一家以智能辅助驾驶为核心业务的公司，为什么要成立一个不急于解决驾驶问题的实验室？

作者｜张麟

作者｜王博

7 月 29 日，一个月都没有发过文章的元戎启行微信公众号悄然发了一篇新的文章《对话 Superfluid》。今年 5 月在元戎启行内部成立的 Superfluid Lab（超流体实验室）也由此浮出水面。

Superfluid Lab 很神秘。《对话 Superfluid》一文并没有透露实验室负责人是谁，只是介绍 Superfluid Lab 以基座模型为核心。

外界纷纷猜测 Superfluid Lab 成立的目的，以及实验室负责人是谁，一些媒体也把实验室和阮翀联系了起来。

「甲子光年」从多个独立信源了解到，Superfluid Lab 的负责人正是元戎启行首席科学家、DeepSeek 前研发负责人阮翀。

阮翀本硕均毕业于北京大学，早年从事 NLP 研发，2023 年加入 DeepSeek，参与了 DeepSeek-VL、V3 和 R1 等工作，是 VL2 的通讯作者，今年 4 月北京车展，他正式以元戎启行首席科学家的身份对外亮相，分享了元戎启行在基座模型方向的技术进展与核心成果。

此前在 DeepSeek，阮翀可以说是最具 " 全栈 " 色彩的研究者之一。「甲子光年」曾对 DeepSeek 公开的 27 篇论文进行分析，相关论文覆盖 7 大技术方向，共有 79 位研发人员横跨 3 个及以上方向。我们按照 " 参与论文的数量 " 和 " 覆盖技术方向的广度 " 的维度进行统计分析，阮翀排名第一：他参与了 18 篇论文，覆盖 6 个方向，从 MoE 架构、系统效率到数学证明和多模态研究，几乎贯穿 DeepSeek 的技术版图。

Top25 高频研发作者，统计口径为研发作者池，参与论文数和方向数不代表贡献排序，「甲子光年」制图

我们通过接近阮翀的人士想询问其对 Superfluid Lab 的规划，得到的答复是：" 他想说的都在《对话 Superfluid》那篇文章里了。"

在《对话 Superfluid》中，阮翀说了一句很重的话：" 基座模型是一种信仰。"

这句话出现在一家以智能辅助驾驶为核心业务的公司的内部对谈中，显得有些反常。

汽车行业习惯讨论量产节点、交付成本和安全指标；基座模型研究面对的则是漫长周期、不确定结果，以及一个尚未被清晰定义的能力上限。元戎启行已经有 50 万辆搭载其城市领航辅助驾驶方案的汽车进入市场，却在此时专门成立一个强调长期研究、宽松环境和基础能力的实验室。

近期，我们与多位了解 Superfluid Lab 组建和运行情况的知情人士进行了交流，逐渐对这个有些神秘又特殊的实验室有了更多线索。

它并非元戎启行另一个面向具体产品的研发团队，也不只是现有智能辅助驾驶技术路线的延伸。

在阮翀的设想中，Superfluid Lab 试图探索的问题，指向一个更大的命题：智能辅助驾驶积累的数据和经验，能否成为理解物理世界的基础？

而我们的好奇是：一家以智能辅助驾驶为核心业务的公司，为什么要成立一个不急于解决驾驶问题的实验室？

Superfluid Lab 真正想回答的，可能是一个比智能辅助驾驶更大的问题：AI如何从理解道路，走向理解整个物理世界。

1. 一种新的研究组织形式

Superfluid（超流体）原本是一个物理学概念，指某些物质在极低温下进入的一种特殊量子状态。超流体最直观的特点是：黏滞性几乎为零，流动时几乎没有摩擦和能量损耗。

阮翀用 Superfluid 为实验室命名，既指向一种低内耗的研究组织，也隐喻模型、数据、视觉、行动与真实世界之间更顺畅的连接。

「甲子光年」发现，Superfluid Lab 很像去年在美国硅谷兴起的一种新型科研组织形态：NEO Lab。

如果说传统创业公司的核心问题是 " 如何把技术变成产品 "，那么 NEO Lab 关注的问题则更靠前：下一代技术本身还能如何突破。

据 The Information 报道，2025 年 11 月，五家 NEO Lab 初创公司就完成或洽谈了高达 25 亿美元的融资。这些公司中，成立时间最长的不过 3 年，最短的仅有几个月。

