VLA、世界模型、多模态——Superfluid Lab到底在“炼”什么丹？

Superfluid Lab这个名字挺抽象，这是元戎启行打造的国内首个面向物理世界基础能力研究的 AI Lab，名字取自物理学里的“超流体”——一种摩擦力接近于零的物质状态。但它的技术方向其实很具体。

核心就一件事：训练一个能够理解物理世界的通用基础模型。

从“分科教学”到“整体理解”

先说说以前的智驾系统是怎么做的。

接近“分科教学”——识别车辆是一门课，预测轨迹是一门课，规划路线又是另一门课。工程师把这些能力分别训练出来，再拼成一套系统。

这种方式的问题在于：每个模块都只负责自己那一亩三分地，缺乏对全局的理解。就像一个球队，前锋、中场、后卫各自练各自的，上了场才发现配合不起来。

基座模型的思路不一样。它先教机器理解世界——通过海量数据学习物体、空间、运动和因果关系，再把这些理解迁移到不同任务中。

遇到一个此前没专门训练过的场景，模型也有机会根据已有认知作出判断。

这就是大模型和小模型的本质区别。小模型更像条件反射——见过的东西能处理，没见过的就抓瞎。大模型追求的是认知智能——理解规律，然后举一反三。

元戎在GTC上展示的VLA基座模型有约400亿参数规模。但参数规模只是表象，真正的差异在于架构的统一——驾驶决策、场景理解、行为评估全部放在同一套模型里，而不是多个模块拼接。

具体研究什么？

Superfluid Lab聚焦三个技术方向：VLA模型、世界模型、多模态理解。

VLA视觉-语言-动作模型把视觉感知、语言理解和动作执行揉在一起。以前的车只能“看”，VLA能让车既“看”又“理解”还能“行动”。

举个具体的例子：看到一块“前方施工”的牌子，传统系统只做文字识别，VLA能理解“施工”意味着什么——前面可能有障碍物、车道可能变窄、可能需要减速变道。理解语义，然后转化为行动。

世界模型解决的是“世界会怎么变化”的问题。

传统自动驾驶的逻辑是“看见什么就应对什么”——看见一个人就刹车，看见一辆车就绕行。这是反应式的。

世界模型追求的是预测式的——理解物理世界的因果规律，提前预判接下来会发生什么。

一个塑料袋滚到路中央和一块石头滚到路中央，后果完全不同。塑料袋可以碾过去，石头得绕开。一个真正理解物理世界的模型，应该能区分这两种情况，而不是看见“有东西”就一律刹车。

元戎在模型预训练阶段采用了视频预测任务来让模型理解世界——视频的每一个像素都能作为监督信号，数据利用率达到100%。这意味着模型不只是“看”视频，而是在学习“视频里的世界接下来会怎么变”。

多模态则是把视觉、语言、传感器数据等各种信息融合起来，让模型对世界的理解更全面。

一个更难定义的目标

Superfluid Lab的定位文件里有一句话：不局限于单一应用场景，致力于打造支撑具身智能、机器人控制与真实环境交互的通用AI基座。

翻译一下：这套模型不光给车用。

车只是一个载体，一个验证场景。真正想做的，是一个能理解物理世界、能在物理世界里行动的通用智能。将来机器人、无人机、机械臂都能用同一套底层能力。

这就是为什么元戎说自己的长期愿景是成为“物理世界的AI基础设施”——“就像通信、电力一样，成为支撑现实世界运行的基础能力”。

通信和电力没人会天天念叨，但离了它们什么都不转。元戎想做的就是这个——让AI理解并作用于物理世界的能力，变成像水电一样随时可调用的东西。

为什么元戎能做这件事？

一个关键条件是数据。

元戎已经有超过50万辆量产车在路上跑。研究人员的模型可以面对持续变化的真实交通环境，可以观察一个判断怎样变成车辆动作，也可以看到算法在真实世界中犯下的错误。

对于研究物理AI的人来说，这是一套规模庞大的真实世界实验装置。其他AI实验室很难复制这个条件——他们没有这么多车在真实世界里跑。

从开车到理解世界

元戎的计划是：先让模型学会开车，完成之后再把模型从汽车迁移到更多机器和场景中。

能够应对开放道路的模型，才有资格进入更多物理场景。智驾因而成为物理智能的试金石——负责验证能力，却不再限定能力的边界。

Superfluid Lab因此不是传统意义上的智驾研发部门，也还不是一家独立的基础模型公司。它处在两者之间，借用商业化业务积累的资源，寻找超出业务边界的答案。

一个塑料袋和一块石头有什么不同？这个问题看似简单，但让机器理解其中的物理差异，需要的是对世界本质的认知。

Superfluid Lab就在做这件事。