元戎启行押注物理AI，用基座模型赌千公里MPCI

引言：智驾赛道的另类选手

2024年以来，国内自动驾驶行业掀起了一场声势浩大的「开城大战」，各家厂商纷纷比拼城市NOA覆盖数量，小模型、轻量化方案成为行业主流叙事。然而，在这场看似白热化的竞争中，元戎启行却选择了一条截然不同的道路——不做小模型、不打开城战，而是押注物理AI基座模型，目标直指一千公里MPCI（每次关键干预间隔里程数）。

这一策略看似「逆潮流而动」，实则暗含对自动驾驶终局的深层思考。

核心：物理AI基座模型的技术野心

所谓MPCI（Miles Per Critical Intervention），是衡量自动驾驶系统可靠性的关键指标，代表系统在每次需要人类关键干预之前能够自主行驶的平均里程数。一千公里MPCI意味着车辆平均每行驶一千公里才需要人类介入一次，这一指标远超当前行业主流水平，直逼L4级别自动驾驶的安全门槛。

元戎启行的核心武器是其自研的物理AI基座模型。与行业中流行的「小模型+规则」方案不同，物理AI基座模型强调对真实物理世界的深度理解和推理能力。它不仅仅是一个感知模型或决策模型，而是试图构建一个统一的、端到端的世界模型，让系统能够像理解物理定律一样理解道路场景中的因果关系。

据了解，元戎启行的物理AI基座模型融合了多模态感知、时空推理和物理仿真等多项核心能力。系统能够对复杂交通场景进行物理层面的预测，例如判断一辆侧方车辆在湿滑路面上的制动距离，或预测行人在视线被遮挡时的潜在轨迹。这种基于物理规律的推理能力，正是传统规则引擎和小模型方案难以企及的。

分析：为什么不打开城战？

元戎启行选择「另打一场仗」的逻辑并不难理解。

首先，开城战本质上是一场资源消耗战。每开一座新城市，都需要大量的高精地图采集、本地化适配和路测验证工作。对于资源有限的创业公司而言，将精力分散在数十个城市的铺设上，往往意味着在核心技术深度上的妥协。元戎启行显然认为，与其在广度上与资金雄厚的大厂竞争，不如在技术深度上建立壁垒。

其次，小模型方案虽然部署成本低、推理速度快，但其能力上限相对有限。小模型擅长处理常见场景，但面对长尾场景（corner case）时往往力不从心。而自动驾驶的真正挑战，恰恰在于那些占比不到1%却决定系统安全性的极端场景。物理AI基座模型的优势在于，它通过对物理世界的深层理解，具备更强的泛化能力和场景迁移能力，理论上可以更好地应对未知场景。

再者，从商业逻辑来看，MPCI才是决定自动驾驶商业化进程的核心指标。无论是Robotaxi运营还是高阶辅助驾驶的用户体验，最终都取决于系统的可靠性和安全性。一千公里MPCI如果能够达成，将意味着元戎启行的方案在安全性上实现质的飞跃，这比「覆盖多少座城市」更具说服力。

值得注意的是，元戎启行的这一路线选择也与全球AI发展趋势相呼应。英伟达CEO黄仁勋多次强调「物理AI」将成为AI的下一个前沿方向，特斯拉的FSD也在朝着端到端大模型的方向演进。元戎启行的物理AI基座模型策略，可以被视为中国自动驾驶行业对这一全球技术趋势的积极响应。

挑战与风险

当然，元戎启行的这条路并非没有风险。基座模型的研发投入巨大，对算力、数据和人才的需求远超小模型方案。在资本市场趋于谨慎的当下，如何持续获得足够的资源支持是一个现实问题。

此外，一千公里MPCI的目标虽然令人振奋，但验证周期较长。在竞争对手已经通过开城战建立品牌认知和市场份额的情况下，元戎启行需要在技术成熟之前找到合适的商业化落地路径，避免陷入「技术领先但市场落后」的困境。

展望：物理AI或将重新定义智驾终局

元戎启行的选择，实际上指向了自动驾驶行业一个根本性的问题：智驾竞争的终局究竟是什么？

如果终局是比拼谁先覆盖更多城市，那么开城战无疑是正确的策略。但如果终局是比拼谁的系统更安全、更可靠、更具泛化能力，那么物理AI基座模型可能才是通向终点的正确道路。

从更宏观的视角来看，物理AI正在成为连接数字智能与物理世界的关键桥梁。自动驾驶只是物理AI最具代表性的应用场景之一，其背后的技术范式一旦成熟，还可能延伸至机器人、工业自动化等更广阔的领域。

元戎启行选择用物理AI打另外一场仗，赌的不仅是一千公里MPCI的技术指标，更是对自动驾驶乃至物理AI未来发展方向的战略判断。这场豪赌的结果，或许将在未来两到三年内揭晓。而无论成败，这种敢于跳出行业内卷、追求技术本质的勇气，都值得行业关注与尊重。