自动驾驶赛道DeepSeek，轻舟智航率先进军物理AI

为什么重要

2026年4月25日，量子位报道轻舟智航在北京车展展示“轻舟乘风MAX”量产方案，核心卖点是把“世界模型”部署到量产车端，并以500+TOPS算力实现车位到车位、全场景智能辅助驾驶。文章将轻舟称为“自动驾驶赛道上的DeepSeek”，强调其不是继续堆叠1000TOPS级别算力，而是试图用世界模型、强化学习和VLA组合，让车端AI从模仿驾驶行为走向理解物理世界规律。 在产品能力层面，报道列举了多个Demo场景：车辆可提前预判“鬼探头”轨迹，规避违停车辆“开门杀”，理解对向交警不标准手势、潮汐车道规则，并处理违停借道、窄路会车、全黑夜间、强光出隧道等复杂情况。主动安全AEB方面，轻舟宣称可实现130公里时速极限刹停，并将误触发率控制在50万公里小于1次；文章对比称行业平均约10万至15万公里可能出现一次“幽灵刹车”。其全场景覆盖目标被描述为不是90%可用，而是99%以上场景可用，从“敢用”提升到“愿意用”。 技术叙事上，文章认为百十来TOPS只能跑大幅蒸馏的端到端模型，体验下限难保证；1000TOPS左右对L2+辅助驾驶成本过高，对L4又不足。轻舟方案采用“云端世界模型+车端世界行为模型”架构：云端负责生成极端场景和训练，包含世界仿真引擎与安全强化学习模块；车端负责实时决策，以较小的在线世界模型预测周围车辆、行人和道路变化趋势。报道特别强调零样本生成引擎，可用自然语言生成“傍晚、小雨、一辆外卖电动车从公交站后面窜出来”等训练场景，覆盖高可控交通流、障碍物难例、高危罕见场景和恶劣天气。 轻舟CEO于骞还澄清了外界对其今年1月官宣VLA模型的误解：轻舟主干路线一直是世界模型，VLA用于交警手势、施工牌“借道逆行”等需要语言理解和Chain-of-Thought推理的场景。文章将二者关系定义为互补：世界模型负责常规物理预测和路径输出，VLA负责超出驾驶任务但影响决策的常识对齐。轻舟进一步提出“物理AI第一性原理”：所有与物理世界深度交互、处理复杂多任务的AI都是物理AI，自动驾驶公司若投入世界模型和强化学习，本质上已不只是自动驾驶公司，而是物理AI公司。 对物流仓储机器人公司而言，这篇文章的价值不在于汽车方案本身，而在于其给出了一个可迁移的竞争框架：长尾场景不应完全依赖真实路测和人工调参，而应通过物理一致的仿真生成、强化学习和小模型部署降低采集成本、提升边缘实时性。仓储AMR、分拣、装卸、移动操作同样面临遮挡、混行、异常障碍物、设备故障和人机协同等长尾问题。不过，文章整体带有明显发布会和公关稿色彩，关键指标如99%以上覆盖、50万公里误触发率、量产进度均缺少第三方验证，决策者应将其视为技术路线信号，而非已被充分证明的商业结果。

新进展

• 轻舟智航将世界模型部署到500+TOPS车端，试图在成本、算力和全场景体验之间找到量产平衡点。
• 云端世界模型生成长尾极端场景、车端小模型实时决策的架构，对仓储机器人仿真训练和边缘部署有参考价值。
• VLA被定位为世界模型的补充，负责交警手势、施工牌等语言与常识推理，而非替代物理预测主干。
• AEB误触发率50万公里小于1次、99%以上场景覆盖等指标很吸引人，但文章缺少第三方验证。
• 报道实质是自动驾驶公司向“物理AI平台”叙事升级，提示机器人公司需关注世界模型与强化学习能力建设。