编辑｜Youli
过去几年，大模型推动 AI 能力快速进入数字世界。但当 AI 从文本、代码走向真实环境，更为复杂的问题开始浮现：机器如何理解世界？如何预测变化？如何在现实环境中持续行动？
这也是为什么 Physical AI（物理智能）正成为全球科技产业最炙手可热的赛道之一。
近日，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，聚焦通用物理 AGI。
但不同的是，他们是国内率先明确探索「AI for Physical AI」的团队之一，致力于以 Auto Research（自动化研究）实现真正的 AI for Physical AI。长远愿景，是对标 Generalist 等北美前沿公司，提升模型在新任务、新场景中的零样本与少样本泛化能力，推动通用物理智能走向商业应用。
核心思路是：将自动化研究系统与数据、训练、评测和部署基础设施打通，让真实世界执行中暴露的问题，持续转化为新的数据、评测与研究任务，推动模型能力迭代。团队相信，模型决定能力上限，Auto Research 与 Infra 决定能力进化的速度。
作为国内自动驾驶领域极具代表性的实战派技术负责人，张颖在前司任职期间，曾是内部最年轻的对标 P10 级别技术负责人之一。如今，他选择将此前经过真实场景与规模化量产验证的端到端能力，进一步延展至能够自主学习、持续进化的物理智能世界。
据了解，公司于今年 7 月成立，目前已连续完成多轮融资，融资金额高达数亿元人民币。参与方包括深耕自动驾驶与具身智能领域的 VC、互联网大厂及产业资本。
资本迅速集结的背后，一个趋势逐渐清晰：随着 Physical AI 从概念探索走向产业落地，行业需要的不只是单点算法突破，更需要能够将模型、数据、工程系统和真实场景连接起来的综合能力。
而张颖此次创业，带来的不仅是一套已经在自动驾驶量产过程中验证过的 AI 量产经验，而是引入了 Auto Research 让 AI 自我持续进化的全新研发范式，Physical AI 赛道迎来新玩法。
「实战」中淬炼出的「量产端到端」能力
在 AI 行业，算法能力与产业落地之间始终存在一道「鸿沟」：一个模型在实验环境中表现优秀、Demo 炫酷，并不意味着它能在真实世界中可靠运行。
自动驾驶尤其如此，车辆需要面对不同天气、复杂交通参与者、长尾场景以及大量不可预测变化。模型不仅需要「看懂」，还需要在连续变化的环境中稳定做出决策。
张颖的工程底色，正是在直面这些真实挑战过程中建立起来的。
据了解，张颖早期从感知技术切入，负责动态障碍物方向，半年多时间便带领团队实现了关键能力的跨越式提升。随后逐渐从算法骨干成长为端到端核心技术负责人。这段经历不仅让他理解了模型能力该如何提升，也让他掌握了算法进入真实物理环境后所必须跨越的各种工程挑战。
彼时，「端到端」概念席卷自动驾驶行业，被认为是通向高阶物理智能的必经之路，但多数团队仍停留在模型验证或小规模路测阶段。
原因在于，实现难点不只是算法架构的设计，更在于如何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、在有限的算力和车端资源约束下实现工程落地。
这意味着，当行业还在讨论端到端的理论框架时，张颖已带队走完了从技术探索、组织攻坚、工程验证到量产落地的完整周期。
这种「从 0 到 1 再到 N」的量产闭环经验，在国内端到端领域并不多见。
在内部人士眼中，他是能够独当一面、同时扛起技术方向与团队攻坚的新锐骨干。
这样的经历，也解释了张颖为何将下一站选在 Physical AI。自动驾驶本质上是物理智能在道路交通场景下的特殊落地形态，两者面对的是高度相似的底层命题：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、合理地预测未来，并持续做出精准的行动决策。
而张颖之前验证过的端到端架构、数据闭环和系统工程方法，恰好为当前物理智能从算法验证走向可靠部署提供了坚实的工程基建。
顶尖拼图：学术、工程与真机控制的互补阵型
过去几年，AI 竞争的核心主要是大模型能力，而进入 Physical AI 阶段，则天然需要更强的跨学科协同能力。
换句话说，其技术链路天然跨越多个领域：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。
围绕这一方向，张颖迅速集结了一个学术、工程与真机落地全面互补的紧密阵型。
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。此前，曾长期在麻省理工学院（MIT）与哈佛大学从事研究工作，聚焦 3D 世界建模，研究涵盖 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 SIGGRAPH、CVPR、ICCV、TPAMI 等国际顶级学术会议与期刊发表了 50 余篇高引用论文。
在 Physical AI 的底层架构中，机器人必须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。可以说，占方能的加入，为团队筑牢了底层空间表征与世界模型前沿探索的学术基石。
而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极为深厚的技术积累，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。
更值得注意的是他的产业实战履历，他曾是 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，季马泽宇选择归国，与张颖并肩创业，聚焦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。
至此，三位核心成员各自带着深厚的技术长板，共同组装起一条覆盖全链路的能力体系：
- 张颖：掌舵端到端量产闭环与百人级复杂系统工程统筹，解决「如何把智能系统真正做出来，并推向真实应用」；
- 占方能：提供底层 3D 视觉重建与世界模型前沿学术引擎，解决「机器如何理解现实世界」；
- 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」。
学术前沿、工程系统、实体控制三者紧密咬合，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」。
奔向物理智能的「规模化时刻」
团队成立仅 1 个月即连续完成多轮融资，融资金额高达数亿元人民币，也从侧面折射出顶级资本对这支团队的认可。
过去，市场往往侧重于创始团队的学术背景与实验室成果。但正如 IDC 近期在相关产业洞察中所强调的，当前 Physical AI 正在进入从技术能力竞争向产业化能力竞争转变的关键阶段。随着整个行业从概念验证逐步走向产品化和真实场景验证，投资界与产业界日益清晰地意识到：Physical AI 的长期竞争，绝非单点算法的单打独斗，而是一场极其考验系统集成度、工程容错率与数据飞轮运转效率的「综合长跑」。
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—— 让前沿模型真正跑通场景闭环，是具身智能走向产业化最关键的一环。期待后续深度协同。」
百度风投（BV） 投资团队崔轲迪、金效滢则表示：「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。未来，期待张颖团队以具身智能为起点，进一步向更广阔的 Physical AI 领域拓展，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。」
这也表明，在 Physical AI 正从「概念验证」走向「规模部署」的关键拐点上，张颖这种「实战派」的稀缺性，无疑会赢得资本的青睐。
从自动驾驶到 Physical AI，如果说，张颖之前的从业命题是解决「如何让端到端 AI 进入量产」，那么，接下来要回答的问题则是如何「用 Auto Research 的方法实现真正的 AI for Physical AI」。
因此，对于刚刚完成首次亮相的张颖团队而言，「硬仗」才刚刚开始……
据了解，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，模型能力也已在部分指标上达到行业领先水平。不久后，团队将在适当时机正式对外披露具体的模型成果与产品进展。
