---
title: "量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力"
source_name: "量子位"
original_url: "https://www.qbitai.com/2026/04/408578.html"
canonical_url: "https://www.traeai.com/articles/4a4389cb-cec3-4220-911a-1bc126ec25b8"
content_type: "article"
language: "中文"
score: 9
tags: ["AI","自动驾驶","小马智行","世界模型"]
published_at: "2026-04-27T10:48:17+00:00"
created_at: "2026-04-27T23:09:27.354972+00:00"
---

# 量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力

Canonical URL: https://www.traeai.com/articles/4a4389cb-cec3-4220-911a-1bc126ec25b8
Original source: https://www.qbitai.com/2026/04/408578.html

## Summary

小马智行CTO楼天城提出AI主导开发新时代，自动驾驶进入AI调用人类协助的阶段，并发布PonyWorld世界模型2.0。

## Key Takeaways

- AI将从工具演变为‘总教练’，人类工程师角色转变为执行者。
- PonyWorld 2.0通过意图语义层和定向进化提升模型精度与自我诊断能力。
- 未来人与AI的关系需重新定义，驾驭AI的能力成为关键。

## Content

Title: 量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力

URL Source: http://www.qbitai.com/2026/04/408578.html

Markdown Content:
# 量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力 – 量子位

*   [首页](http://www.qbitai.com/)
*   [资讯](https://www.qbitai.com/category/%e8%b5%84%e8%ae%af)
*   [智能车](https://www.qbitai.com/category/auto)
*   [智库](https://www.qbitai.com/category/zhiku)
*   [活动](https://www.qbitai.com/category/huodong)
*   [MEET大会](https://www.qbitai.com/meet/meet2026/)
*   [AIGC](https://www.qbitai.com/meet/aigc2025/)

[](https://www.qbitai.com/)

[](javascript:void(0))

扫码关注量子位

![Image 1](http://www.qbitai.com/wp-content/uploads/2019/01/qrcode_QbitAI_1.jpg)

[](https://weibo.com/qbitai?is_all=1)

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

# 量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力

![Image 2](http://www.qbitai.com/wp-content/themes/liangziwei/imagesnew/head.jpg)_[Jay](https://www.qbitai.com/author/jay "由 Jay 发布")_ 2026-04-27 18:48:17 来源：[量子位](https://www.qbitai.com/)

未来人该怎么和AI共存

> Jay 李根 发自 凹非寺
> 
> 
> 量子位 | 公众号 QbitAI

> Harness（驯马）会成为这个（AI）时代最关键的能力之一。

这是**小马智行CTO楼天城**，在与量子位的对话中，给出的最新判断。

![Image 3](https://i.qbitai.com/wp-content/uploads/2026/04/7963c95a6357a21c0066e19d6c0b43f4.png)

在他看来，如今的AI越来越像一匹脱缰野马。它开始学会了「调用」：调用工具、调用skills……因此能通过这些脚手架，自我演进，和人类打配合。

主动性和能量大幅提升，未来**甚至连人类，都可能成为被「调用」的一环。**

楼教主表示，当「AI司机」也和Coding Agent一样学会了使用工具，人类工程师的角色，会逐渐从「教练」转变为「执行者」。

这种情况下——

> 人和AI的关系，必须重新思考了。

这也是小马智行发布PonyWorld世界模型2.0的根本原因。

自动驾驶，即将进入一个AI主导、AI评测、并「调用」人类协助的新时代。

这个趋势是确定的，毕竟，人类想要赶上模型的迭代速度，太难了。

连强悍如楼教主这样的工程师都坦言：

> 开发的主导权，会逐步交给AI。

是的，一个顶尖的人类程序员，此刻却在宣告：即便是天之骄子般的工程师，也必须将研发的主导权拱手相让。

听起来多少有些残酷。

但这就是教主楼天城和小马智行10年创业历程里，目前为止最直接的结论。开发时代的范式，正在发生方向性的质变。

关于这个问题，或许可以用楼天城在访谈中反复提及的一个词回答——

**大势所迫。**

被技术瓶颈所迫，被消费者的期望所迫，被自动驾驶的终局所迫，被小马智行十年来始终渴望实现的蓝图所迫。

而这个被逼出来的模型，叫作**PonyWorld世界模型2.0**。

这是一场自动驾驶开发范式革命中，必须被倒逼出来的一次投影。

![Image 4](https://i.qbitai.com/wp-content/uploads/2026/04/b16357963a502cfc95fa9dabbf517a18.jpeg)

