6月1日，智行者宣布公司全無人物理AI商業(yè)化運(yùn)營里程累計(jì)突破1.6億公里，迎來新的里程碑。與此同時，更為重磅的是，基于這一混合復(fù)雜物理場景的大規(guī)模數(shù)據(jù)沉淀，智行者同步官宣物理AI世界模型——TransWorld。

該模型以多模態(tài)異構(gòu)數(shù)據(jù)為底座、以細(xì)粒度物理交互信息為內(nèi)核、以跨場景跨形態(tài)泛化為目標(biāo)，通過三重異構(gòu)數(shù)據(jù)采集、四級數(shù)據(jù)精煉蒸餾與五層金字塔模型架構(gòu)，構(gòu)建起閉環(huán)自進(jìn)化的“物理AI飛輪”，標(biāo)志著智行者的物理AI邁入數(shù)據(jù)驅(qū)動、模型進(jìn)化、全域落地的全新階段。

三重多模態(tài)異構(gòu)數(shù)據(jù)集，夯實(shí)物理AI底座

“算法與算力搭建了物理AI的骨架，但真正決定其智力上限的，是數(shù)據(jù)的‘真實(shí)物理濃度’”，智行者董事長兼CEO張德兆表示，“算力可以通過資金的加持快速拉升，算法也可以依靠人才引進(jìn)加速迭代，唯獨(dú)高質(zhì)量的物理世界數(shù)據(jù)無法速成——它必須深耕真實(shí)場景、在長期落地中逐步積累。這決定了數(shù)據(jù)是三大要素中時間壁壘最高、稀缺價值最突出的核心資產(chǎn)?！?/p>

正是基于這一戰(zhàn)略認(rèn)知，智行者選擇區(qū)別于單一終端、單一場景的數(shù)據(jù)路線——成立11年來，通過布局極限作業(yè)、智慧清潔、智能出行等多元場景，智行者累計(jì)沉淀的1.6億公里商業(yè)化運(yùn)營里程數(shù)據(jù)，均具備多維度異構(gòu)、多形態(tài)異構(gòu)、多場景異構(gòu)三大顯著特征，作為核心資產(chǎn)，從三大維度實(shí)現(xiàn)對物理世界的深度穿透。

首先是維度異構(gòu)。為賦予物理AI全面的感知能力，智行者搭載多元傳感器陣列，實(shí)現(xiàn)全維度數(shù)據(jù)的深度融合：激光雷達(dá)實(shí)時感知三維空間，精準(zhǔn)測算周圍環(huán)境的立體結(jié)構(gòu)、物體尺寸與距離；多視角攝像頭負(fù)責(zé)捕捉多視角語義視覺，用于精準(zhǔn)的物體與場景識別；超聲傳感器專注于近場感知，能夠敏銳探測極近距離的障礙物與透明物體；IMU實(shí)時記錄機(jī)器的加速度、角速度與姿態(tài)變化，讓機(jī)器能夠精準(zhǔn)鎖定自身運(yùn)動狀態(tài)；刷盤電機(jī)等執(zhí)行器則用于捕捉地面摩擦力系數(shù)、接觸力矩和材質(zhì)阻力等物理參數(shù)，提供細(xì)粒度的接觸反饋等力學(xué)交互信息；交互系統(tǒng)則能實(shí)時預(yù)判人車意圖，積累豐富的動態(tài)博弈時序數(shù)據(jù)。

這種多傳感器深度融合的全息數(shù)據(jù)，不僅記錄了機(jī)器看見了什么，更完整記錄了物理世界如何回應(yīng)機(jī)器的每一個動作。例如，當(dāng)蝸小白AI清潔機(jī)器人在人車混流的地下車庫清潔時，其環(huán)境感知系統(tǒng)能迅速識別出各方向準(zhǔn)備轉(zhuǎn)彎的車輛。與此同時，其交互系統(tǒng)會預(yù)判車輛軌跡，推演出一條既能安全避讓車輛，又能精準(zhǔn)切入臟污區(qū)開展清潔作業(yè)的最佳路線。當(dāng)蝸小白駛?cè)霛窕孛鏁r，底盤能敏銳感知到地面摩擦力的突變，系統(tǒng)隨即動態(tài)微調(diào)，讓機(jī)身保持平穩(wěn)不打滑的同時，精準(zhǔn)控制清潔刷盤的下壓力，確保地面有效清潔。

