元戎启行成立国内首个聚焦物理世界基础能力研究的AI实验室

元戎启行近日公布其研发团队将开设名为Superfluid Lab的专项研究机构，该实验室以"超流体"命名，意指物理学中呈现接近零摩擦特性的物质状态。其研究定位明确指向面向物理世界的基础能力探索，主要致力于构建可理解物理环境的AI通用基础模型。该项技术突破标志着自动驾驶领域研究范式的重要转变。

传统智驾系统的技术路径

当前主流智能驾驶系统普遍采用模块化开发模式，将感知、决策、控制等环节进行功能分割。这种分科教学式开发方式虽能实现特定场景下的精准控制，却存在系统协同不足的局限性。例如在复杂路况中，不同模块间的认知差异可能导致判断偏差。

超流体概念的物理解析

超流体是量子流体现象，指在特定低温条件下氦-4等物质表现出无黏滞性特征。这种物理状态具备高度协调性的系统特性，与元戎启行希望构建的具备全局认知能力的AI系统形成概念呼应。

通用基础模型的技术逻辑

Superfluid Lab的核心目标是开发可适应多场景的通用基础模型。该模型需实现对物理环境要素的统一抽象，包括但不限于交通规则、物体运动规律及环境互动机制的动态建模。

行业技术演进方向

这项研究或将推动自动驾驶技术从经验累积转向科学建模。通过建立新型认知框架，系统在面对陌生环境时可进行跨领域推理，从而提升决策系统的泛化能力。这种技术路径的探索正引发行业关于基础研究范式的讨论。

该实验室强调将建立跨学科研究体系，整合机器学习与物理建模方法，最终形成可解释的AI认知架构。

• 实验室名称源于超流体物理特性，暗示系统追求零摩擦认知能力
• 研究重点在于构建统一的物理世界理解框架
• 技术方向突破现有分科开发模式，转向整体建模
• 研究进展可能引发自动驾驶领域基础研究方法变革

Superfluid Lab推出VLA基座模型，参数规模达400亿

元戎在GTC上展示的VLA基座模型具备约400亿参数量，通过统一架构整合驾驶决策、场景理解、行为评估能力。相比传统多模块系统，该模型采用更系统化的训练方式。

传统智驾系统的局限性

现有智驾系统倾向于分科教学，将识别车辆、预测轨迹、规划路线等能力拆分为独立模块进行训练。这种方式导致各模块缺乏全局视角，如同球队球员各自为战。

认知智能的实现路径

VLA模型通过海量数据学习物体、空间、运动和因果关系，将理解能力迁移至不同任务场景。模型可处理此前未训练过的场景，相较于小模型的条件反射式处理，展现出更强的认知智能特征。

技术突破的关键环节

Superfluid Lab聚焦三大技术方向：VLA模型、世界模型、多模态理解。其中世界模型通过预测式逻辑，理解物理世界的因果规律，能区分塑料袋与石头等不同物体的物理差异。

元戎模型预训练阶段采用视频预测任务，使每个像素都能作为监督信号，数据利用率达100%。

扩展应用的潜力领域

该模型不局限于单一交通场景，旨在构建支撑具身智能、机器人控制与真实环境交互的通用AI基座。其核心目标是为物理世界提供可调用的智能能力。

研究人员通过50万辆量产车获取持续变化的真实交通环境数据，观察判断转化为车辆动作的具体过程。这套系统为物理AI研究提供了规模庞大的实验验证平台。

技术演进的阶段性规划

元戎计划先让模型掌握开放道路驾驶能力，再拓展至机器人、无人机等更多物理场景。智驾系统成为验证物理智能的试金石，同时突破业务边界。

Superfluid Lab的定位文件强调构建通用AI基座，正如通信和电力系统支撑现实世界运行，其期待实现类似的技术基础设施价值。

• 400亿参数规模的VLA基座模型
• 多模态理解融合视觉、语言、传感器数据
• 视频预测任务提升数据利用率至100%
• 50万辆量产车构成真实世界实验装置