這幾天的主題是“汽車”——“智能”汽車、“人形”汽車、“飛行”汽車。一樣的配方，不一樣的味道。

現(xiàn)階段，談?wù)摗熬呱碇悄堋边€為時尚早，機(jī)器人本體是具身，而實(shí)現(xiàn)端到端VLA的“大腦”才是終極的智能。如何實(shí)現(xiàn)，技術(shù)路線都還沒有定論，都在摸著石頭過河，這會是一個極其艱難的時期。

所有機(jī)器人本體廠商，都在不斷強(qiáng)化專項動作的能力，但這個意義對于未來的真正的具身智能意義不大，只在于展示人形機(jī)器人本體的魯棒性（雖然這也很重要）。汽車本身也是具身智能的一個載體，真正實(shí)現(xiàn)自動駕駛（Full-Self Drive）才算具身智能有真正的落地應(yīng)用。有意思的是，Transformer（變形金剛）正好是車和人形機(jī)器人的復(fù)合體，而Transformer架構(gòu)恰好又是端到端大模型的底層架構(gòu)，這也許是冥冥中來自塞博坦星的暗示吧。

但是，自動駕駛過去十年的努力也證實(shí)了，依賴規(guī)則和策略設(shè)定的模式來實(shí)現(xiàn)自動駕駛，是突破不了L3這一層級的，端到端才是提升質(zhì)變的希望。老黃也一直把物理AI掛在嘴邊，這到底是個什么東西？要理解物理AI，我們必須要回頭看看人工智能的發(fā)展史。雖然普遍認(rèn)為1950年的圖靈測試，是人工智能在學(xué)術(shù)界的開端，但真正讓普羅大眾接觸到AI，也就短短15年的時間。

這15年的時間里，AI應(yīng)用的落地經(jīng)歷了兩個階段，第一階段是感知AI，也就是圖像語音識別、自然語言語義識別，最普及的應(yīng)用就是人臉識別，現(xiàn)在刷臉已經(jīng)深入每個人的生活，對應(yīng)的技術(shù)模型是卷積神經(jīng)網(wǎng)絡(luò)，比如AlexNet。

第二個階段就是現(xiàn)在最熟悉的生成式AI，基礎(chǔ)大模型帶來的能力，比如大語言模型、多模態(tài)大模型，也就是AI生成文本、圖片、視頻，典型應(yīng)用包括ChatGPT、Midjourney、Sora等，對應(yīng)的技術(shù)模型就是Transformer基礎(chǔ)架構(gòu)。

第三個階段就是大家正在積極圍觀的AI Agent，智能體，不再依賴prompt，能夠自主規(guī)劃，自主決策，從頭到尾完成一項完整的任務(wù)，典型應(yīng)用就是智能體，對應(yīng)著推理大模型和多模態(tài)大模型，以及多種模型的通力合作，完成具體任務(wù)。

第四個階段就是老黃所說的物理AI，是AGI的終極形態(tài)，不知道大家意識到一個問題沒有，到目前沒位置，還沒有智能體能夠?qū)崿F(xiàn)和物理世界的交互，不管是感知、生成還是Agent，基本都局限于數(shù)字世界，沒有智能體能夠反作用于物理世界，智能汽車算是有這個苗頭了，但是和機(jī)器人能夠抓取放還是兩個層面的物理世界交互。

隨意未來跨域數(shù)字世界和物理世界這道鴻溝，機(jī)器人成為端到端大模型的載體，才算是真正進(jìn)入到通用人工智能AGI時代。