编辑｜Youli 过去几年，大模型推动 AI 能力快速进入数字世界。但当 AI 从文本、代码走向真实环境，更为复杂的问题开始浮现：机器如何理解世界？如何预测变化？如何在现实环境中持续行动？ 这也是为什么 Physical AI（物理智能）正成为全球科技产业最炙手可热的赛道之一。 近日， 某头部自动驾驶公司一段式端到端核心技术负责人张颖，宣布离职创业，聚焦通用物理 AGI。 但不同的是，他们是 国内率先明确探索「AI for Physical AI」的团队之一，致力于以 Auto Research（自动化研究）实现真正的 AI for Physical AI。 长远愿景，是对标 Generalist 等北美前沿公司，提升模型在新任务、新场景中的零样本与少样本泛化能力，推动通用物理智能走向商业应用。 核心思路是：将自动化研究系统与数据、训练、评测和部署基础设施打通，让真实世界执行中暴露的问题，持续转化为新的数据、评测与研究任务，推动模型能力迭代。团队相信， 模型决定能力上限，Auto Research 与 Infra 决定能力进化的速度。 作为国内自动驾驶领域极具代表性的实战派技术负责人，张颖在前司任职期间，曾是内部最年轻的对标 P10 级别技术负责人之一。如今，他选择将此前经过真实场景与规模化量产验证的端到端能力，进一步延展至能够自主学习、持续进化的物理智能世界。 据了解， 公司于今年 7 月成立，目前已连续完成多轮融资，融资金额高达数亿元人民币。 参与方包括深耕自动驾驶与具身智能领域的 VC、互联网大厂及产业资本。 资本迅速集结的背后，一个趋势逐渐清晰：随着 Physical AI 从概念探索走向产业落地，行业需要的不只是单点算法突破，更需要能够将模型、数据、工程系统和真实场景连接起来的综合能力。 而张颖此次创业，带来的不仅是一套已经在自动驾驶量产过程中验证过的 AI 量产经验，而是 引入了 Auto Research 让 AI 自我持续进化的全新研发范式， Physical AI 赛道迎来新玩法。 「实战」中淬炼出的「量产端到端」能力 在 AI 行业，算法能力与产业落地之间始终存在一道「鸿沟」：一个模型在实验环境中表现优秀、Demo 炫酷，并不意味着它能在真实世界中可靠运行。 自动驾驶尤其如此，车辆需要面对不同天气、复杂交通参与者、长尾场景以及大量不可预测变化。模型不仅需要「看懂」，还需要在连续变化的环境中稳定做出决策。 张颖的工程底色，正是在直面这些真实挑战过程中建立起来的。 据了解，张颖早期从感知技术切入，负责动态障碍物方向，半年多时间便带领团队实现了关键能力的跨越式提升。随后逐渐从算法骨干成长为端到端核心技术负责人。这段经历不仅让他理解了模型能力该如何提升，也让他掌握了算法进入真实物理环境后所必须跨越的各种工程挑战。 彼时，「端到端」概念席卷自动驾驶行业，被认为是通向高阶物理智能的必经之路，但多数团队仍停留在模型验证或小规模路测阶段。 原因在于，实现难点不只是算法架构的设计，更在于如何让模型在海量真实道路场景中保持稳定性、建立高效的数据闭环、在有限的算力和车端资源约束下实现工程落地。 这意味着， 当行业还在讨论端到端的理论框架时，张颖已带队走完了从技术探索、组织攻坚、工程验证到量产落地的完整周期。 这种「从 0 到 1 再到 N」的量产闭环经验，在国内端到端领域并不多见。 在内部人士眼中，他是能够独当一面、同时扛起技术方向与团队攻坚的新锐骨干。 这样的经历，也解释了张颖为何将下一站选在 Physical AI。自动驾驶本质上是物理智能在道路交通场景下的特殊落地形态，两者面对的是高度相似的底层命题：如何让机器在充满不确定性的物理空间中，可靠地理解环境、合理地预测未来，并持续做出精准的行动决策。 而张颖之前验证过的端到端架构、数据闭环和系统工程方法，恰好为当前物理智能从算法验证走向可靠部署提供了坚实的工程基建。 顶尖拼图：学术、工程与真机控制的互补阵型 过去几年，AI 竞争的核心主要是大模型能力，而进入 Physical AI 阶段，则天然需要更强的跨学科协同能力。 换句话说，其技术链路天然跨越多个领域：既需要基础模型和世界模型提供认知能力，也需要机器人控制系统完成真实行动，还需要工程团队将这些能力整合到实际场景中。 围绕这一方向， 张颖迅速集结了一个学术、工程与真机落地全面互补的紧密阵型。 首席科学家占方能， 现任香港科技大学助理教授、World Mind Lab 负责人，是世界模型与具身智能领域的顶尖专家。此前，曾长期在麻省理工学院（MIT）与哈佛大学从事研究工作，聚焦 3D 世界建模，研究涵盖 3D 视觉、生成模型、神经渲染、三维重建与具身机器人等前沿方向，在 SIGGRAPH、CVPR、ICCV、TPAMI 等国际