一个从没专门学过驾驶的通用大模型，把一辆丰田卡罗拉在封闭停车场里开出了134.7米。
这是第三方基准测试 DrivingBench 的公开实验：研究人员把 GPT-6 Astra 接进一辆真实汽车，让它通过工具接口直接控车，跑完锥桶标记的路线。
成绩很一般，5分22秒，单趟推理成本7.74 美元，放在专业自动驾驶的标准下不值一提。但它像一根探针，戳到了整个行业最敏感的那根神经。
通用大模型伸出手碰真实世界，智能汽车这一块领地门已经被推开。车本就是机器人，是黄仁勋口中物理AI的两大高量产产品之一。把视觉、语言、动作统一进一个模型的VLA 架构，加上能预测"我动一下、世界会怎样"的世界模型，早已同时长在汽车和机器人身上。大模型公司不必从零搭感知，直接拿通用模型试驾，起跑线比造一台能走路的机器人低得多。驾驶座只是入口，门后是一整个物理世界：道路、工厂、家庭。
一个自动驾驶公司的CEO已经先感到了寒意。元戎启行周光在 2026 WICV 大会上说，几年后做成全无人驾驶的，也许不是自动驾驶公司，而是OpenAI、Anthropic。
这句话不是谦辞，可能是一记警钟。这背后，站着一整排已经动手的玩家。大模型公司走进物理世界，是AI能力演进走到这一步的必然一步；它重排的也不只是自动驾驶一个行当的格局，而是整个物理世界的入场规则。
01 大模型公司开始“抢”方向盘和“身体”
大模型公司盯上自动驾驶，看起来像跨界，其实是回自己家。
黄仁勋把这件事其实已经说明白了：物理 AI 指能理解并作用于物理世界的 AI，它的两大高量产载体，一个是人形机器人，另一个就是自动驾驶汽车。车在物理世界里移动、感知、决策、执行，和机器人用的是同一套底层逻辑；把视觉、语言、动作统一进一个模型的 VLA 架构，加上能预测"我动一下、世界会怎样"的世界模型，早已经同时长在汽车和机器人身上。
据公开披露，小鹏把世界模型和第二代VLA拼成物理世界基座模型，规划里写着从汽车延伸到人形机器人；小米开源的OneVL 框架，同时服务汽车辅助驾驶和具身机器人两条产品线。同一套底座长在两条产品线上，意味着大模型公司进门不需要换鞋。
据公开报道，OpenAI 的 CEO 奥特曼在10月中旬确认，公司正在开发机器人产品，招聘页面上挂出的机器人相关岗位接近 30 个，从感知与运动控制一直延伸到执行器工程、电机设计、测功机台架，以及制造与供应链；
行业对节奏的普遍解读是，首款演示样机可能要到2027年才出现，按OpenAI自己的口径，"真正能用还要好几年"。一家最擅长造大脑的公司开始招电机设计工程师和供应链负责人，这个动作本身就是表态：屏幕里的智能不够了，要把智能装进能在真实世界里移动的躯体。
这家公司六年前解散过自己的机器人团队，公开理由是缺少训练数据；数字世界有整个互联网当语料，物理世界却没有现成的"文本海洋"可爬。六年之后回头自建本体，逻辑闭环了：身体不在自己手里，就拿不到真实环境中的感知与操作数据，大脑的能力上限，就被锁死在别人的硬件上。
这个教训有公司替它先上过课，据公开披露，人形机器人公司 Figure 曾在 2025 年初终止与 OpenAI 的合作，转向自研端到端模型 Helix，分开的原因正是合作模式下数据与迭代节奏无法对齐。
所以这轮冲击已经不是发布会上的口号，是数据闭环逼出来的必然动作，有招聘页、有分手案、有六年时间差作证。智能汽车只是入口，门后是一整个物理世界：道路、工厂、家庭。对智驾行业来说，问题已经不是狼来不来，而是墙哪几块是松的、哪几块守得住。
02 壁垒的松动与守得住的部分
智驾公司过去的壁垒，一半建立在"别人不会造 AI 司机"上。目前来看，这个前提正在失效。
据行业披露，英伟达 2026 年 8 月开放的 Alpamayo 2 Super 基座模型，参数规模 340 亿，把场景理解、轨迹预测、自动标注打包成一体，配套工具链能把标注周期从数月压到数天。
Waymo 从2026年2月起复用Google DeepMind 的Genie 3世界模型，生成暴风雪、逆行、路面突然出现大象等极端场景，直接用于自动驾驶仿真测试。过去智驾企业各自独立重金投入的能力，正变成全行业能取用的公共基础设施，壁垒就从"我会造"，变成了"我造得更好、更快、更稳"。
过去两年，芯片算力几乎是智驾档次的代名词，这一轮头部公司在大会上都不约而同绕开了这把尺子。有人提"单位算力产生的智能"，有人提"泛化用时"，周光提的是 MPCI，关键接管间隔里程，开多少公里才需要驾驶员接一次关键的手。消费者也正在用接管频次评价体验，算力参数的说服力在下降。
