2026年北京车展上，卓驭科技提出了一个看似抽象的概念——“移动物理AI”。但在那些炫酷的术语和模型名称背后，一个更本质的问题浮出水面：我们到底希望AI在物理世界中扮演什么角色？
答案或许很简单：让AI理解“物”与“动”。物，是物质世界的实体——车、人、障碍物、路沿、信号灯；动，是这些实体在时空中的位置变化、因果交互与规则约束。只有当AI同时把握了“物”的属性和“动”的规律，它才能真正自主、安全、高效地在物理世界中移动。
这就是“移动物理AI”的实质：不是教AI开车，而是教AI理解物理世界如何运转，并将这种理解应用于任何需要移动的场景。
一、从“驾驶行为模仿”到“物理规律内化”
回顾智能驾驶的技术演进，一个清晰的“觉醒”过程正在发生。
第一代智驾是“规则时代”。工程师写下海量的if-then逻辑：如果前方有车，则减速；如果红灯，则停车。但规则永远写不完——下雨天反光怎么办？施工路段锥桶怎么摆？行人突然冲出怎么办？规则覆盖不了无限的长尾，系统越复杂越脆弱。
第二代智驾是“数据驱动时代”。端到端大模型通过海量驾驶视频学习人类的驾驶行为，不再需要人工编写规则。它能在常见场景下表现得十分流畅，甚至像老司机一样丝滑变道。但端到端模型有一个隐藏的弱点：它学的是“行为统计”，而非“物理因果”。
举个例子：一个纯端到端模型可能见过上万次“前车刹车灯亮起后本车减速”的样本，于是学会了踩刹车。但它并不真正理解“刹车灯亮起意味着前车在减速，减速的原因是前方可能有障碍物或红灯，如果不减速就会发生碰撞”——这才是物理世界的因果链。因此，当遇到训练数据中很少出现的场景（比如前车刹车灯坏了、或是一辆马车突然减速），端到端模型就可能做出错误判断。
移动物理AI的突破，在于让AI内化物理世界的因果规律。 卓驭的原生多模态基础模型在预训练阶段，就被“喂”入了海量的物理交互数据：物体如何掉落、车辆如何碰撞、行人如何避让、水流如何绕开障碍……这些数据来自真实驾驶视频、互联网日常场景，以及各类移动机器人的运行记录。模型从中学会了“动量”“摩擦”“惯性”“碰撞代价”等隐式的物理常识。
二、“物”的通用性：同一个模型驱动不同的载体
移动物理AI的另一个核心特征是对“物”的通用认知。
传统的智驾模型是为“汽车”这个特定载体量身定做的。它知道汽车的加速响应、转弯半径、刹车距离。但如果把这个模型直接搬到重卡上，就会出问题：重卡的刹车距离是乘用车的数倍，重心高容易侧翻，盲区巨大。因此，传统做法需要针对重卡重新采集数据、重新训练模型——耗时耗力，成本高昂。
移动物理AI则不同。因为它学习的是物理世界的通用规律，它天然理解不同载体的动力学差异。当模型从乘用车迁移到重卡时，只需要补充少量的载具参数（如质量、尺寸、制动特性），模型就能快速适应，而非从头学习“如何驾驶”。卓驭之所以能在不到两个月内将乘用车NOA核心能力迁移到商用重卡，靠的正是这种载体无关的物理智能。
这也解释了为什么卓驭的移动物理AI基座能够同时驱动乘用车、8商用重卡、客车、无人物流车、Robotaxi甚至无人机。这些载体在形态、吨位、运动特性上天差地别，但它们在物理世界中遵循的底层规律是一致的：牛顿定律、摩擦系数、碰撞代价、路权规则……一旦模型内化了这些规律，它就能成为任何移动载体的“通用大脑”。
三、“动”的迁移性：从地域适配到全球零泛化
如果说“物”的通用性解决了跨垂类问题，那么“动”的迁移性则解决跨地域问题。
