当人工智能从数字文本与代码的虚拟世界迈向真实物理环境，一系列前所未有的挑战接踵而至：机器如何精准理解复杂多变的现实世界？怎样预测环境中的动态变化？又该如何在真实场景中实现持续有效的行动？这些问题的浮现，让 Physical AI（物理智能）迅速成为全球科技产业竞相追逐的热门赛道。
近日，自动驾驶领域传来一则引人瞩目的消息：某头部自动驾驶公司一段式端到端核心技术负责人张颖宣布离职创业，将目光聚焦于通用物理 AGI 领域。这支团队在国内率先明确探索“AI for Physical AI”，致力于借助 Auto Research（自动化研究）推动真正的 AI 在物理智能领域落地。其长远目标是对标北美前沿公司 Generalist 等，提升模型在新任务、新场景中的零样本与少样本泛化能力，加速通用物理智能的商业应用进程。
该团队的核心思路在于打通自动化研究系统与数据、训练、评测和部署基础设施之间的联系。通过这种方式，真实世界执行过程中暴露的问题能够持续转化为新的数据、评测与研究任务，进而推动模型能力不断迭代。团队坚信，模型决定了能力的上限，而 Auto Research 与基础设施（Infra）则决定了能力进化的速度。
张颖在自动驾驶领域堪称实战派技术骨干的代表。在前司任职期间，他年纪轻轻便成为内部对标 P10 级别的技术负责人之一。此前，他将在自动驾驶量产过程中历经真实场景与规模化量产验证的端到端能力，进一步拓展至能够自主学习、持续进化的物理智能世界。
今年 7 月，张颖创立的公司正式成立，并迅速在资本市场上崭露头角，连续完成多轮融资，融资金额高达数亿元人民币。参与投资的机构涵盖深耕自动驾驶与具身智能领域的风险投资机构（VC）、互联网大厂以及产业资本。资本的迅速聚集，反映出一个明显的趋势：随着 Physical AI 从概念探索逐步走向产业落地，行业对单一算法突破的需求逐渐减弱，更看重能够将模型、数据、工程系统和真实场景紧密连接的综合能力。
张颖此次创业，带来的不仅是自动驾驶量产过程中积累的宝贵 AI 量产经验，更重要的是引入了 Auto Research 这一让 AI 自我持续进化的全新研发范式，为 Physical AI 赛道带来了新的发展思路。
在 AI 行业，算法能力与产业落地之间往往存在一道难以跨越的“鸿沟”。一个在实验环境中表现优异、演示效果炫酷的模型，未必能在真实世界中稳定可靠地运行。自动驾驶领域对此感受尤为深刻，车辆需要应对各种复杂天气、不同类型的交通参与者、长尾场景以及大量不可预测的变化。模型不仅要“看懂”周围环境，还要在连续变化的环境中做出稳定决策。
张颖的工程能力正是在应对这些真实挑战的过程中逐步建立起来的。早期，他从感知技术切入，负责动态障碍物方向，仅用半年多时间就带领团队实现了关键能力的显著提升。随后，他逐渐成长为端到端核心技术负责人。这段经历让他不仅深刻理解了如何提升模型能力，还掌握了算法进入真实物理环境后必须克服的各种工程难题。
当时，“端到端”概念在自动驾驶行业掀起热潮，被视为通向高阶物理智能的必经之路。然而，多数团队仍停留在模型验证或小规模路测阶段。原因在于，实现端到端不仅需要设计合理的算法架构，更关键的是要让模型在海量真实道路场景中保持稳定性，建立高效的数据闭环，并在有限的算力和车端资源约束下实现工程落地。当行业还在热烈讨论端到端的理论框架时，张颖已经带领团队完成了从技术探索、组织攻坚、工程验证到量产落地的完整过程。这种“从 0 到 1 再到 N”的量产闭环经验，在国内端到端领域十分罕见。
在内部人士眼中，张颖是一位能够独当一面，同时引领技术方向与团队攻坚的新锐骨干。他选择 Physical AI 作为下一站，并非偶然。自动驾驶本质上是物理智能在道路交通场景下的具体应用，两者面临着高度相似的底层问题：如何让机器在充满不确定性的物理空间中，可靠地理解环境、合理预测未来，并持续做出精准的行动决策。张颖此前验证过的端到端架构、数据闭环和系统工程方法，为物理智能从算法验证走向可靠部署提供了坚实的工程基础。