而且随这种趋势打开的还有小马智行的2.0时代，以自动驾驶出发的PonyAI，现在已经到了开启更大空间探索的时刻，通往物理AGI的道路已经被打开。

以及，楼教主的观点是：**我们已经在路上了。**

# PonyWorld世界模型2.0深度解析

人类驾驶数据的价值，正在逐步归零。

并非思维实验。这个曾经看似遥远的未来，如今已成为小马智行一切技术研发的出发点。

当AI司机的安全性全面超越人类，再让人类工程师手把手教AI开车，无异于让业余棋手去辅导AlphaGo。

虽然从行业发展角度来看是件可喜可贺的事，但回想2020年，难免不有些让人唏嘘。

那基本是「模仿学习」的时代。无论自动驾驶还是人工驾驶，核心都是为了收集海量数据，让系统去模仿人的行为。

整个行业都在用影子模式收集海量人类驾驶数据，试图大力出奇迹。

**但奇迹没有来。**

模仿学习的天花板，就是人类本身。

而L4级自动驾驶是无法靠人类兜底的，这个几乎零容错的终局要求，远比「像人一样开车」严苛得多。

这也是2020年PonyWorld世界模型1.0启动的契机。

他们想给机器一个超越人的空间。通过创造一个虚拟驾校，让机器在里面自己摸索怎么开车，做强化学习。

不过，随着能力的进一步跃升，另一个尴尬的问题随之浮现。

当AI驾驶能力已经远超人类时，人类给AI的指导，很可能是错的……

一旦AI超过了人，人其实已经失去了评判权。因为我们无法再判断谁更好、谁更差。

在这种情况下，只有AI自己，能穷尽人类所不能察觉的维度，精准定位到底哪里出了问题。

也就是说，让AI来识别并指导AI。

这是AI时代的「图灵测试」。

基于这个理念，小马对1.0进行了一次开发范式的全面重构，带来了PonyWorld世界模型2.0。

人类不再是这个闭环的中心，**AI，正式成为总教练。**

自我诊断，是这套系统进化的核心引擎。

目前行业里大热的VLA（视觉-语言-动作）路线，核心逻辑是在感知与动作之间硬塞进一个语言模型——让AI先把路况「翻译」成文字，再基于文字生成动作。

但语言，本质上是对复杂4D物理时空的一种极度降维的「扁平投影」。虽然它提升了信息的传播效率，却不可避免地丢弃了大量珍贵的物理世界上下文。

这种架构，从诞生的那一刻起，就注定了它的上限。

为此，小马智行选择**跳过「语言」这个中间商**，让传感器数据直接映射为驾驶动作。

这不仅大幅削减了算力消耗，更让物理数据的收集与世界模型精度的提升变得前所未有的高效。

但这并不意味着放弃了「可解释性」和「语义推理」。

小马在车端模型的训练中，引入了一个比语言更接近驾驶本质的中间层——Intention（意图）语义层。

真正的老司机在紧急避险时，脑海里绝不会先默念一段台词。

「前方有障碍物，我要向左打方向……」等把这些可能性都在脑海里推理一遍，黄花菜都凉了。

面对瞬息万变的路况，人类高手是直接产生「意图」。

这正是PonyWorld世界模型2.0想要复刻的本能。

模型在做出每一个驾驶动作的同时，其内部会同步生成结构化的意图表达。翻译成人类能懂的语言，就是：

> 我选择在路口前减速等待，是因为右前方那个行人正在走向斑马线，我预判他大概率会横穿。

请注意，这些意图信息不是事后用另一个模型「解释」出来的，也不是推理过程中额外插入的累赘，而是在训练阶段就与驾驶动作被联合学习的原生能力。

而当这个意图层被解锁时，将会带来一个此前鲜被讨论的杀手锏：

**它可以被无限生成。**

世界模型本身就是生成模型，我们可以基于意图去反向生成任何意图组合对应的虚拟场景，让AI在所有可能的意图排列组合中接受高强度的「特训」。

这带来了一个根本性的差异。

人类开车时，通常只能对其他交通参与者做「最大似然估计」——觉得最有可能发生什么，就按什么反应。

但小马的AI司机拥有比人类长得多的上下文记忆能力，这是AI的天赋。它不需要靠「直觉」这种玄乎的东西，而是可以同时Keep in mind所有可能的意图组合，再进行综合决策。

