500TOPS上车世界模型：轻舟智航的“物理AI”破局之路

当大多数自动驾驶企业还在为“千TOPS算力是否够用”争论不休时，一家被称为“自动驾驶赛道DeepSeek”的公司，已经悄然将答案推向了更本质的层面——让AI真正理解物理世界。

在北京车展上，轻舟智航亮出“轻舟乘风MAX”量产方案，仅用500多TOPS的算力，就实现了从车位到车位的全场景智能辅助驾驶。更关键的是，它不再依赖海量人类驾驶数据的“模仿学习”，而是通过世界模型+强化学习的架构，让车载AI具备了“预判”与“推演”能力——像老司机一样，看懂交警手势、预判鬼探头、丝滑避让违停车辆，甚至在无光、强光等极端环境下依然稳如老狗。

这背后，是一场从“数据驱动”到“物理规律驱动”的范式跃迁。

从“模仿”到“理解”：自动驾驶的进化瓶颈

传统自动驾驶系统，本质上是一个“规则+数据”的混合体。早期方案依赖大量手工编写的逻辑规则，遇到复杂场景极易失效；而近年来兴起的“端到端”模型，虽能学习人类驾驶行为，实现更流畅的操控，却面临一个根本性难题：极端场景数据极度稀缺。

比如“高速爆胎”“多车博弈”“交警临时指挥”等情况，现实中几乎不可能收集到足够多的安全样本。即便有，也难以覆盖所有变量组合。这就导致AI在面对未知场景时，要么保守到无法通行，要么激进到引发事故。

轻舟智航的突破，在于跳出了“数据决定论”的陷阱，转而构建一个能模拟物理世界运行规律的“虚拟驾校”。

世界模型+强化学习：给AI装上“物理大脑”

轻舟智航提出的核心架构，是“世界模型+强化学习”的统一框架。这套系统分为云端与车端两部分：

• 云端：负责“做梦”——利用世界模型生成海量极端、复杂、甚至现实中从未发生的驾驶场景。比如模拟暴雨中行人突然横穿、隧道出口强光致盲、多车同时变道等。AI在这些虚拟环境中反复试错，通过强化学习不断优化策略，形成“肌肉记忆”。

• 车端：负责“实战”——将训练好的轻量化模型部署在车载芯片上，实时感知环境并做出决策。得益于云端预训练的世界模型，车端AI不仅能识别“看到了什么”，更能预测“接下来会发生什么”。

这种架构的关键优势在于：不再依赖真实世界中的罕见事件数据，而是通过物理规律推演，让AI“未卜先知”。例如，它能根据车辆动力学、行人运动趋势、光照变化等物理参数，预判“鬼探头”的可能轨迹，并提前规划避让路径，而非等到最后一刻急刹。

500TOPS的“刚刚好”：算力与体验的平衡艺术

在轻舟智航看来，500TOPS并非“性能过剩”，而是当前技术条件下体验与成本的最优解。

回顾近年发展，百TOPS级方案虽能实现“全场景”宣传，但实际体验下限难以保障；而千TOPS方案对L2+用户而言成本过高，对L4又显不足。轻舟的500TOPS配置，恰好落在“能跑通复杂模型”与“可量产落地”的交汇点。

更重要的是，其系统强调主动安全与误触发控制。例如，AEB在130km/h时速下可极限刹停，同时将误触发率压缩至50万公里少于1次——远优于行业平均的10-15万公里一次“幽灵刹车”。这意味着用户不会因系统误判而频繁被吓到，从而建立对AI司机的真正信任。

信任，才是自动驾驶从“敢用”走向“愿用”的关键。

物理AI：自动驾驶的终局之战

轻舟智航将自身定位从“自动驾驶公司”升级为“物理AI探索者”，其愿景已超越驾驶本身。他们相信，未来的AI必须理解重力、摩擦力、惯性、流体力学等基础物理法则，才能在与真实世界的交互中做出可靠决策。

这场变革，正在重塑行业竞争逻辑：决胜点不再是车端算力堆叠，而是云端世界模型的深度与广度。谁能构建更逼真、更全面的物理模拟器，谁就能训练出更聪明、更安全的AI司机。

目前，轻舟智航的方案已进入量产阶段，标志着“物理AI”从理论走向现实。当AI不再只是“模仿人类”，而是真正“理解世界”，自动驾驶的终局图景，或许比我们想象的更近。

标签： 自动驾驶 世界模型 物理AI 轻舟智航 端到端学习