从自动驾驶到物理 AI，吴甘沙创业十年的生存法则。
出品 | CSDN（ID：CSDNnews）
2016 年，万人出发；2026 年，仅极少数人仍在奔跑。十年前涌入自动驾驶赛道的创业者大多已退场，留存者并非跑得最快，而是最懂节奏。驭势科技董事长兼 CEO 吴甘沙便是其中之一。
7 月 17 日，在北京举行的 2026 奇点智能产品大会上，吴甘沙以东方思维框架拆解了物理 AI 公司在巨头环伺下的十年生存之道。他将《孙子兵法》的“不败”与“不战”，同诸葛亮《隆中对》的“益州”“荆州”格局，嵌入了一套完整的创业竞争策略。
这不仅是一次技术布道，更是一位长跑者的坦诚复盘。吴甘沙指出，自动驾驶能力进化曲线中，达到 99 分相对容易，但最后 1% 需要投入 99% 的时间与努力，这既是创业公司的生死线，也是巨头难以速胜的护城河。他将竞争拆解为“竞”与“争”：前 15 至 20 年是各跑各道的马拉松，最后 5 年才是你死我活的角斗赛。马拉松期间不能只为苟活，必须边跑边练就角斗本领。
借用《隆中对》逻辑，吴甘沙阐述了驭势的空间选择：乘用车是巨头厮杀的“荆州”，商用车则是天险加粮仓的“益州”。短期以益州为主、兼顾荆州，先安身立命再图谋天下。驭势找到的“益州”是全球机场——目前中国前 20 大机场中的 15 家、世界前 10 大机场中的 3 家均采用其无人化方案，市场份额超 91%。
他同时提出一个深刻判断：自动驾驶的终点不是“车不撞人”，而是 AI 在物理世界中学会与不确定性共存。
吴甘沙，驭势科技董事长兼 CEO
以下为演讲实录：
物理世界的 AI 产品经理面临全新游戏规则
大家好，我是驭势科技吴甘沙。感谢 CSDN 和奇点智能研究院的邀请，让我在创业十年后重回技术社区。
坦率而言，这十年并非轰轰烈烈的英雄之旅，而是一场孤独的长跑。2016 年出发时赛道拥挤，如今仅剩极少数幸存者。当时我们称之为“自动驾驶”，现在有了新名字——“物理 AI"。今天我想分享这段孤独旅程的心得。
从 AI 产品经理视角看，AI 本质是新劳动力。关键在于它应在何种劳动系统工作，以及系统的经济机制是什么。我认为三点至关重要：一是大模型，需投入巨大固定成本以构建差异化能力；二是场景化，将通用大模型转化为具体产品，使边际成本趋近于零；三是入口，产品需通过 Chatbot 或 Agent 等入口被调用。
然而，物理 AI 产品的规则截然不同。虽然大模型仍需巨额训练成本，但物理世界与数字世界存在本质差异：数字世界 99 分约等于 100 分，物理世界 99 分却等于 0 分。例如自动驾驶，99 分意味着每 100 天发生一次事故，这是不可接受的。在此场景下，数据获取极难，有价值的数据可能百天才出现一次；反馈同样稀缺，系统长期无事故导致缺乏强化学习所需的反馈信号。
场景化难度亦显著增加。数字软件可柔性即时调整，但物理 AI 定制化极难，算法难以完全通用。入口更是难题：数字 AI 可轻易购买 API 调用，物理 AI 则需将系统装入每台车或机器人，成本高昂。这就是物理 AI 产品经理面临的实质性挑战。
回望十年，我们在每个时间点都基于假设做决策，但如今看来诸多预测已被现实推翻。若重来一次，能否走出不同路径？过往哪些选择正确，哪些又是错误？值得重新审视。
“先为不可胜，以待敌之可胜”：竞争的时间与空间维度
首要问题是持久战还是速决战。若是速决战，巨头凭借无限资源可瞬间终结战争；若是持久战，创业公司仍有机会。我们的判断是：这是一场持久战。
自动驾驶能力进化曲线显示，达到 99 分相对容易，众多公司均可实现。但最后 1% 极其艰难，需耗费 99% 的时间和努力，许多公司无法跨越。反之，当巨头达到 99 分时，同样难以轻易突破，这为创业公司赢得了时间和空间。
确定进入赛道后，第二个问题是如何竞争。起步晚、资金少、人才不比巨头多，如何突围？我们将“竞争”拆分为“竞”与“争”。
“竞”是田径赛、马拉松。我们与巨头同时出发，在不同跑道奔跑。跑到 10 公里时，部分公司因自身耐力不足退出，而非受巨头挤压。自动驾驶或物理 AI 的前 15 至 20 年本质是马拉松过程。
但抵达马拉松终点后，必须换装参加“争”。“争”是角斗赛、拳击赛，舞台有限，你死我活，目标是成为最后的幸存者。整个创业过程可理解为：15 至 20 年马拉松加 5 年角斗赛。马拉松期间不能只为苟活，必须边跑边练就角斗本领。
古人云：“先为不可胜，以待敌之可胜。”企业应致力于立于不败之地，等待对手支撑不住或露出破绽。这是一种重要的思维模式：不紧盯竞争对手，而聚焦自身发展目标。从《孙子兵法》学到的第一点即是“不败”。