系统可以自动回溯每一次决策，精准定位偏差究竟出在哪一层。

这些数据在真实世界中是无法被收集的，毕竟，谁会告诉你他刚才打方向盘的时候到底在想些啥啊。

当AI补全了这块长期的数据空缺，模型的自我诊断能力，无疑将迎来质的飞跃。

这直接带来了第二个核心突破：**定向进化。**

以前想提升世界模型的精度，路子很野，叫「广撒网」。

全无人车队到处跑，数据全量回传，然后指望工程师凭经验去「沙里淘金」。

但车队规模一旦从百辆冲到千辆，这招就不灵了。绝大多数数据对提升精度没啥用，只会变成昂贵的存储垃圾，白白烧钱。

PonyWorld世界模型2.0彻底反转了这个逻辑。

当系统自我诊断发现模型在某个场景下「心里没底」——比如某几个路口每到傍晚逆光时，模型对特定障碍物的模拟置信度就开始跳水——它会自动生成一个定向采集任务，直接给测试团队派单：

> 请在未来一周内，于下午4:30-5:30之间，在指定路口重点采集逆光条件下非机动车与行人混行场景数据。

随后，研发人员、测试工程师、运营团队……整个组织开始围绕世界模型2.0的「精度需求」运转。**AI说哪里差点意思，人类就去补哪块数据。**

人类工程师的角色，从手握教鞭的「驾校教练」，变成了听命行事的「AI数据采集员」。

研发节奏不再由人类经验驱动，而是由AI根据自身进化需求，自动生成。

值得注意的是，这里有个前提：

**即便是做「AI的数据采集员」，也极度考验人类对AI的驾驭能力。**

人类并没有完全退出Loop（AI进化的闭环流程），只是**角色变了**。

未来，怎么驾驭AI这匹脱缰的野马，既让它按自己的意志行动，又能保留它自我演进的能力，将是人才最需要具备的特质。

而对小马来说，同样可以预见的未来是：

接入2.0的自我诊断和定向进化能力后，无疑会给小马智行已有的「飞轮」，再狠狠踩一脚油门。

而核心燃料，正是L4全无人车队在真实交通中运营产生的数据。

**AI会遇到人类司机不容易遇到的场景。**

通常而言，人类司机在意识到旁边是AI车时，反应模式会变。有人会更敢加塞，有人会更愿意配合，也有人会试探它的边界。

因此，世界模型不仅要模拟人和人之间的交互，还得模拟人和AI之间的交互，尤其当AI的开法并不完全像人时，这件事就更有必要了。

而这种数据，只有像小马这样跑全无人Robotaxi的公司才能采集到——

大规模L4无人车队商业运营，产生真实世界的高价值数据；世界模型据此提升精度；车端模型持续增强；更强的模型支撑更大规模部署；更大规模部署又产出更多高精度数据。

**循环往复，自我加速。**

![Image 5](https://i.qbitai.com/wp-content/uploads/2026/04/486666e4f5ae80b706bb40ee12d3c603.png)

如今，小马智行已经积累了千万公里级的多城市纯无人驾驶数据。

数据量级是对结果的一种印证，而这个过程中所积累的经历和Know-How，同样是一笔宝贵的财富。

当然，一切的一切，最终还是得回到技术。

而负责技术的**小马智行CTO楼天城**，给出了许多细节和实践认知。

![Image 6](https://i.qbitai.com/wp-content/uploads/2026/04/cfd5af8c11a8be9c9922ae3287ddc0bc.png)

