物理AI新瓶颈已出现

过去一年，VLA、世界模型、基座模型、强化学习、数据闭环等概念，几乎成为Physical AI公司的共同语言。

但当技术路线逐渐收敛，一个更深层的问题开始暴露：AI如何从真实世界获取数据，形成对环境的理解，再将理解转化为行动，并根据行动结果持续学习。

这背后存在三道“断裂”：

- 模型与数据之间，数据规模扩大并不会自动产生对世界的理解，模型暴露的问题需要能够反向推动数据采集和训练优化；- 视觉与行动之间，看见和理解并不等于能够稳定行动，认知还需要经过预测、决策和控制转化为真实动作；- 模拟与真实之间，仿真环境中的能力提升，也需要经过真实世界验证才能成立。

因此，Physical AI下一阶段的竞争，可能不只是模型能力竞争，而是能否建立一套让数据、模型、仿真和真实反馈持续循环的研发体系。

在这一背景下，元戎启行成立Superfluid Lab。该实验室以基座模型为核心，探索VLA、世界模型和多模态能力，并通过大模型算法、仿真算法和AI Infra等方向建设完整技术链路。

它试图解决的问题，也对应Physical AI当前的核心挑战：让模型、数据和现实世界之间减少摩擦，让研究从单点优化转向持续进化。

回看AI发展历史，OpenAI成立时探索的是数字世界智能的基础能力；如今Physical AI正在寻找面向物理世界智能的底层能力体系。

未来竞争的关键，或许不只是拥有一个更大的模型，而是谁能够建立一套持续让模型进化的基础设施。网页链接