除时间维度外，空间维度同样需要战略智慧。我们从诸葛亮《隆中对》中汲取灵感。
《隆中对》的核心在于弱方如何在竞争中生存：蜀国需构建“荆州加益州”格局。益州是天险与粮仓，可保不败；荆州则是经略中原、图谋天下的必争之地。
《隆中对》的本质是想清楚如何拥有益州并参与荆州。我们将自动驾驶分为乘用车（七座以下）和商用车（七座以上巴士、公交、物流车等）。映射到地图上，乘用车是巨头厮杀的“荆州”，商用车则是“益州”。好的策略是短期以益州（商用车）为主，兼顾荆州（乘用车）。乘用车带来数据优势，商用车产生现金流。若平台能短期聚焦商用车同时兼顾乘用车，便在空间维度完成了《隆中对》布局。
由此引出《孙子兵法》第二大精髓——“不战”。不战即选择巨头射程之外的“益州”，先求安身立命。
黄金铲子挖富矿：如何找到并制胜你的“益州”
第三个关键问题是：哪里是你的益州？如何制胜？
创业公司常在巨头射程外的边缘起步。多数公司初期手持“黄金铲子”，因昂贵而四处尝试，实则缺乏明确方向。此过程虽积累经验，但往往止步于联盟合作或 PoC 验证，缺乏变现途径。
关键在于尽快找到“富矿”——黄金铲子只配挖富矿。这本质是寻找 PMF（产品市场契合点）的过程。市场（Market）需满足人手短缺且昂贵、法规允许、社会支持三要素。例如新加坡，Robotaxi 面临取代本地司机引发的政治阻力，而巴士司机多为外劳，无人驾驶在政策与社会支持上更易落地。
产品（Product）层面需关注两点：一是技术是否接近 100 分，若未达满分需有兜底体系；二是成本核算是否可行，事故后果是否可控。
一旦 PMF 确立，便找到了自己的“益州”。我们找到的益州是机场。目前，我们是全球唯一实现机场大规模无人化运行的公司。
中国前 20 大机场中的 15 家、世界前 10 大机场中的 3 家已实现无人化。据弗若斯特沙利文报告，我们的市场份额超过 91%。
“先胜后战”：六年打造机场最高安全标准的真无人
机场场景多样。我们选择从拖头车做起——这种车拖六个拖斗，驾驶难度大、人力稀缺、环境恶劣。我们先从此类产品入手，达到机场认可的安全标准与服务水准。
过程极为复杂，首要解决全天候运营问题。早期无人车仅限晴天使用，一旦恶劣天气需人工接管，对客户而言意义不大。因此，实现全天候不停歇运营至关重要。
《孙子兵法》强调“先胜后战”——确信必胜后再开战。为何必胜？因为在该细分领域，我们投入的人力与资源是竞争对手的十倍以上。2019 年 12 月我们首次获无人化运营牌照，但大规模运营直至 2023 年才实现。其间经历三四年，上百个版本迭代、数千个 Bug 修复、数百项新功能开发，积累即壁垒。如今竞争对手仍停留在我们 2019 年的水平。“先胜后战”源于十倍以上的资源投入。
但找到富矿并非终点，客户满意度更为关键。烧水至 99 度仍未沸腾，客户体验不足。例如，无人车到达上货点后仍需人工接驳拖斗，仅解决了 A 点到 B 点驾驶问题，未真正替代人力。
因此我们必须实现全自动：脱钩、挂钩全部无人化，形成小闭环。进而追问其他环节是否还需人工？充电环节我们实现自动插枪；上下货环节引入机械臂搬运，大件货物亦可自动化对接。唯有全流程无人，才算将水烧至 100 度。
从益州到荆州：全场景通用自动驾驶操作系统
在益州占据九成以上市场份额后，下一步是开拓全球市场。此时需思考：荆州在哪里？如何谋略中原？
解决“黄金铲子挖富矿”后，需转向“普通铲子”——性价比高、适用广泛。回归前述逻辑：巨大固定成本加极小边际成本，方能规模化获取高毛利。
无人驾驶场景繁多：乘用车、商用车（含开放场景如物流、环卫，及封闭场景如机场、港口、矿山）。若针对单一场景定制系统，机会成本极高——做一个场景即放弃其他。当前多数公司采用专用操作系统。
但我们认为，“荆州”不应如此局限。我们致力于打造 U-Drive 全场景通用自动驾驶操作系统，打通场景差异。小型巴士、重卡、集装箱转运车、末端配送、环卫巡逻车等，均基于同一 U-Drive 系统。该系统已在国家级人工智能竞赛中荣获第一，是高安全、多场景的 L4 级自动驾驶系统。
本质上，这是平台化战略。如同自动烤架，单烤一串数年难饱，多串同烤方能找出不变性。商业合理性在于：巨大固定成本由多场景分摊。
过去十年，我们在三个维度持续努力：一是抬高安全下限，确保任何故障均有兜底机制；二是延伸场景广度，要求算法泛化、软硬件平台化、工具链柔性化；三是抬高技术上限，处理更复杂场景，兼顾安全、高效与舒适，降低全生命周期运维成本。