# 对话楼天城

**量子位：**以前你们一直用安全、舒适、效率这些指标，之前是人来定义。现在听起来，更像是AI在决定了。

**楼天城：**整体架构最早当然还是人搭的，安全这些指标也一直都在。

但后来，我们通过学习的方式，训练了一些模型去做评价。

关键在于：AI为什么做得不好，问题到底出在哪。这件事现在人已经不太能判断准了，AI来当这个医生更合适。

**量子位：**核心原因不是人有短板，是AI进化得太强了。

**楼天城：**或者说人现在也很难再有什么进步（笑）。

但AI可以依靠**非常长的context**（上下文），让自己的理解能力变得特别强。

以前是人来判断，现在是AI来判断。收集之后够不够、还要不要继续改、这次改得好不好……这些关键决策点，正在逐步被AI接管。

![Image 7](https://i.qbitai.com/wp-content/uploads/2026/04/2f0ca3e7f2fc6855941e5909c6c1646d.png)

**量子位：**所以人真的成了「工具人」（笑）。

**楼天城：**或者说，我们把人的精力放到了其他同样重要的事情上。至于判断这件事，就交给更擅长判断的AI。

这样做最大的意义就是突破天花板。如果今天还继续靠人来做，很多时候可能已经没法推动系统继续正向进步了。

**量子位：**主导权交给AI，这里面会不会出现幻觉？

**楼天城：**幻觉这个词最早是从大语言模型那边来的。

过去两年已经有太多例子说明，Scaling Law这条路，也就是单纯加数据，**并不能解决幻觉**。到今天，幻觉比例依然不低。

真正需要的是别的东西。比如对系统加限制，让它自我迭代、自我演进。

要让它自己意识到哪里有问题，然后自己去改进。

**量子位：**怎么意识到？

**楼天城：**它知道结果不对。比如因为幻觉导致最后撞了，或者发生了急刹，它就会回溯前面哪几步出了问题，然后再去改。

**量子位：**在自动驾驶里，幻觉问题是不是相对更容易处理一些？毕竟交通规则还是比较完备的。

**楼天城：**它确实相对更容易被压低，但问题在于，在真实世界中，**幻觉带来的代价非常高。**

**量子位：**PonyWorld世界模型2.0是一个升维概念，整个AI在训练AI，AI在驱动一切。那怎么确保系统始终安全？

**楼天城：**有一整套非常精确的评价体系，来判断问题发生的概率到底是多少。

我们会告诉它什么是好的、什么是不好的，但不会直接告诉它具体该怎么评价。最终我们看到的是，指标在持续提升。

还有一点，就算让AI来判断，它判断得也比人更准。随着系统持续进化，人可能连某个问题到底是不是幻觉，**都判断不过AI了**。

到今天为止，所有基于概率的模型都还做不到彻底消除幻觉。但让AI来驱动改进，比让人来驱动，速度快得多，天花板也高得多。

**量子位：**世界模型2.0对系统训练的速度和效率有了质的提升，那在落地层面，是不是也意味着质的提升？

**楼天城：**（停顿2秒）这是多方面的。

首先，落地不再只是局限在固定区域，而是可以走向更多区域、更繁忙的路段，比如高峰期，还有那些我们原来并不熟悉的国家和市场。

这里可以用一个词，叫**superset**。在这些新地方遇到的很多场景，其实只是原有世界模型的一个子集。所以系统在新区域启动时，会更有底。

另外一个变化，是大家的**预期在提高**。早年大家会觉得自动驾驶偶尔犯傻也能接受，但现在大家要求已经高很多了。这也是长期商业化推进里很关键的因素。

**量子位：**每个地方的驾驶行为和容忍度都不一样。有些地方让行人，有些地方加塞很激烈，这会影响系统吗？

**楼天城：**这些其实都可以看作**子集**。

这些组合在世界模型里其实都已经出现过，只是在不同地方，它们的概率分布不一样。这个地方更保守一点，那个地方更激进一点，但两种场景本身都已经在世界模型里存在了。

**量子位：**能不能理解成，北京训练出来的司机和广州训练出来的司机，风格上还是会有差别？

**楼天城：**在L4这个层面，其实不需要特别明显的差异。

L4真正要解决的，是在一万小时驾驶里，那些因为风格不同或者极端行为导致的危险场景。而这些危险场景在很多地方，哪怕是海外，其实都没有本质上的巨大差异。