視覺系統(tǒng)捕捉的三維畫面、底盤感知的反作用力與人機(jī)動態(tài)博弈細(xì)節(jié)深度交融，沉淀為高價值的物理交互信號，這是傳統(tǒng)僅靠“看路”的高速智駕無法獲得的真實(shí)物理反饋，更有效填補(bǔ)了仿真環(huán)境難以覆蓋的長尾交互盲區(qū)，為物理AI的深度訓(xùn)練提供了最稀缺、最真實(shí)的超級燃料。

第二是形態(tài)異構(gòu)。智行者的數(shù)據(jù)并非局限于單一的終端形態(tài)，而是由統(tǒng)一的物理AI大腦統(tǒng)籌調(diào)度，驅(qū)動多形態(tài)智能體協(xié)同采集。數(shù)據(jù)來源覆蓋蝸小白AI清潔機(jī)器人、蝸大白重型無人駕駛清掃車、提供應(yīng)急巡檢救援的極限作業(yè)智能體，以及服務(wù)于景區(qū)與公共出行的AI漫游車與Robobus。這種多元的移動智能體形態(tài)組合，使其數(shù)據(jù)天然具備了跨形態(tài)驗(yàn)證與泛化的條件——在清潔場景中學(xué)到的近場避障策略，可以遷移到巡檢機(jī)器人的狹窄通道通行；環(huán)衛(wèi)場景沉淀的雨天運(yùn)行方案，也能為接駁車輛應(yīng)對惡劣天氣提供參考。

第三是場景異構(gòu)。有別于多數(shù)物理AI公司數(shù)據(jù)局限于特定單一場景，智行者的數(shù)據(jù)資產(chǎn)全面覆蓋混合復(fù)雜物理環(huán)境下的各類典型場景，橫跨工業(yè)倉儲、交通樞紐、商綜樓宇、醫(yī)院校園、公園景區(qū)，甚至是無地圖的森林荒漠。無論重油污與金屬反光干擾的工業(yè)制造車間、超大面積且高密度人流的交通樞紐，還是布滿玻璃幕墻與狹窄通道的商業(yè)綜合空間、無GPS信號的極險野外環(huán)境，均囊括在內(nèi)。數(shù)據(jù)的全場景、深覆蓋，以及完整的物理交互規(guī)律，為算法模型提供了豐富的真實(shí)世界教材，使其面對場景變量組合時，在泛化能力與真實(shí)環(huán)境執(zhí)行性能之間保持平衡。

四級精煉蒸餾，煉就世界模型超級燃料

面對龐大的數(shù)據(jù)資產(chǎn)沉淀，如何才能真正釋放其價值？答案在于實(shí)現(xiàn)從數(shù)據(jù)堆疊向數(shù)據(jù)精煉的跨越。張德兆指出：“在數(shù)據(jù)規(guī)模之上，通用智能的比拼更聚焦于數(shù)據(jù)價值，脫離了真實(shí)物理交互與復(fù)雜場景歷練的數(shù)據(jù)只是沒有生命力的數(shù)字。物理AI的護(hù)城河，在于是否有能力從海量里程中提純出最細(xì)膩的物理規(guī)律與常識語料”。

為了將海量原始數(shù)據(jù)轉(zhuǎn)化為驅(qū)動世界模型持續(xù)迭代的超級燃料，智行者針對1.6億公里累計(jì)里程數(shù)據(jù)資產(chǎn)進(jìn)行了體系化的四級分層拆解與數(shù)據(jù)蒸餾：