周光的应对，可以当成智驾公司的转型样本来看。他在大会上说了两句话，一句是判断："如果你不能变成一家大模型公司，你是没有机会的。"一句是比喻："这类似蒸汽机发明带来的技术变革，你守在马车上没有意义。"
元戎的动作照着这个判断在走：据他在大会上的发言披露，40B 驾驶基座模型的决策能力较此前提升约 90%，数据闭环效率提升约 10 倍；专门成立 Superfluid Lab 围绕基座模型、VLA 和世界模型做研究；首席科学家来自 DeepSeek。周光给这套打法立了指标：基座模型有望推动 MPCI 从百公里级走向千公里级，再探索万公里级。
但壁垒没有全部松动，最硬的那块还在智驾公司手里。一辆车以 120 公里时速行驶，每秒钟前进约 33 米，感知到决策之间的任何延迟都直接变成安全隐患，业内一般要求端到端延迟稳定在 100 毫秒以内。数字世界的模型可以带幻觉，物理世界的车不行，周光自己也提醒过，AI 的幻觉在真实道路上不是玩笑，安全投入应该被看作性价比很高的品牌建设。元戎的 IO 4.0 目前还不是完整的原生基座模型驱动，完整版本要等到明年。大模型范式不是口号，是要真金白银把数据、算力、人才、资金四道关一道道过。
看得清的格局是这样：看得见的能力被工具化了，守得住的壁垒是数据闭环的效率、跨场景迁移的泛化、工程化落地的稳定度。
03 基模公司入场，价值分工正在重排
当一批新主体进场之后，被重排的是整条价值链的分工。
过去的格局是垂直的。一家自动驾驶公司从头自研感知、预测、规划、控制，一家机器人公司自研运动控制、操作策略，各守一摊。现在，上游有人提供基础模型和算力工具，中游有人把驾驶AI或机器人智能打包输出，下游有人做真实场景的运营。分工正在横切。
传统自动驾驶巨头Mobileye 以约9亿美元对价收购人形机器人公司 Mentee Robotics，看中的正是自动驾驶与机器人在多模态感知、世界建模和复杂决策上的技术共通性。英伟达向智驾企业提供基础模型和工具链，Mobileye 把自动驾驶技术延伸到机器人。
这意味着，价值链正在被重新切片：谁掌握基础模型，谁站上游；谁能把模型接进真实场景，谁拿订单；只守着单一环节的公司，位置会越来越被动。分工横切之后，车与机器人共用一个底座的大格局，就成了下一步的题眼。
04 AI走进物理世界，会改变什么？
把视线从一辆车拉到整个物理 AI，这一轮变化的本质，是竞争尺度的切换。
自动驾驶与具身智能共用同一套技术底座，上半场是车，下半场是机器人，但两条线的资源禀赋差得很远。
据行业研究，工业级自动驾驶系统训练需要约 100 万小时视频数据，而具身操作要刻画更复杂的接触式物理规律，至少要有 1000 万小时合格数据。自动驾驶积累的海量真实道路数据，是机器人领域难以比拟的规模优势，也反过来说明，谁先在物理 AI 上跑通闭环，谁就握着向下半场迁移的船票。
中国玩家的动作也在印证这条线：据公开信息，DeepSeek 关联的投资同时落在机器人本体公司宇树和具身智能公司 Winverse 身上，"大脑加本体"串成一条完整链路。
延迟要求也把两条线分得很清。一辆车以120公里时速行驶，每秒钟前进约33 米，感知到决策之间的任何延迟都直接变成安全隐患，业内一般要求端到端延迟稳定在100毫秒以内；机器人场景里，仓储、家庭服务的单次操作间隔可以是几秒甚至更长，几百毫秒的推理延迟完全在可接受范围。
这意味着智驾对实时性和可靠性的工程苛求，恰恰是两波能力融合时最硬的门槛，也是通用模型公司进门后必须补的课。
回到 DrivingBench 那个 134.7 米的实验，也回到 OpenAI 招聘页面上那批电机设计工程师。一个实验笨拙地指向现在，一批岗位安静地指向 2027 年之后。通用 AI 从屏幕里走出来，先推开的是车门，门后却是一整个物理世界：道路、工厂、家庭、医院。车是机器人的上半场，人形机器人是下半场，而真正的主线，是 AI 终于不再只活在屏幕和语言里，它开始伸手碰真实的世界。
物理AI的时代，重新分配的不是某一家公司的生死，而是"什么叫智能"的定义权。过去这把尺子握在专用模型公司手里，比的是谁把某个动作做得更准。接下来，尺子会移向谁能在一个真实、复杂、容错率极低的世界里稳定地闭环。车先跑了这一棒，机器人接下一棒，而真正能定义下一个时代的，是那些既懂模型、又真正握有真实世界干净数据与闭环能力的一方。