有些地方开车猛一点，有些地方保守一点，但**真正到出事的时候，其实都是一样的。**

这可能和L2不同。辅助驾驶更在意不同地区整体的驾驶习惯，但L4更关注极端场景，而这些极端场景的分布其实非常一致。

所以去新地方，并不需要太多额外操作。

**量子位：**世界模型2.0发挥作用之后，对车端传感器方案和算力会有什么影响？

**楼天城：**先说传感器，这里面核心是成本。

如果我们希望使用更便宜、更标准化的传感器，那它们在质量上一定会有一些不足。比如在特别复杂的雨天环境里，标准化传感器可能就会比高端传感器差一些。

这确实需要世界模型继续进步，在生成阶段把这些问题也纳入进去。不过这项技术我们已经做完了，现在已经可以比较好地使用标准化传感器。

再说算力。通常**两三倍的差距不会带来本质变化**，除非是100倍这种量级，才可能真的改变很多事情。但100倍本身也不是个简单数字。

大多数时候，两三倍这种差异，主要还是通过训练范式、开发范式和模型结构去消化。

**量子位：**10年前大家最常说的词是corner case，也就是极端场景。当时大家一直在讨论到底能不能穷尽它。现在世界模型是不是找到了一条能解决，或者说能穷尽极端场景的路径？

**楼天城：**更准确地说，是穷尽这些场景里的**intention**（意图）**分布**。

场景本身并没有那么多变种，但我们不能说自己已经穷尽了全部场景。真正无限变化的，其实是不同物体之间的意图组合。

同样的场景、同样的状态，因为不同参与者的意图不同，就会形成非常多的组合。世界模型真正能做的，是把这些意图组合穷尽掉。

（停顿……）

在现实世界做这件事，是不可能的。

意图数据本身就很难收集，你不可能在真实道路上要求所有人按照某种设定好的意图去行动。

但在虚拟环境中，我们可以强制设定意图。

**量子位：**你们博客里有一句话让我印象很深，在AI驾驶能力超过人类实际水平之后，普通人类数据对世界模型精度提升的价值会趋近于零。这是一个数据层面的洞察，还是认知层面的洞察？

**楼天城：**这个认知其实已经存在一段时间了。而且我甚至觉得，如果系统已经做得很好，那这个价值不只是趋近于零，**甚至可能是负的。**

**量子位：**啊？（惊讶脸）

**楼天城：**本质上其实是是AI发展阶段变了。AI会经历从不如人，到接近人，再到超过人，然后继续自我改进的过程。

当人已经明显比AI差的时候，人提供的很多数据反而会把一些不该有的坏习惯带进来。

AI刚超过人的时候，可能整体行为看起来还和人很像，只是它在那些和人不一样的地方做得更好。但恰恰是这些不一样的场景，人已经没法准确判断到底是好还是不好了。

有点像老师。早期当然很感谢老师教了很多东西，但真正到了做研究的阶段，老师其实已经**帮不上太多了**，更不需要再把早年的东西一遍遍重新灌给你。

接下来，**需要AI自己去生成。**

这就好像你没法教AlphaGo下围棋，就算让我教，我也教不了啊（教主无奈）。

**量子位：**有一种说法是，真正高级的AI司机，可能会在多车道变道时，直接从第一车道切到第四车道……

**楼天城：**（打断）这其实要看具体情况。

如果路上视野特别好，看得很清楚，没有遮挡，那它这么做也许完全合理，甚至可能就是最优解。

但换个场景，就不能这么做。有时候人类司机没有意识到潜在风险，因为整个过程需要时间，而且前方可能有遮挡，只是恰好没碰上问题。但AI可以意识到这些潜在因素。

而且人本来就是千人千面。AI还得先判断「到底该学谁」，对吧？

因为有些人会这样开，有些人不会。

**量子位：**所以现在让AI教AI怎么学，也能避免学到这些危险行为？

**楼天城：**AI一旦不再以开得和人一样为目标，而是以开得更好为目标，它自然就会意识到这些风险因素必须纳入考虑。

但AI教AI最根本的一点，还是它要继续告诉自己，哪里开得不够好，然后持续改进。当AI已经明显超过人之后，要再往上提升，就必须让AI来驱动很多事情。