首先，基礎(chǔ)級為脫敏多模態(tài)數(shù)據(jù)。它經(jīng)過脫敏合規(guī)處理后，完整保留了從視覺、雷達(dá)、底盤執(zhí)行機(jī)構(gòu)全鏈路的所有物理反饋與交互軌跡，是整個數(shù)據(jù)資產(chǎn)體系的基底。這些數(shù)據(jù)可全面支持世界模型的自監(jiān)督預(yù)訓(xùn)練和物理規(guī)律學(xué)習(xí)，讓AI大腦在復(fù)雜的物理交互中自主內(nèi)化出“物理直覺”。

在此之上，第二級提煉出結(jié)構(gòu)化場景數(shù)據(jù)。這一級通過對連續(xù)的動態(tài)運(yùn)行片段進(jìn)行了細(xì)粒度的場景語義打標(biāo)與精細(xì)聚類，如寫字樓、工廠、公園等，將海量無序的軌跡轉(zhuǎn)化為標(biāo)準(zhǔn)化的環(huán)境資產(chǎn)。這些數(shù)據(jù)應(yīng)用在數(shù)字孿生空間中，作為仿真訓(xùn)練的環(huán)境模板，可為世界模型的推演與強(qiáng)化訓(xùn)練搭建起扎實(shí)、可拓展的基礎(chǔ)場景庫。

更進(jìn)一步，第三級沉淀出交互與博弈數(shù)據(jù)。這些數(shù)據(jù)囊括了各類移動智能體在全速域與人機(jī)混流場景下的動態(tài)交互特征。例如，低速運(yùn)行的AI漫游車在公園內(nèi)禮讓老人孩子；中速作業(yè)的蝸大白重型無人駕駛清掃車對穿行的外賣騎手妥善避讓；極限作業(yè)智能體在高速狀態(tài)下與救援車輛精準(zhǔn)協(xié)同通行……這一系列覆蓋多元真實(shí)場景、充滿不確定性的微觀互動序列，具備高信息密度，構(gòu)成了訓(xùn)練物理AI非語言意圖預(yù)判以及高階博弈決策能力的最佳語料。

作為“黃金集”的第四級高質(zhì)量標(biāo)注數(shù)據(jù)，經(jīng)過人機(jī)雙重嚴(yán)格審核，實(shí)現(xiàn)了機(jī)器感知與物理執(zhí)行的全模態(tài)對齊，可以將抽象的環(huán)境轉(zhuǎn)化為帶有精細(xì)物理屬性的結(jié)構(gòu)化切片。例如，當(dāng)蝸小白AI清潔機(jī)器人駛過帶油污的地庫減速帶時，這層數(shù)據(jù)會明確且精細(xì)地標(biāo)注出“視覺識別為反光積液區(qū)域、雷達(dá)精確定位前方有6厘米高的物理凸起、底盤駛過時記錄下摩擦系數(shù)瞬間降低40%并伴隨瞬態(tài)的垂直沖擊力”。這種教科書般的高精度標(biāo)桿數(shù)據(jù)不僅構(gòu)成了AI理解物理常識的核心骨架，更在強(qiáng)化學(xué)習(xí)階段中承擔(dān)獎勵評判職能、清晰界定優(yōu)劣行為。有了這套客觀的評分依據(jù)，模型在推演試錯時就有了清晰的進(jìn)化方向，在發(fā)生失誤時也能精準(zhǔn)回溯并完成復(fù)盤。

通過不同模態(tài)的穿透、豐富終端形態(tài)的交融、混合復(fù)雜物理場景的規(guī)模優(yōu)勢以及四級數(shù)據(jù)體系的精煉，智行者已沉淀出不可復(fù)制的核心數(shù)據(jù)資產(chǎn)，為世界模型的運(yùn)轉(zhuǎn)、迭代提供堅(jiān)實(shí)的數(shù)據(jù)底座。

