下一条 AI 护城河不会是更好的模型
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：别再盲目拼大模型了！物理 AI 落地的死穴不是模型不够聪明，而是老旧的工程验证流程。不解决集成与测试效率，再顶尖的 AI 也只是实验室里的玩具。文章来自编译。
在未来十年内，将有数以十亿计的机器实现自主化或智能化。从轿车、卡车、拖拉机、矿用运载车，到国防系统、仓储机器人以及人形机器人——整个物理经济体系都将围绕能够感知、决策与行动的软件进行重塑。
目前业界对于如何实现这一目标的普遍假设大致如下：模型持续改进，世界模型走向成熟，机器人领域的基础大模型应运而生，最终自然而然地输出自主性。智能就是这场竞赛的全部；只要拓展智能的规模，机器的自主化便会水到渠成。
过去十年间，我一直致力于协助 Applied Intuition 打造众多全球最具雄心的物理 AI 项目背后的软件基础设施，覆盖软件定义汽车、自动驾驶卡车、工程机械、采矿系统、国防平台及机器人技术。这一视角让我得以在前排近距离观察行业在何处加速，又在何处频频受阻。我和所有人一样看好智能的发展，但普遍的假设在计算逻辑上犯了错误。落地部署的物理 AI 是两个变量的乘积：一是模型的自身能力，二是围绕模型构建的工程系统的吞吐与承载能力——即需求如何转化为软件，软件如何得到验证，以及经验证的系统如何被部署、监控与持续改进。行业几乎把所有资源都倾注在了第一个变量上，而第二个变量却依然停留在十年前的水平，仍是为季度发布和数百人的集成团队而设计的。在前沿智能上运行传统工程系统无法产出前沿的成果，因为老旧的工程系统本身才是最大的瓶颈。
因此，这场反共识的押注并不是去唱衰智能本身，而是认为物理 AI 的下一个数量级飞跃，将来自于让工程系统变得与其承载的模型一样智能。然而，行业目前的技术路线图依然建立在少数几个曾经合理、但如今已无法匹配物理 AI 前进方向的假设之上。
更聪明的模型无法直接转化为落地的机器
一个能力出色的模型跟一台通过认证且稳定运行的机器之间差远了，仅靠提升模型质量根本无法填补。一个在基准测试中表现提升 20% 的模型，依然需要与许多其他软件组件进行集成，在数以百万计的派生场景中接受测试，对照安全需求进行溯源，在硬件上完成验证，随后分发至车队或机队，并在真实场地中接受实时监控。在典型的项目中，决定研发节奏的是这条管线，而非模型本身。团队拿到性能有实质突破的模型后，往往需要花上两个季度的时间去证明它足够安全、可以发布。
这就是为什么世界模型固然令人瞩目，但单靠它们本身无法带我们走向完全自主的未来。模型演进的速度已经超出了工程研发组织的吸收能力。模型能力的每一次飞跃，都只是转移了瓶颈，而非消除了瓶颈。限制因素不断向下游推移：从“机器能否感知世界？”演变为“我们能否验证、集成并运维机器现在所具备的能力？”如果一个团队的验证周期长达数月，这实质上就是将前沿 AI 的运行速度强行拖慢到了自身流程的水平。
这是整个行业尚未充分计入成本的一个推论：随着模型在前沿水平上日益商品化，两家拥有相同智能水平的公司将面临截然不同的结局。两者之间的差距，取决于各自的工程系统能以多快的速度消化和吸收模型所拥有的能力。智能正在变得无处不在，但将其实现工程化落地运维的能力却并非如此。
数字 AI 的经验无法直接迁移至物理 AI
第二个假设更为微妙：即数字领域正在发生的智能体（Agent）革命会自动延伸至物理 AI。只要将代码 Agent 和 Copilot 投入到自主驾驶技术栈中，就能带来同样的生产力提升。
事实并非如此，因为大多数数字 AI 仅止步于文档、对话和代码。而物理 AI 的工作场景并不在此，它存在于驾驶日志与传感器数据中、仿真运行与有硬件在环路（HIL）的测试机架中，以及需求数据库与验证报告中；它存在于真实道路和工作场地上传输的舰队遥测数据流中。一个从未见过接管（Disengagement）事件、不理解感知退化（Perception Regression）为何至关重要、也无法将需求追溯到测试用例的 Agent，在这个领域里绝非生产力工具，而是一个披着友好界面外套的隐患。
让 Agent 在部署物理 AI 的过程中具备真正的实战能力，本身就是一个前沿智能课题，这与训练更大的模型截然不同。Agent 需要通过足够可靠、值得信赖的接口，直接访问行业核心的数据与工具——如仿真器、数据管线和验证系统。它们需要内嵌领域专业判断力，并积累深厚的行业知识，懂得当交付物装载进数吨重的机器时，“通过验证”到底意味着什么。此外，它们还必须内置评估与治理机制，因为在这个领域，“看似合理的答案”与“真正正确的答案”之间但凡有那么一
当我说物理 AI 需要属于自己的 Agent 平台时，我指的是一个能够将最先进的模型深度植入物理系统的底层数据、工具链和领域经验，并原生集成评估与治理能力的平台。它不是简单挂载在工程工具上的聊天机器人，也不是通过微调通用 Agent 就能获得的产物。这是一种全新的架构，它对 AI 创新的要求丝毫不亚于模型本身。
