过去很多人认识九识智能，是因为它造出了全世界第一台没有车头的无人货车。

五年时间里，九识无人货车从 Z5 一路做到 Z8、Z10、Z20（数字代表货车体积），目前已经有 3 万台车跑到全球 20 多个国家的道路上。

这家略显低调的 L4 自动驾驶公司，很少对外讲述 " 性感 " 的叙事。当算力、数据和商业化场景闭环逐渐形成后，九识开始从提供无人货运服务，向城市综合 AI 治理方向拓展。

九识无人货车不仅在物理世界里，连接车辆、运力、产业与城市的基础能力，还因为有了真实世界场景和 L4 运营经验沉淀的数据，过去一年不断训练出基于无人物流的 AI 能力中枢。

9 月 17 日，在九识智能的媒体沟通会上，九识智能 CTO、联合创始人庄立细复盘了九识物理 AI 战略升级中的 " 九识大脑 " ——APEX的世界基座模型。这也向市场传递一个信号，九识不只是一家造车公司，它还有一个被外界忽视的重要身份，AI 公司。

01

一个基座模型和派生的模型家族

朝向物理 AI 的战略升级，对九识而言是业务规模扩张后的自然延伸。

当 3 万台车每天跑在全球 300 多个城市里，传递回来大量真实路况数据时，九识智能内部意识到，这些数据不仅能够帮助运营团队理解当地路况、优化城市协同，也在 AI 时代具备了更长期的战略价值。

九识大脑的核心是一个名为APEX的多模态基座模型。

传统自动驾驶模型公司大多是自下而上训练模型——有多少物流车的工况，逐个收集数据、训练模型并解决问题。九识的做法是自上而下，先让 APEX 学整个世界的通用知识，再将这些能力迁移至不同的驾驶和运营任务中。

九识另一位技术负责人向《白鲸实验室》解释，APEX 的语料不只是自动驾驶数据，还包括海量互联网上人类社会的知识。模型不仅要知道 " 空间里有什么、接下来会发生什么 "，还要理解 " 红绿灯为什么出现在这里、人摆手是什么意思 " 这类人类发明的符号与规则。

APEX 学习的知识范围并不局限于 L4 末端配送。面对不同地区的监管要求和真实道路环境，九识可以通过后训练与模型蒸馏，将基座模型进一步训练成多个分工不同的 " 司机 "。

末端配送面临的道路环境往往高度非结构化，密集违停、临时手势、道路施工、杂乱障碍物，以及大量难以穷举的长尾场景。针对不同路况和速度区间，九识从 APEX 中蒸馏出不同模型，已经形成一个协同工作的模型家族。

目前，APEX 模型派生出的模型家族，有约 20 亿参数的车端 VLA，约 80 亿参数的云端 VLA，还有一个约 50 亿参数的 " 安全员 Agent"。

在 30km 以上的常规道路场景，通常依靠车端智驾端到端模型即可完成驾驶任务。进入 5-30km/h 复杂路况时，九识大脑会依托车端 VLA 进行本地实时推理的同时，调用云端 VLA 模型进行场景理解增强。

0-5km/h 的极复杂末端或脱困场景，除了车云两端的 VLA 模型协作外，九识调用了" 安全员 Agent"。庄立说，这是全球首创安全员 Agent，能够自主完成极端场景下的救援脱困，作出绕行、靠边停车、重新规划路线等高阶决策。

这套 " 中央大脑加多个子 Agent" 的多智能体架构，被九识视作下一代方向。上述技术负责人说，车端、云端、虚拟安全员不是分级汇报，是由中心向四周同时发展、分工协作，既保证绝对安全，又不会带来额外延迟。

02

万卡集群和数据飞轮

支撑这个模型家族的，是九识在全国 4 座城市部署的万卡集群。

据了解，九识现在已经有接近 1.5 万张卡，每张卡等效 A800 的性能。九识已经是业内首家做到万卡集群的玩家。其中，约有一万张卡用来模型训练，其余用来包括世界重建、数据标注和线上推理等。

这也意味着，九识正在从单点算法研发，转向一套覆盖数据处理、模型训练、仿真评测和在线推理的工业化 AI 生产体系。

过去几年，无人配送逐渐打开了商业化空间。除了在城市道路上常见的快递配送、城市配送外，无人配送还参与到生鲜冷链、医药、工业物流，煤矿巡检等。

近期，九识还推出九识租车模式，面向 C 端消费者，提供运力服务。无人货车的服务范围已经从快递服务收敛到更多落地场景，让更多普通人有机会使用无人货车。

有了万卡集群，以及不断落地场景，九识形成数据飞轮。庄立在分享会上说，过去 5 年，九识在末端配送上积累 2.7 亿公里数据，每天有 100 万左右公里数增长。

这一数据规模增速很快，而谷歌 waymo 近 3 亿公里数据，却用了十几年。九识能在过去 5 年有如此大的进展，核心技术是因为有了万卡算力和更接近现实世界数据分布，目前已经形成一个飞轮。

" 数据飞轮 " 并不是一个新概念。在 L2 高阶辅助驾驶领域，特斯拉和 Momenta 等公司建立的 " 车队规模—数据增长—模型迭代 " 闭环，正是典型案例。不过，在 L4 无人配送领域，很少有人强调数据飞轮。

一方面，无人配送车队的数据规模通常无法与乘用车相提并论。L2 辅助驾驶依靠大规模量产乘用车，累计里程动辄达到数十亿甚至百亿公里；L4 无人配送车辆的数量和运营范围则相对有限。

另一方面，数据的价值并不完全取决于数量。虽然 L4 无人配送看起来路线更固定，末端道路上的环境更加非结构化。临时占道、行人近距离交互、非机动车穿行、道路边界模糊，以及大量突发事件，使其单位里程内可能包含更高密度的复杂交互和长尾场景。

在九识看来，无人配送车积累的数据分布更多元，更接近真实世界。这些恰恰是 " 黄金数据 "。

这也是为什么九识大脑开始朝向千亿参数规模训练，来提升基座模型的智能。" 基于现在业务洞察，如果模型不进行 scaling，数据增长的边际效应会逐渐缩短，如果把模型的尺寸往上推的话，曲线立刻变成线性的。" 九识上述技术负责人说。

从 3 万台无人车、2.7 亿公里真实运营数据，到接近 1.5 万张计算卡和正在扩展的世界基座模型，九识试图建立的，并不只是一个更大的自动驾驶模型。

当自动驾驶、具身、AI 都在强调物理 AI 时，相对低调的 L4 无人物流车，拥有更接近真实世界分布的数据优势后，会不会成为更快走进 " 物理 AI" 的另一个样本。

文｜柳嘉