a16z最新：为什么下一个 AI 护城河不再是更好的模型？

当下，几乎所有人都在押注更大、更聪明的 AI 模型。但 AI 的下一个核心护城河到底是什么？

最近，

发布了一篇深度文章——《下一个 AI 护城河并非更优的模型》（The Next AI Moat Isn’t a Better Model）。作者 Peter Ludwig（Applied Intuition 联合创始人）结合自己过去十年在自动驾驶、机器人等物理 AI 领域的实战经验，提出了一个碘伏常识的观点：

这篇文章解答了当下

的行业困局，希望能为关注具身智能、自动驾驶与 AI 落地应用的朋友带来一些新的思考。

在未来十年里，将有十亿台机器具备自主能力或走向智能化。汽车、卡车、拖拉机、采矿卡车、国防系统、仓库机器人、人形机器人——整个物理经济都将围绕能够

的软件进行重构。

目前关于如何实现这一目标的普遍假设大致如下：模型持续改进，世界模型日趋成熟，机器人基础模型相继面世，最终自主化便自然实现。

Peter在Applied Intuition致力于构建软件基础设施，这一过程耗费了他十年光阴。该基础设施为全球众多领先的物理AI项目提供服务，涵盖了汽车、自动驾驶卡车、工程机械、采矿系统、国防平台以及机器人技术等领域。他对AI的前景充满乐观，与众人无异。然而，他认为大多数人对于AI的普遍假设，在逻辑方面存在错误。

已部署的物理 AI 是两个变量的产物：

1. 模型的能力

2. 其周围工程系统的能力
   （即需求如何转化为软件，软件如何得到验证，以及经过验证的系统如何进行部署、监控和改进）

Peter看到，目前整个行业几乎把所有资源都倾注在了第一个变量上，而第二个变量却基本停留在十年前的水平。在传统工程系统上运行前沿智能，是无法产出前沿成果的，因为旧有的工程系统才是瓶颈所在。

因此，他认为：

然而，目前行业的Roadmap却建立在少数几个曾经合理、但已不再契合物理 AI 未来走向的假设之上。

01 更聪明的模型无法直接转化为落地的机器

一个能力强劲的模型与一台经过认证、实际运行的机器之间存在着巨大的鸿沟，单靠模型质量无法填补这一差距。一个在基准测试中提升了 20% 的模型，依然需要：

• 与许多其他软件组件进行集成
• 在数以百万计的场景变化中进行测试
• 对照安全需求进行追溯
• 在硬件上进行验证
• 推广到车队并在实际场景中进行监控

在一个典型项目中，决定节奏的是这套流程，而非模型本身。团队拿到一个性能有实质提升的模型后，

。

这就是为什么世界模型固然令人瞩目，但仅凭它们无法带我们走向完全自主的未来。它们的发展速度超出了工程组织的吸收能力。

从“机器能否感知世界？”转变为“我们能否验证、集成并运营机器现在能做的事情？”一个验证周期长达数月的团队，实际上是将前沿 AI 的速度强行拉低到了自身流程的水平。

这里有一个行业尚未充分评估的隐性影响：

两者的差距将取决于它们的工程系统吸收模型能力的速度。智能正在变得无处不在，而将其付诸运营的能力却并非如此。

02 数字 AI 的经验无法直接迁移至物理 AI

第二个假设更为隐蔽：即发生在数字工作领域的 Agent 革命将自然延伸到物理 AI。只要将编程 Agent 和 Copilot 投放到自主驾驶/机器人技术栈中，同样的效率提升就会随之而来。

现实并非如此，因为大多数数字 AI 仅止步于文档、对话和代码。而物理 AI 的工作并不存在于这些地方。它存在于：

• 行驶日志和传感器数据中
• 仿真运行和硬件在环（HIL）测试台架中
• 需求数据库和验证报告中
• 从真实道路和作业现场的实际车辆流式传输的车队遥测数据中

一个从未见过自动驾驶接管（Disengagement）、无法将需求追溯至测试用例的 Agent，在这个领域就无法成为生产力工具。

物理人工智能的未来不仅仅取决于最智能的模型，还取决于将智能大规模转化为自主机器的工程系统。

让 Agent 在部署物理 AI 本身方面具备真正的能力，是一个前沿智能难题，这与训练一个更大的模型完全不同。Agent 需要：

1. 真实的数据与工具权限
   ：通过足够可靠、值得信赖的接口，接入实际的数据和行业工具（仿真器、数据流水线、验证系统）。

2. 内嵌的领域判断力
   ：拥有积累的行业知识，明确当产品交付到一台重达数吨的机器上时，“经过验证”究竟意味着什么。

3. 内置评估与治理机制
   ：因为在这个领域，一个看起来合理的答案与一个正确的答案之间，隔着的可能是致命的后果。

当物理AI需要属于自己的Agent平台时，这个平台将是前沿模型与平台原生评估及治理机制的结合体。其中，前沿模型植根于数据层、工具链和物理系统领域专长。它绝不是简单挂载在工程工具上的聊天机器人，也不是通过微调通用Agent就能得到的。这是一种全新的架构，对AI创新的要求与模型本身不相上下。

03 模型不会产生复利，系统才会

当我们意识到这些假设正在阻碍物理 AI 前行时，逻辑上的下一步就是将更强大的智能与更快的学习速度相结合，创造出一个

，让前沿模型与前沿工程系统相互滋养。

一个持续运转的飞轮包含以下环节：

1. 现象捕捉
   ：一台机器在作业现场表现不佳。

2. 数据挖掘与场景生成
   ：Agent 对运营数据进行挖掘，找出问题发生的地点和原因，或者合成生成暴露该缺陷的场景。

3. 需求与测试转化
   ：发现转化为需求，需求转化为测试用例。

4. 验证与部署
   ：测试用例转化为经过验证的软件，并部署到车队中。

5. 数据反馈与模型进化
   ：车队产生新的数据，这使得模型更加聪明，进而使 Agent 更加强大，从而加速循环的下一次转动。

过去，飞轮的每一次转动都需要数月时间和一整间屋子的专家。Agent 缩短的每一个阶段，不仅节省了时间，更增加了转动的次数；而每一次转动，都将速度与智能双重复合累加（产生复利效应）。

当整个行业将智能视为一切时，却恰恰忽视了这种复利效应。

04 这对未来十年意味着什么

如果行业继续仅仅押注于智能本身，那么物理 AI 的下一个十年看起来将是漫长而缓慢的：

模型将是极其强大的，但部署曲线却依然保持平缓，因为每一次改进都会卡在工程组织之后，而这些组织吸纳变化的速度还停留在昨天的水准。

将前沿智能与 Agent 工程系统相结合，曲线便会弯曲向上，物理 AI 才会开始展现其全部潜力，而学习闭环正是所有这一切的核心所在。

软件吞噬了世界，因为它大幅降低了为数字经济构建应用的成本。物理 AI 将对物理世界施加同样的变革，但前提是构建智能机器必须像构建软件一样快速且可迭代，同时又不牺牲安全攸关系统所要求的严谨性。这不仅需要顶尖的模型，还需要对我们的工程方式进行彻底重构——而这后半部分，几乎还没有人在着手构建。

本文素材源自 The Next AI Moat Isn’t a Better Model (https://www.a16z.news/p/the-next-ai-moat-isnt-a-better-model)