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，a16z 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，提出了一个颠覆常识的观点：在物理世界中，“模型智能”只是基础，能够将智能快速转化为落地机器的“工程系统与学习迭代速度”，才是真正的乘数与护城河。

这篇文章解答了当下“前沿 demo 很惊艳，实际落地却极其缓慢”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感知、决策和行动的软件进行重构。

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。智能就是一切；只要扩大智能的规模，机器自会跟上。

Peter花了十年时间在 Applied Intuition 构建软件基础设施，服务于全球许多领先的物理 AI 项目，涵盖汽车、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。他对AI的前景和任何人一样乐观，但他认为大部分人对AI的普遍假设在逻辑上犯了错。

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：物理 AI 的下一个数量级跃升，来自于让工程系统变得像它所搭载的模型一样智能。 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，往往需要花两个季度去证明它是安全的、可以交付的。

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。模型能力的每一次飞跃，只是转移了瓶颈，而不是消除了瓶颈。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：随着模型在前沿领域趋于商品化，两家拥有相同智能水平的公司将产生截然不同的结果。 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。

物理 AI 需要属于自己的 Agent 平台时，是一个将植根于数据层、工具链和物理系统领域专长的前沿模型，与平台原生评估及治理机制结合在一起的平台。它绝不是挂载在工程工具上的聊天机器人，也不是通过微调通用 Agent 就能获得的产物。这是一种全新的架构，它对 AI 创新的要求不亚于模型本身。

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 Agent 飞轮，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）。更聪明的模型让飞轮转得更快，而更快的飞轮又让模型变得更聪明。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。

智能让工程系统成为可能；而工程系统让智能发挥价值。两者缺一不可。

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：令人惊叹的演示、长达十年的项目，以及机器在实验室里的表现与实际运行表现之间日益扩大的鸿沟。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。

二十年后，我们不会记得 2027 年哪家公司拥有最好的世界模型。我们只会记住哪家公司弄清楚了如何持续将智能转化为落地部署的系统。

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)

文章来自于微信公众号 “GD梯度下降”，作者 “GD梯度下降”