细节尚未公开，但内部系统迭代正在加速推进。对他们而言，真正的硬仗才刚刚开始——毕竟，让 AI 在开放世界中可靠行动，远比在封闭数据集上刷榜困难得多。

但有一点是确定的：当 Physical AI 从实验室走向街头巷尾，那些真正经历过量产洗礼的团队，或许更有机会跑赢这场长跑。