引言

一家做无人车的公司，为什么需要一万多张GPU？答案并不在“堆卡”本身，而在算力之上的方法论与数据飞轮。九识宣布战略升级为“城市级物理AI”，并披露业内首个L4级万卡集群（总规模近1.5万卡），其背后是正从百亿级迈向千亿级的APEX多模态基座大模型。算力和大模型的叠加，正在把无人驾驶从“工程堆叠”带入“世界模型驱动”的新范式。

万卡集群的意义：从“堆卡”到“智能上限”

万卡集群是一座可同时并行拆解训练任务的“AI超级工厂”。对无人驾驶而言，它决定的不仅是训练速度，更是智能上限——能否学到城市物理世界的细致规律、覆盖长尾非标场景，取决于模型规模、数据量与训练稳定性三者的耦合能力。

• 长尾决定成败：无标识乡道、临时围挡、异形障碍、光影突变……这些场景无法靠规则穷尽，只能靠更大的模型去学习“世界如何运转”。
• 飞轮效应成形：九识在20多个国家、300余城投放的3万余台车，累计运营里程突破2.7亿公里，持续产出高质量数据；算力越强，模型迭代越快，成本越低，车辆越多，数据越稀缺优质，飞轮越快。
• 算力即基建：在L4竞争中，集群规模不再是“费用项”，而是决定迭代速度与泛化极限的底座。没有足够算力，千亿级多模态大模型只停留在纸面。

APEX多模态基座：世界模型带来的四个跃迁

APEX将真实L4驾驶数据与互联网视频、交通文本、人类决策样本融合，向“会理解物理世界”的世界模型演进。这带来四个质变：

• 更强的场景推理与长时序决策：能在混行、博弈场景中进行多步预测与反事实推演，让驾驶更平顺、更安全。
• 更强的知识融合与跨城泛化：统一理解交通灯、交警手势、道路标识与本地规则，为“无图L4”在陌生城市当日部署提供底气。
• 更可信的大规模仿真：在云端高度还原动力学与人车互动，百万级工况并行生成与验证，把危险边缘场景的验证从道路移到数据中心。
• 更高效的蒸馏与车端部署：将大模型的一体化感知-预测-规划能力蒸馏到车端，适配多款RoboVan车型，显著降低多车型迭代与运维成本。

本质上，APEX以千亿级参数容量承载跨模态知识，把“规则库”升级为“世界模型”，让能力随数据与算力线性甚至超线性扩展。

车云协同的新范式：边缘跑日常，云端解难题

端到端车载模型已能覆盖多数日常路况，但复杂低速工况与罕见长尾仍需更强智力。九识的分层架构思路是：

• 车端优先：在5-30km/h的复杂城市工况，通过轻量化VLA与蒸馏模型保障实时性与稳定性；常见场景就地闭环。
• 云端增援：罕见与高不确定性场景由云端大模型参与决策生成、仿真复盘与策略优化，形成“困难样本矿场”。
• 数据闭环：自动挖掘、选择与标注样本，进行持续训练-评测-回归分析；以红蓝对抗、冠军-挑战者等机制严控回归风险，安全上线迭代。

这套协同让“日常由边缘解决、难题交给云端”，把模型迭代频率提上去，同时把车端风险降下来。

影响与展望

• 对行业：万卡级算力叠加世界模型，正在改写“货运L4门槛更低”的成见。真正的门槛不是是否载人，而是能否规模化拿到高价值数据、能否把数据转化为可验证的泛化能力。预计更多玩家将布局更大集群与多模态基座，行业进入“算力×数据×场景”的立体竞赛。
• 对城市：从物流到环卫、园区运维、基础设施巡检，通用化的物理AI将把自动化能力变成可复制的“城市运力”，帮助城市在安全前提下提升效率与治理精度。
• 风险与挑战：高能耗与成本压力、数据治理与隐私合规、模型可解释与验证体系、车端算力约束，都是下一阶段要啃的硬骨头。谁能在安全闭环、成本曲线与泛化能力上同时做对，谁就可能定义L4的真正规模化拐点。

无人驾驶进入多模态大模型时代的信号已经点亮。当算力成为新基建、数据形成正反馈、世界模型持续进化，“城市级物理AI”不再是口号，而是可被工程化与复制的能力体系。

标签： 无人驾驶 多模态大模型 算力集群 车云协同 世界模型