适逢其时：从感知到世界模型，技术路线万流归宗
近年我们持续突破技术上限，攀登颠覆高峰。
幸运的是，具身智能技术路线日渐清晰，且与人类智能成长路径高度相似：婴幼儿期摸爬滚打属强化学习；幼儿园模仿学习属端到端模仿；小学系统知识学习形成大模型；行业深耕则是极致强化学习。贯穿始终的是世界模型——从纯数据驱动的归纳法走向演绎法。
2016 至 2026 年技术演进脉络清晰：从 2D 感知到 3D，再到 Occupancy 识别非标物体；从单摄像头到 BEV 多视角融合；从单帧图像到连续视频闭环。随后发现感知与规划控制间信息丢失，催生端到端架构；继而意识到感知不等于理解，引入语言模块（VLM/VLA）；再进一步，端到端模仿学习需超越人类，引入强化学习。最终认识到规则无法穷尽——自动驾驶终点非“车不撞人”，而是 AI 学会与物理世界的不确定性共存。世界模型愈发重要。
未来几年技术路线将逐步收敛，过程类似人类学车：18 岁前社会认知相当于预训练大模型；驾校教学是 SFT 微调；新手上路是 RLHF 强化学习；熟练后本能驾驶是端到端模仿；认真驾驶是世界模型加 VLA；超级车手则是世界模型加强化学习。幸而在探索中途技术路线成熟，为我们打开窗口。
不造车不运营：AI 司机订阅模式与“看十想五定三”
最后是商业模式。行业常见做法是卖车加维保，但未来 AI 商业模式必然不同。我们希望在大量车辆中嵌入系统作为物理 AI 入口，叠加 AI 司机订阅模式。
我们将采取轻资产模式：不造车、不运营，为客户开十年车，订阅服务一签十年。
物理入口进入不易，替换更难。最难商品化的是信赖——建立可靠 AI 司机形象。一旦信任建立，替换成本极高。生态上我们采用"π模型”：横轴是 AI 司机，与各类车型认证对接（须达 L4 标准），认证后预装并以成本价销售；再由集成商、方案商部署至各行业。因 AI 司机连接云端，可按月、年、里程或时长收费，形成完整订阅模式。
赋能 OEM 流程复杂，涉及上百文档与测试用例集，本身即是积累。
基于上述思考，我们制定“看十想五定三”战略：未来三年成为世界机场无人驾驶之王；五年成为世界商用车无人驾驶龙头，乘用车技术同步发展；十年后进入新劳动力经济时代，转型为劳务派遣公司，让大量 AI 司机进入千家万户。
基因改造：AI Native 组织与“造父”Coding Harness 平台
最后谈谈 AI Native 对企业的助力。
实现规模化订阅需应对各阶段巨量工作：开发阶段需平台化标准化以降低成本；部署阶段需快速定制化开箱交付；运营阶段需数据驱动运维，最小化成本最大化可用性。AI 在全生命周期中大幅提升效率。
为此我们推动企业“基因改造”：
第一，AI First。凡事首问：能否用 AI 完成？能否让 AI 自闭环？为员工提供最优模型与近乎无限的 Token。
第二，确保一切 AI Readable。牢记 Context（上下文）与 Feedback（反馈），通过持续反馈强化学习效果。
第三，建立企业运营世界模型与知识库。世界模型即老板智能助手，掌握会议重点、销售风险、人才动向等；知识库确保新人即刻上岗、旧人无缝交接。
第四，组织流程面向 Agent 优化，最小化沟通协作成本。目标 AI 编程占比达 95%，个人与组织杠杆率提升六倍以上——一人指挥三 Agent，日产出相当于 72 小时工作量。
过程中我们开发了工具“造父”。造父是中国古代著名驭手，契合公司名“驭势”（Harness）。该工具非仅为 AI 写代码，而是实现持续端到端闭环交付。
其流程始于目标定义——IM 驱动多 Agent 生成 PRD；经 Harness 分解任务，构建多 Agent 执行环境；通过 Loop 工程观察、诊断、行动、验证、恢复，推动交付。支持三种工作流：PRD（新产品开发）、Issue（Bug 修复或功能新增）、Refactor（系统重构）。全程可观测，系统由 IM 驱动多 Agent 讨论自动生成 PRD，真正 AI Native。
“造父”已开源至 GitHub，欢迎试用，共同完善从代码编写到端到端交付的工具链。
GitHub 地址：https://github.com/uisee-ai/zaofu
长跑者要掌握自己的节奏：不追风口，不惧孤独，在奇点后面造桥
最后总结：物理世界的 AI 是一场孤独长跑。
“驾驭”二字意味深长：“驾”是加速，“驭”是控速。真正长跑需掌控节奏，不追风口，不惧孤独，专注走好每一步。
今日人人谈论奇点。但真正改变世界者，不在追逐奇点，而在看清奇点前需走何路、建何桥，并切实将其建成。
谢谢大家！