五層金字塔架構(gòu)，驅(qū)動物理AI進(jìn)化

基于1.6億公里高價值數(shù)據(jù)沉淀，智行者打造出TransWorld世界模型。TransWorld采用五層金字塔架構(gòu)，從底層多模態(tài)感知到頂層跨場景跨形態(tài)泛化，形成完整的閉環(huán)自進(jìn)化體系，精準(zhǔn)回應(yīng)了混合物理環(huán)境交互密集、人機(jī)行為博弈復(fù)雜的現(xiàn)實(shí)需求。

在技術(shù)維度上，五層金字塔架構(gòu)自下而上實(shí)現(xiàn)了從環(huán)境感知到通用智能的跨越式演進(jìn)：

作為整套模型的邏輯起點(diǎn)，最底層的L1多模態(tài)感知基座層通過對多模態(tài)傳感器數(shù)據(jù)的深度融合與對齊，將視覺、力學(xué)、本體感知等多模態(tài)數(shù)據(jù)特征凝練為結(jié)構(gòu)化的統(tǒng)一環(huán)境表征，建立物理時空一致性。相較于傳統(tǒng)純視覺方案，這一層數(shù)據(jù)信息維度更全、感知更立體，為構(gòu)建覆蓋低速、中速、高速的全速域數(shù)據(jù)集提供了關(guān)鍵基礎(chǔ)。而基于這些數(shù)據(jù)訓(xùn)練的物理AI大腦，能更全面、精準(zhǔn)地捕捉物理世界的豐富細(xì)節(jié)。

在此基座之上，作為TransWorld差異化亮點(diǎn)的L2物理常識內(nèi)化層，從底層的海量感知數(shù)據(jù)中提煉摩擦、慣性等運(yùn)動力學(xué)規(guī)律與物體恒常性這類對象屬性規(guī)律，構(gòu)建起模型專屬的“物理常識腦”。這一層使模型能夠深刻理解機(jī)器動作與物理世界反饋之間的因果關(guān)聯(lián)，進(jìn)而獲得推演未來狀態(tài)的能力——即使面對未曾見過的場景與物體形態(tài)，只需理解其底層物理屬性，即可預(yù)判交互結(jié)果。這種超越對訓(xùn)練數(shù)據(jù)的簡單模仿、實(shí)現(xiàn)對物理因果深層把握的能力，正是突破泛化瓶頸的關(guān)鍵所在。

憑借內(nèi)化的物理規(guī)律，L3物理世界仿真層在數(shù)字孿生空間中構(gòu)建出規(guī)?；摂M仿真環(huán)境。相較于真實(shí)數(shù)據(jù)采集，仿真數(shù)據(jù)邊際成本趨近于零，可無限生成、復(fù)制與分發(fā)海量樣本，突破真實(shí)數(shù)據(jù)的規(guī)模上限與復(fù)用局限，并且場景參數(shù)可控，精度遠(yuǎn)超人工標(biāo)注。基于這些優(yōu)勢，L3層得以在虛擬空間中搭建起覆蓋全速域、全場景的仿真訓(xùn)練工廠，源源不斷地為上層模型訓(xùn)練與驗(yàn)證供給高質(zhì)量、多樣性的樣本。

然而，仿真環(huán)境與真實(shí)物理世界之間始終存在難以消除的域偏差——無論仿真如何優(yōu)化，都無法完全復(fù)刻真實(shí)世界的所有物理細(xì)節(jié)。為此，L4強(qiáng)化學(xué)習(xí)訓(xùn)練層承擔(dān)了打通虛擬與現(xiàn)實(shí)能力映射的關(guān)鍵職能：以仿真訓(xùn)練獲得的策略作為初始先驗(yàn)，在真實(shí)數(shù)據(jù)上針對性微調(diào)，校正模型對仿真的依賴。通過仿真與真實(shí)數(shù)據(jù)的閉環(huán)迭代，推動不同形態(tài)的移動智能體從“在仿真中學(xué)會思考”逐步走向“在現(xiàn)實(shí)中穩(wěn)健行動”。

