文｜谢泽锋
编辑｜杨旭然
智能驾驶的演进逻辑，正从“看见什么就做什么”的被动响应，转向“预判接下来发生什么并主动行动”的深层重构。这场由物理AI浪潮掀起的变革，正在重塑行业的底层路径。
年初CES上，黄仁勋直言物理AI已步入“ChatGPT时刻”的倒计时序列；到了3月GTC大会，他更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。
Momenta R7实现量产上车，宇树科技、智元机器人、优必选持续交付产品，这些信号标志着AI能力正从数字世界的“思考”（如文本与视频生成），向物理世界的“行动”（涵盖感知、决策与执行）发生根本性跃迁。
当AI不再局限于“观察”世界，而是开始在真实的物理现实中理解物体动作及因果关联，智能驾驶行业便迎来了一场从“数字AI”到“物理AI”的底层架构重组。
自2025年初起，比亚迪通过激进的智驾价格下探策略，掀起“全民智驾”热潮，极大加速了相关技术的普及进程。
进入2026年，以一段式端到端、VLA（视觉-语言-行动模型）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》内容团队的深度洞察，欢迎在各平台关注。
**演进：从割裂模块到融合进化**
回顾历史，智能驾驶的发展史，实质上是一场从模块割裂走向“端到端融合”、从应激反应迈向智能进化的技术范式革命。
早在20世纪初，自动驾驶的概念便已萌芽。1925年8月，全球首辆自动驾驶汽车亮相纽约街头。至2004年，DARPA挑战赛成为行业发展史上的关键转折点。
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汽车长距离挑战赛。卡内基梅隆大学、斯坦福大学、麻省理工学院以及大众、英特尔等15支团队参与角逐，这是世界上首次此类长距离赛事。
尽管没有完赛者，行驶最远的卡内基梅隆大学“红之队”也仅完成了全程不到5%的路程。但这微不足道的5%，却开启了人类探索智能驾驶的大门。
随后，DARPA大挑战赛催生了众多人才。无数参赛者在此崭露头角后，流向谷歌、优步、通用、福特、Waymo等企业，其中便包括驭势科技CEO吴甘沙。
早期的智能驾驶更像是一种辅助工具，高度依赖规则算法与高精地图。理想汽车曾将其类比为“昆虫动物智能”。这种模块化割裂的设计导致系统泛化能力薄弱，难以达到拟人化水平。
感知、预测、决策、控制等环节分而治之，虽然逻辑清晰，但信息传输过程中的误解与损耗不可避免。
因此，端到端方案迎来了生机。
2024年3月，特斯拉在北美推送FSD V12版本。其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，内部称之为"Photon In, Control Out"。该版本移除了30万行手写代码，转而使用神经网络替代，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。
紧随特斯拉步伐，国内分段式端到端技术在2024至2025年间大规模落地，而一段式端到端与VLA技术则在2025至2026年集中装车。
彼时，业内存在“一段式”与“两段式”两派势力。华为、百度Apollo、小鹏等多采用两段式方案，商汤、Momenta则是“一段式”的坚定支持者。
如今，一段式端到端已成为主流。但早期端到端技术存在显著短板：它是一个“黑箱”，决策逻辑难以追溯，事故后也难以快速定位问题根源。
为此，行业转向VLA（视觉-语言-行动模型），旨在实现自动驾驶的“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于一体的统一智能体，完成了从“黑箱”到“可解释大脑”的变革。
随着物理AI的到来，实现甚至超越人类智能成为可能。在保障高效响应的同时，物理AI让决策逻辑更具可解释性。
展望未来五年，VLA与世界模型的深度融合，或将成为终极解决方案，L3/L4高级别乃至无人驾驶时代即将来临。
**融合：理解与预测的双轮驱动**
“VLA对自动驾驶而言是锦上添花，很难起到雪中送炭的作用。”
Momenta CEO曹旭东指出，VLA的训练源于LLM，其侧重点（语义）与自动驾驶的实际需求存在明显偏差。这意味着VLA赋予语义过高的优先级，导致“好钢没用在刀刃上”。因此，Momenta坚定地选择了世界模型路线。
华为车BU CEO靳玉志持有类似观点。他认为，VLA通过语言大模型将视觉信息转化为文本token再进行决策，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”，在复杂或突发场景中容易失效；而世界模型虽研发难度大，却是自动驾驶的终极彼岸。
华为倾向于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，从而获得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。大模型能力并非在VLA和世界模型之间二选一，而是两者的深度融合。特斯拉在新版本中集成了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。
行业迅速形成了一套广泛接受的共识。黑芝麻智能CEO单记章认为：“VLA加上世界模型，是智能驾驶未来最有可能的技术路线，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不同强化方向：VLA增强理解力，世界模型强化预测力。
世界模型的做法是为汽车装配一个“智能大脑”，它能模拟物理世界的运行规律，不依赖工程师预设的规则，而是通过海量真实数据提前训练，使模型具备理解和预测物理世界的能力。
简言之，VLA解决的是“理解当下”的问题，世界模型解决的是“预测未来”的难题。
在实际产业发展中，VLA+世界模型的融合方案已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与世界模型并非相互对立，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。
蔚来已在1月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也采用了世界模型+端到端强化学习的双引擎模式。
可见，一种深度融合式的方案已在全行业铺开。
**终局：基模之战与算力竞赛**
越来越多的汽车及智能驾驶公司开始将自己定义为“物理AI企业”。
马斯克近年来在全球推广他的“AI宏图”，他表示特斯拉正从汽车公司转型为AI公司，未来的成长空间主要来自于机器人、自动驾驶和AI基础设施。
李想也将理想汽车重新定位为人工智能企业；何小鹏将小鹏汽车的定位升级为“物理AI世界的出行探索者，面向全球的具身智能公司”；Momenta更被称为“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”，卓驭科技则转向“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”。
在物理AI浪潮下，智能驾驶的逻辑已从价格战、堆配战转向“基模”之战。
过去，汽车行业的竞争在于“堆配置”，比拼激光雷达数量、芯片算力和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。特斯拉用同一个基础模型驱动FSD、Optimus和智能体；用单一端到端神经网络取代模块化架构，实现了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；高通也将汽车与机器人纳入同一事业群。
华为ADS 5.0搭载WEWA 2.0，云端引入Multi-Agent多智能体群体博弈，让众多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，世界模型需要巨量的真实世界数据。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级别，未来仍需大量数据积累。
其次，物理AI还需高算力芯片和大规模模型训练支持。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年将至少再投入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，算力竞赛将进一步升级。
**写在最后**
1988年，莫拉维克在其著作《智力后裔》中阐述了一个观点：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。
这一现象后来被业界称为“莫拉维克悖论”：让机器人下棋、解题轻而易举，但要让它像婴儿一样感知物理世界却极为困难。
现有智驾系统正卡在这一环节，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，还有相当长的路要走。