下一条 AI 护城河不是更好的模型，而是工程系统

自动驾驶与机器人公司 Applied Intuition 的高管近日撰文提出一个反共识判断：物理 AI 的下一个数量级飞跃不会来自更好的模型，而来自让工程系统变得与模型一样智能的 Agent 平台。文章认为，过去十年业界几乎把所有资源都倾注在模型本身，却忽视了模型从实验室走向部署所需的验证、集成与运维能力。

落地的物理 AI 是两个变量的乘积

作者将物理 AI 的落地能力拆解为「模型能力」与「工程系统的吞吐与承载能力」的乘积。前者决定了机器能感知、决策到何种程度，后者决定了需求如何转化为软件、软件如何验证、以及经验证的系统如何被部署与持续改进。目前行业绝大部分投入集中在前者，后者却仍停留在十年前的水平，为季度发布与数百人的集成团队而设计。

更直观的体现是研发节奏。即便团队拿到一项基准测试提升 20% 的模型，仍需花两个季度证明其足够安全、可以发布。模型演进的速度已经超出工程组织的吸收能力——限制因素不断向下游推移，从「机器能否感知世界」演变为「我们能否验证、集成并运维机器现在所具备的能力」。

数字 AI 的智能体经验无法直接迁移

文章认为，把代码 Agent 和 Copilot 投入自主驾驶技术栈，并不会自动带来同等生产力提升。原因在于物理 AI 的工作场景并不在文档、对话和代码里，而是在驾驶日志、传感器数据、仿真运行、HIL 测试机架、需求数据库与验证报告之中。

一个从未见过「接管事件」、不理解「感知退化」为何至关重要、无法将需求追溯到测试用例的 Agent，在物理 AI 领域并非生产力工具，而是「披着友好界面外套的隐患」。作者因此提出，物理 AI 需要一个专属的 Agent 平台，其需要满足三个条件：

• 能通过可靠接口直接访问仿真器、数据管线与验证系统等核心工具。
• 内嵌领域专业判断力，理解「装载进数吨重机器的交付物」意味着什么。
• 内置评估与治理机制，在安全攸关场景中给出真正可执行的答案。

速度不会牺牲安全

面对「Agent 不应进入安全攸关工程」的本能反对意见，文章给出反向论证：在安全攸关系统中，反馈回路的速度本身就是一种安全保障。当验证需要数周，团队只能在里程碑节点测试，问题往往已潜伏数月；当验证缩短到分钟级，每次代码变更都能触发测试，缺陷可以更低成本修复。

核心做法是确立清晰的权责边界：开发、验证与运维工作流可以自动化，但认证、法规签署与最终工程决策必须由人类完成。Agent 负责提出方案并加速流程，人类负责关键审批。任何触及生产系统的操作都必须在审批关卡之后运行。

模型无法带动复合效应，系统才可以

文章描绘了一个由前沿模型与前沿工程系统相互滋养的 Agent 飞轮：机器在实地表现不佳 → Agent 挖掘运维数据或合成暴露缺陷的场景 → 分析转化为研发需求与测试用例 → 验证后的软件部署到车队 → 车队产生新数据 → 反哺模型与 Agent。

Applied Intuition 声称已将这一飞轮落地为内部 Agent 平台 Dana，过去一年其工程师在该平台上构建了上千个内部应用与 Agent。官方给出的关键数据包括：

• 开发周期缩短约 20 倍。
• 部署频率从每几周一次提升到每天多次。
• 过去需要数月的应用，如今可在数天乃至数小时内完成。
• 因成本过高而无法立项的应用，现在成为常态化项目。

对未来十年的启示

文章最后预言，如果行业继续仅押注智能本身，物理 AI 的下一个十年将进展缓慢：Demo 眼花缭乱，但实验室能力与真实部署之间的鸿沟日益扩大。相反，将前沿智能与 Agent 工程系统结合，曲线将迎来向上拐点——农业、矿山、货运、国防等数千亿美元规模的物理经济，都将依赖同一条学习闭环。

作者的总结是：软件之所以吞噬世界，是因为它大幅降低了构建数字应用的成本；物理 AI 要对物理世界重演这一过程，前提是构建智能机器必须像构建软件一样快速迭代，同时不牺牲安全攸关系统的严谨性。「二十年后，人们不会记得哪家公司在 2027 年拥有最好的世界模型，但会铭记是哪家公司探索出了将智能持续转化为实际部署系统的方法。」