NEO Lab 可以被理解为一种介于科研机构和创业公司之间的新组织形态。它们通常不急于推出一个明确的商业化产品，而是围绕某一项长期技术方向展开探索，希望通过持续投入，构建下一代技术能力。

与此同时，NEO Lab 还有一个鲜明特点：由顶尖研究者驱动。

这些实验室的负责人往往来自 OpenAI、DeepMind、Anthropic 等顶级 AI 机构，拥有定义新技术范式的能力。资本愿意押注它们，也正是因为这些团队提供了一种新的可能：未来最重要的技术突破，或许不会首先诞生于成熟企业内部，而会来自一群顶尖研究者围绕长期问题重新组织起来的小型实验室。

Superfluid Lab 呈现出一种类似 NEO Lab 的组织特征：由顶尖研究者驱动，以长期技术突破为目标，并依托产业场景寻找验证路径。

就目前公开资料来看，Superfluid Lab 是中国少数明确以物理世界基础模型为目标、并呈现出 NEO Lab 特征的研究组织之一。

Superfluid Lab，图片来源：元戎启行

Superfluid Lab 团队告诉「甲子光年」：" 基座模型研究，本来就是一件周期很长的事情。它不像一个功能开发，有明确的版本节奏，也不会用‘几个月必须交付一个成果’来衡量。"

让阮翀这样的行业领军人物去领导一个短期内不求回报的部门，看起来有点 " 奢侈 " 和 " 浪费 "，但这恰恰构成了 Superfluid Lab 的独特价值。

这从 Superfluid Lab 的招聘风格上就能看出，在谈到如何吸引人才时，阮翀说：" 真的搞研究的人，不讲究那么多其他的东西。更在乎的还是宽松的工作环境，和充足的算力。"

2. 破局技术发展停滞

过去几年，智能辅助驾驶行业的发展速度比很多人想象的要快得多，也顺利得多。

2021 年 7 月，特斯拉率先实现 BEV+Transformer 技术；2022 年 8 月成功推出占用网络；2023 年 12 月实现一体化端到端技术突破。

2024 年，理想推出了 " 端到端 +VLM" 双系统架构；2025 年底，小鹏汽车在其科技日上发布了第二代 VLA 大模型。智能驾驶大模型正在以年为单位进行革新。

但到了 2026 年，这种波动式的技术跃进似乎停滞了。

智驾行业用 5 年实现完成了 L1 到 L4（无人出租车）的驾驶能力升级，但一个更残酷的现实是，L5 的自动驾驶能力（终极自动驾驶形态，不受时间、地点、天气、路况和意外事件限制），可能永远都达不到。

2025 年 12 月，地平线副总裁兼首席架构师苏箐表示，类似特斯拉 FSD V12 这样的技术突破对行业的重构，至少未来三年内很难再现。

比智驾行业更痛苦的是具身智能行业，由于模型能力限制，机器人规模化落地仍难破局。

无论是智驾行业还是具身智能行业，遇到的困难本质上是模型自身能力的困难，而且以现有的技术范式，很可能无法做到跨越困难。

基座模型研究的重要性在此刻开始显现。

公开资料显示，Superfluid Lab 以基座模型为核心，训练面向物理世界的通用基础模型，通过海量物理数据预训练，理解物理规律、环境变化与世界的运行方式，再以零样本或少样本的方式适配不同任务。

「甲子光年」了解到，Superfluid Lab 任务方向很聚焦，先从 VLA 模型入手，以基座模型研发为核心，围绕 VLA 模型展开重点探索，同步推进世界模型、多模态理解等关键方向研究。

面对目前 VLA 和世界模型之争，Superfluid Lab 做的不是站队某一条路线，团队对「甲子光年」的解释是："VLA 模型是目前最直接连接‘理解’和‘行动’的一条路径，所以我们选择先从这里开始。"

无论是哪种大模型技术路径，模型与数据之间的流畅性，视觉与行动之间的衔接，模拟与真实之间的迁移都存在很多问题，比如饱受诟病的 " 泛化性不足 " 就是多种问题叠加的直观体现。

Superfluid Lab 首先要做的，是在研发基座模型的过程中定义这些问题，然后解决这些问题，在这一过程中实现模型基础能力的提升。

另外，从商业角度来看，智驾供应商的产品研发更多的是围绕一个车型、一个项目、一项功能展开，但这种 " 项目制 " 研发流程几乎不可能实现基础能力的突破。

供应商的逻辑是 " 市场要什么，我就做什么 "，产品性能由客户的需求决定。但一家物理 AI 公司的逻辑是 " 我把基础能力做出来，什么场景都能用 "，产品性能由模型本身的智能水平决定。这是两种完全不同的商业逻辑。