进入 Physical AI 阶段，AI 竞争的核心从单纯的大模型能力转向了更强的跨学科协同能力。其技术链路涉及多个领域，既需要基础模型和世界模型提供认知能力，也需要机器人控制系统完成真实行动，还需要工程团队将这些能力整合到实际场景中。
围绕这一发展方向，张颖迅速组建了一个学术、工程与真机落地全面互补的强大团队。首席科学家占方能现任香港科技大学助理教授、World Mind Lab 负责人，是世界模型与具身智能领域的顶尖专家。他曾在麻省理工学院（MIT）与哈佛大学长期从事研究工作，聚焦 3D 世界建模，研究领域涵盖 3D 视觉、生成模型、神经渲染、三维重建与具身机器人等前沿方向，在国际顶级学术会议与期刊如 SIGGRAPH、CVPR、ICCV、TPAMI 等发表了 50 余篇高引用论文。在 Physical AI 的底层架构中，机器人需要具备对三维物理空间的预判和模拟能力，即构建对物理规律深刻理解的世界模型。占方能的加入，为团队在底层空间表征与世界模型前沿探索方面奠定了坚实的学术基础。
在真机控制与机器人操作端，团队迎来了兼具国际学术视野与深厚产业落地经验的青年科学家季马泽宇。这位 00 后学者毕业于加州大学圣地亚哥分校（UCSD），师从知名具身智能学者王小龙教授。季马泽宇在机器人学习、三维感知、机器人操作和人形机器人全身控制等方向拥有深厚的技术积累，其相关研究工作是业内最早推动通用人形控制器完成真机落地验证的代表性成果之一。他还有丰富的产业实战经验，曾是 Assured Robot Intelligence（ARI）的创始团队成员，该公司后续被 meta 正式收购，团队并入 meta Superintelligence Labs。如今，季马泽宇选择回国与张颖共同创业，致力于打造具备自主学习与持续进化能力的新一代具身智能基础模型。
三位核心成员各自发挥技术优势，共同构建起一条覆盖全链路的能力体系。张颖负责端到端量产闭环与百人级复杂系统工程统筹，解决如何将智能系统真正打造出来并推向真实应用的问题；占方能提供底层 3D 视觉重建与世界模型前沿学术支持，解决机器如何理解现实世界的问题；季马泽宇打通人形机器人全身动力学控制、灵巧操作与真机落地验证，解决机器如何在真实环境中执行任务的问题。学术前沿、工程系统、实体控制三者紧密结合，形成了一条从“基础世界模型构建 — 复杂模型系统工程化 — 物理真机控制落地”的全链路“黄金三角”。
团队成立仅一个月就连续完成多轮融资，融资金额高达数亿元人民币，这充分体现了顶级资本对团队的认可。过去，市场往往更关注创始团队的学术背景和实验室成果。但正如 IDC 近期在相关产业洞察中所强调的，当前 Physical AI 正在从技术能力竞争向产业化能力竞争转变。随着行业从概念验证逐步走向产品化和真实场景验证，投资界和产业界越来越清晰地认识到：Physical AI 的长期竞争，并非单点算法的简单比拼，而是一场对系统集成度、工程容错率与数据飞轮运转效率的“综合考验”。
小米战略投资部表示，张颖及团队拥有自动驾驶端到端量产落地的深厚积累，将其迁移到 Physical AI 领域，让前沿模型真正跑通场景闭环，是具身智能走向产业化的关键环节，期待后续与团队深度协同。百度风投（BV）投资团队崔轲迪、金效滢也表示，张颖及团队长期深耕具身智能与智驾端到端智能模型方向，具备将模型和算法创新转化为真实具身自主闭环体系的能力，期待团队以具身智能为起点，进一步拓展至更广阔的 Physical AI 领域，推动物理智能从单点应用迈向基础模型与体系化能力建设。
在 Physical AI 从“概念验证”迈向“规模部署”的关键节点，张颖这种“实战派”的稀缺性无疑吸引了资本的目光。从自动驾驶到 Physical AI，张颖此前的工作是解决如何让端到端 AI 进入量产，而接下来他要面对的挑战是如何用 Auto Research 的方法实现真正的 AI for Physical AI。目前，张颖团队内部的技术攻坚与系统迭代正在稳步推进，自动化研究工具已进入试点开放阶段，模型能力在部分指标上已达到行业领先水平。不久后，团队将在合适时机正式对外公布具体的模型成果与产品进展。