最終，為了讓“同一個大腦”能夠指揮“千姿百態(tài)的身體”，位于金字塔最頂端的L5泛化推理層，突破了將底層物理認(rèn)知遷移到不同智能體和不同場景的泛化瓶頸。核心機(jī)制在于，將前期沉淀的物理規(guī)律抽象為與具體硬件外形無關(guān)的通用表征，并引入一個“形態(tài)適配器”。適配器會根據(jù)不同終端設(shè)備的運(yùn)動特性和作業(yè)場景，自動將通用經(jīng)驗(yàn)翻譯成適合該設(shè)備的控制指令。這意味著，無論是AI清潔機(jī)器人、AI漫游車還是極限作業(yè)智能體，新設(shè)備無需從頭開始積累交互數(shù)據(jù)，只要給定少量適配樣本甚至完全零樣本，就能直接獲得較高的執(zhí)行性能，實(shí)現(xiàn)“一次學(xué)習(xí)，多形態(tài)部署”的能力閉環(huán)。

TransWorld“五層金字塔”架構(gòu)絕非一個靜態(tài)技術(shù)棧，而是一個具備自進(jìn)化能力的有機(jī)生命體。從L1汲取多模態(tài)養(yǎng)分，到L5賦能千姿百態(tài)的智能體，泛化到不同的場景變量，物理AI每一次跨形態(tài)跨場景的成功落地，都在為整個系統(tǒng)注入源源不斷的真實(shí)世界交互語料。這些語料向下反哺基座認(rèn)知，向上滋養(yǎng)推理策略，讓模型在正向循環(huán)中實(shí)現(xiàn)持續(xù)迭代進(jìn)化，形成閉環(huán)自進(jìn)化的“物理AI飛輪”。這種不受制于特定硬件形態(tài)、能夠在真實(shí)混合物理世界中持續(xù)進(jìn)化的自我驅(qū)動力，正是智行者引領(lǐng)物理AI跨越技術(shù)奇點(diǎn)、重構(gòu)生產(chǎn)力的引擎。

1.6億公里不是終點(diǎn)，而是AI時代下全新征程的起點(diǎn)。未來，智行者將以TransWorld為超級基座，依托持續(xù)進(jìn)化的物理AI大腦，加速打造全球領(lǐng)先的移動智能體平臺，進(jìn)一步推動數(shù)字智能與物理世界的深度融合、雙向賦能，讓萬物擁有自主移動的能力，構(gòu)建人機(jī)共生、更安全、更高效、更美好的世界。

智行者：物理AI探索者 全球移動智能體平臺

智行者成立于2015年，專注于無人駕駛移動智能體的研發(fā)與落地應(yīng)用。公司深度探索機(jī)器實(shí)體與物理世界的高效交互，面向極限作業(yè)、智慧清潔、智能出行等多元場景，打造具備自主移動與人機(jī)協(xié)作能力的具身智能產(chǎn)品，并實(shí)現(xiàn)規(guī)?；虡I(yè)落地。依托持續(xù)進(jìn)化的物理AI大腦，智行者正全力向全球移動智能體平臺邁進(jìn)。

秉持“讓世界因AI而動”的使命，智行者致力于讓萬物擁有自主移動的能力，創(chuàng)造一個人類與AI協(xié)作共生的未來，讓世界變得更安全、更高效、更美好。

公司核心團(tuán)隊(duì)源自清華大學(xué)，技術(shù)優(yōu)勢顯著。截至2026年3月，累計(jì)申請專利超1200件，先后獲評國家級專精特新“小巨人”企業(yè)、中國獨(dú)角獸企業(yè)，并獲得英諾、京東、順為、百度、厚安（厚樸/Arm）、新鼎資本、黃石國投等頭部產(chǎn)業(yè)方與知名資本的戰(zhàn)略投資。