因此，元戎启行选择将底层技术研发独立成实验室，使其与项目架构进行隔离。Superfluid Lab 也实现了独立管理、独立招聘。

但这不意味着 Superfluid Lab 要脱离产业。元戎启行给 Superfluid Lab 提供了开放的研究环境、海量同构数据、充足的算力。元戎启行的量产辅助驾驶业务已经积累了超过 50 万辆量产车的真实道路数据，数据闭环的迭代周期已经从过去的 5 天缩短到了约 12 小时。

这说明 Superfluid Lab 的很多基础研究可以不断回到真实世界验证，再回到模型继续迭代。

3. 从理解道路到理解世界

2026 年，物理 AI 成为资本市场、智能驾驶和具身智能领域最热门的赛道。

4 月 1 日，小鹏汽车正式更名为小鹏集团，宣布向聚焦 " 海陆空多场景物理 AI" 的全球化科技生态集团转型；7 月 8 日，Momenta 登陆港交所时也把自己定义为一家 " 物理 AI 公司 "。

肉眼可见的是，物理 AI 正在成为一条越来越拥挤的赛道。

但在阮翀看来，真正值得长期投入的问题，并不一定处在行业最热闹的位置。

" 如果一件事其他人也可以做，我会不去做。" 在《对话 Superfluid》中，阮翀这样回答 Superfluid Lab 面对竞争时的选择。

对于 Superfluid Lab 而言，它试图回答的问题，可能比智能驾驶更大：AI 如何从理解道路，走向理解整个物理世界？

一位元戎启行内部人士告诉「甲子光年」："Superfluid Lab 服务的不是某一个产品，而是未来所有进入物理世界的智能载体。"

在这个设想中，汽车、机器人、无人机并不是彼此割裂的产品，而是进入物理世界的不同 " 身体 "。真正决定这些智能载体能力上限的，是模型对于环境、规律和行动之间关系的理解能力。

理解世界、预测变化、规划行动，这些能力应该成为可以跨本体复用的基础能力。

这个方向也与元戎启行正在进行的公司定位升级相呼应，目前公司已规划三大核心业务：量产车辅助驾驶、Robotaxi、Physical AI，并宣布要打造物理世界的通用人工智能。而这三条业务线本质上也共享同一个底层能力——让 AI 理解物理世界并作用于物理世界。

元戎启行物理 AI 发展历程，图片来源：元戎启行

2025 年，中国辅助驾驶解决方案市场规模超过 1200 亿元，看起来市场空间非常广阔，但增长空间终究有限。而物理 AI 的应用范围则大得多：汽车、机器人、工业自动化，几乎都可以通过物理 AI 来实现新一轮的产业革命。

但目前市场上大部分物理 AI 公司做的，是模型适配的工作，将一套在车端应用的小模型通过技术调整应用在机器人上，这么做能够快速完成产品亮相和技术验证，但由于模型本身的能力问题，适配后的产品形态几乎无法完成大规模商业化应用。

但是，Superfluid Lab 不是在为智能驾驶业务或机器人业务做技术储备，没有简单" 把开车的模型用来走路 "，他们在重新定义一家 AI 公司的底层能力边界。

短期来看，元戎启行的收入仍来自车型定点，估值锚定量产规模和市场份额。如果基座模型在智驾场景中被验证，元戎启行将会从一个项目制公司升级为平台型公司，同一套模型可以蒸馏出不同算力版本的方案，覆盖从经济型辅助驾驶到 Robotaxi 的全产品线，边际成本也会急剧下降。

长期来看，一旦基座模型具备跨场景迁移能力，元戎启行的商业边界将不再受限于汽车行业，而是可以向任何需要物理智能的场景输出模型能力——机器人、无人机、工业自动化、物流仓储，乃至更多今天无法想象的领域。

这或许才是 Superfluid Lab 对于元戎启行最大的意义：它不是简单寻找一条新的业务增长曲线，而是在尝试构建一条更深层的技术曲线。

阮翀的逻辑是，如果你相信物理智能需要一种更底层的解法，基座模型就是绕不开的路。

" 快的东西，往往也很快被替代。慢的东西，一旦建成，会成为很多快的东西的底座。" 阮翀说。

（封面图来源：电影《奥本海默》）

END.