不同国家的交通规则、驾驶习惯、路权优先级差异巨大。在中国，红灯允许右转；在欧洲很多国家，红灯严禁右转。在德国高速，部分路段不限速；在国内，最高限速120km/h。端到端模型如果只训练了中国数据，到了欧洲就会“水土不服”，轻则违反交规，重则引发事故。
传统的解决方法是：每进入一个海外市场，就采集当地数据重新训练或做大规模微调。这种“一国一适配”的模式，成本极高，严重制约了智驾出海。
移动物理AI试图从根本上改变这一点。原生多模态基础模型在预训练阶段，已经学习了全球主要国家的交通规则和驾驶视频。模型不再把“红灯停”当作一个固定的规则，而是理解为：“在绝大多数国家和场景中，红色信号灯表示需要停车，但在某些特定国家，右转红灯可以通行。模型需要根据当前国家激活相应的行为模式。”这种基于预训练的知识迁移，使得模型在部署到新国家时，只需一个“国家编码”即可激活对应规则，无需重新训练。
卓驭将这一能力称为“全球零泛化”——虽然现实中可能还需要少量微调，但适配成本已从“数月数十人”降低到“数天数人”。这为中国智驾方案出口扫清了最大的障碍。
四、卓驭的实践：移动物理AI已经上路
理念的先进性需要用事实来检验。卓驭在2026年北京车展上给出的，不是PPT，而是实打实的量产成果。
乘用车：50款量产车型、100余款定点，覆盖从几万元到百万级的全价位、全动力类型。高悟性端到端4.0（100%端味）已开始OTA推送，而更强大的原生多模态模型已率先搭载于红旗天工S概念车。
重卡：与中国TOP6品牌全部合作，独创的“激目2.0”舱内融合感知系统让重卡也能享受NOA，6月起陆续量产。
客车：与宇通合作，9月量产覆盖高速+城区+自主泊车。
无人场景：无人物流7月试运营，Robotaxi下半年试运行，直接基于原生多模态模型和L4级控制器。
车载无人机：Q3量产，将移动物理AI延伸到低空。
34家客户、130余款车型——这些数字背后，是同一个移动物理AI基座在驱动着形态各异的载体，跨越中国、欧洲等不同地域，经受着真实世界的严酷检验。这已经超越了“技术验证”的阶段，进入了“规模化产业应用”的新篇章。
五、为什么这是生存判断？
卓驭CEO沈劭劼曾说：“所有存活下来的智驾公司都将转型为移动物理AI公司，这不是战略判断，而是生存判断。”
这句话的深刻之处在于：移动物理AI的规模效应决定了竞争终局。
训练一个真正通用的基础模型，成本极其高昂（每年数十亿量级）。但一旦模型训练完成，它可以在乘用车、重卡、客车、物流车、机器人之间自由迁移，边际成本几乎为零。这意味着，能够率先打造出移动物理AI基座的公司，将获得压倒性的成本优势：它以一份研发投入，服务十个、二十个垂类市场。
相反，那些只专注于单一垂类（比如只做乘用车NOA）的公司，既无法分摊巨额的模型训练成本，也无法通过多样化的数据反哺模型进化。它们将在成本、性能、迭代速度上全面落后，最终被淘汰出局。
因此，移动物理AI不是一种“更高雅的提法”，而是一场关于产业经济性的残酷筛选。谁掌握了通用基座，谁就掌握了未来十年智能移动产业的定价权和生态主导权。
结语：让物理世界的一切都能自主移动
北京车展的卓驭展台上，“智能一切移动”的主题赫然在目。这六个字，正是移动物理AI的终极愿景：不是让AI学会开车，而是让AI理解物理世界，从而驱动一切可以移动的东西。
从地面到低空，从乘用车到重卡，从有人到无人，从中国到全球——同一个智能基座，同一个物理模型，同一套通用能力。这不是科幻，而是卓驭用130款车型写下的现实。
移动物理AI的时代，已经拉开序幕。而它的核心命题，始终只有一句话：让智能，真正理解“物”与“动”。