物理 AI 的未来不仅仅取决于最聪明的模型，更取决于能够将智能大规模转化为自主机器的工程系统。
速度不会牺牲安全
在探讨物理 AI 研发中的 Agent 能力时，人们反射性的反对意见通常是：Agent 不应该应用于安全至关重要的工程领域。自动化意味着追求速度，而这可能会导致出错。当所讨论的对象重达数吨时，这种担忧无疑是合情合理的。
然而，在安全攸关的系统中，反馈回路的速度本身就是一种安全保障机制。当验证需要数周时，团队只能在不定期的里程碑节点进行测试；而当验证缩短至数分钟时，每次代码变更都会触发测试。问题得以更早浮出水面，此时修复成本极低。覆盖率也得以拓展至成百上千倍的丰富场景中。需求被执行得更加精准，验证频率也显著提升。表面上看缓慢且谨慎的流程，本质上并不一定最安全——它往往意味着缺陷在被发现前，已经在暗处隐蔽地潜伏了数月之久。
在这个领域内，真正能让 Agent 保持安全的方式并不是去降低它们的速度，而是确立清晰的权责边界。将开发、验证与运维的工作流自动化，从而让安全攸关的问题得以更快解决；同时，坚决不对认证、法规签署和最终的工程决策进行自动化。在关键节点上，由 Agent 提出方案，最终由人类做出决策。任何触及生产系统的操作都必须在审批关卡之后运行。这并非模型改进过程中的临时妥协，而是物理 AI 应当采用的长期正确架构，就如同一辆设计良好的自动驾驶汽车拥有明确的运行设计域（ODD），而非无限的控制权限。
当 Agent 能够助力更快速地构建物理 AI 时，这种开发速度反而能让最终的产品更加安全。
模型无法带动复合效应，系统才可以
当意识到这些假设正在阻碍物理 AI 的发展时，逻辑上的下一步就是将更强大的智能与更快速的学习相结合，打造一个由前沿模型与前沿工程系统相互滋养的 Agent 飞轮。
一个持续运转的飞轮大致如下：机器在实际运行中表现不佳，Agent 挖掘运维数据以找出问题所在及原因，或者合成能够暴露该缺陷的特定场景；分析结论转化为研发需求，需求再转化为测试用例；测试用例演变为经验证的软件，随后部署至机器群；机器群产生新的数据，进而提升模型能力，模型能力又反哺 Agent 的表现，从而加快下一次循环的转动。过去，每一次循环都需要数月时间和满屋子的专家参与。Agent 所加速的每一个阶段不仅节省了时间，更增加了飞轮转动的频次，而每一次转动都在对速度与智能进行复利叠加。更聪明的模型驱动飞轮转得更快，而更快的飞轮又让模型变得更加聪明。如果仅仅将智能视为比赛的全部，行业便无异于抛弃了这一巨大复合效应。
我们之所以确信这个飞轮真实有效，是因为我们已经在自身业务中将其付诸实践。Applied Intuition 在物理智能的前沿探索了十年——涵盖汽车、卡车、采矿、农业和国防等领域的感知、仿真、验证及整车软件。在过去一年里，我们基于这一基础设施构建了一个 Agent 平台，命名为 Dana。我们的工程师已在其上构建了上千个内部应用与 Agent。借助 Dana，开发周期缩短了约 20 倍，同时交付质量显著提升。部署频率从过去每几周一次提高到每天多次。曾经需要数月才能构建的应用，如今只需数天乃至数小时。更具启发性的是，那些过去因投入成本过高而无法立项的应用，现在也成为了常态化的研发项目。当构建成本降低一个数量级时，值得去构建的事物边界将扩大不止一个数量级。
智能让强大的工程系统成为可能，而工程系统则让智能真正发挥价值。两者缺一不可。
这对未来十年意味着什么
如果整个行业继续仅仅押注于智能本身，那么物理 AI 的下一个十年将会进展缓慢：充满令人眼花缭乱的 Demo、历时数年的研发项目，以及机器在实验室里的能力与真实世界实际运行能力之间日益扩大的鸿沟。届时模型将极其出色，但部署曲线却将顽固地保持平缓，因为每一次技术突破，都不得不排队等待那些仍以旧有速度吸收变革的工程组织去消化。
将前沿智能与 Agent 工程系统相结合，这条曲线就会迎来向上拐点。物理 AI 将开始释放其全部潜能：农场能够在劳动力短缺和气候冲击下稳定产能；矿山实现持续且更安全的开采；货运网络可在遭遇突发状况时自主调整路线；国防系统能够在受损或恶劣条件下保持作战韧性。数千亿美元规模的市场正在向同一个技术栈靠拢，而学习闭环正是所有这一切的核心所在。
软件之所以吞噬世界，是因为它大幅降低了为数字经济构建应用的成本。物理 AI 也将对物理世界重演这一过程，但前提是构建智能机器必须像构建软件一样快速且高效迭代，同时又不牺牲安全攸关系统所要求的严谨性。这不仅需要最顶尖的模型，更需要对我们的工程模式进行重构——而这后半部分，几乎还没有人在着手构建。
二十年后，人们不会记得哪家公司在 2027 年拥有最好的世界模型，但人们会铭记是哪家公司探索出了将智能持续转化为实际部署系统的方法。而这，正是我们一直致力于解决的问题。
译者：boxi。