**量子位：**你这个洞察，好像也回应了L2到底能不能升到L4这个问题。如果只是不断模仿和学习人的驾驶方式，是到不了L4的，对吗？

**楼天城：**我确实说过类似观点，但这个问题要分技术和产品两个维度来看。

从技术上说，不能简单把某条路径打成L2技术。今天很多公司也在做强化学习。我当时真正想表达的是，**只靠收集人类驾驶数据，做不到L4。**

这一点今天其实已经成了共识。几乎所有公司都在谈强化学习、谈世界模型。大家都发现，只靠大量车在路上跑、收集人类数据，这件事帮不了L4。

简单说，不是L2一定走不到L4，而是沿着L2那条纯模仿的技术路径，它本身帮不了你实现L4。**完全没做过L2的公司也一样可以做L4。**

从产品角度看，又是另一回事。随着L2越来越安全，用户会慢慢产生一种差不多可以了的感觉。这种trust会导致一个问题，就是在需要接管的时候，用户反而接不过来。

这也是为什么L2开得越好，反而在产品层面会引出新的风险。技术上的瓶颈和产品上的风险，其实是两件事。

**量子位：**有人说你给VLA判了死刑。

**楼天城：**如果不看中间过程，只说自动驾驶最终形态……

**应该，没有L的空间**（语速放缓）。

因为从效率上看，L并不是V和A之间最有效的中间层。今天我们已经能找到更好的layer（层）。

它可能对某些中间阶段是有用的，但我讨论的是终局。在终局里，VLA里的L不是最终的连接方式。

即便未来中间层还会保留一些语义推理能力，那也不太可能还是human language（人类语言）这种L，**更可能是一些新token**。

intention可能不是一种token，但本质上，这已经证明它是更好的中间层。以后也许还会有别的。

所以最终来看，**L不会是V和A之间真正长期存在的桥梁。**

![Image 8](https://i.qbitai.com/wp-content/uploads/2026/04/b55f4579cc22156a68aa951b86d915a5.png)

**量子位：**那中间阶段呢？

**楼天城：**中间阶段它当然是不错的。我没说中间阶段没有机会，只是说最终形态不会是这样。

**量子位：**但确实已经有一些做VLA的系统，跑出了不错的效果。

**楼天城：**对。但很多时候，VLA本身也在变，尤其是**L在变**，它已经不再是传统意义上的human language了。

VLA一开始之所以成立，是因为人类语言数据最好收集，所以它是个很好的起点。但再往后看，从工程实践和产业发展的角度，L扮演的角色会越来越少。

**量子位：**你也提到，世界模型2.0让工程师的角色发生了变化。在信息AI领域，大家会讨论超级对齐。那在物理AI或者自动驾驶里，有没有对齐这个概念？

**楼天城：**此对齐非彼对齐。这里真正需要对齐的，是对什么叫开得好的标准，而不是和人的驾驶行为做对齐。

如果你说的是**行为上的对齐**，那我们早就不追求那个了，而且那也不是正确方向。但什么叫「好」，这件事还是需要人的参与。

当然，人能提供的关于好与不好的维度，其实是很有限的。AI很早就已经基于这些维度做了大量扩展，而且做得更好。但它不会违反人设定的这些基本维度。

这在技术上未必叫对齐，但它可以实现类似对齐的效果。它**对齐的是评价标准，而不是驾驶行为。**

所以它的驾驶行为本身，绝对不会再照着人类怎么开来学。

人会先给出最基本的原则，但再往上更细的东西，人其实也给不出来了。AI就在这些原则之上，把事情做得更好。

**量子位：**假设未来要给火星设计一套新的驾驶系统或者交通系统，是不是那时候就该由AI来设计？

**楼天城：**（教主漫长停顿5秒）

好问题。

短期内……不会发生。

很长一段时间里，**人类驾驶和自动驾驶还会共存**，所以系统还是必须建立在现有交通规则之上，不能违反任何规则。

当然，如果未来真的出现一种完全不同于今天的新交通体系，那空间就会被打开。但那可能要等到绝大多数车都已经是自动驾驶之后，才会慢慢开始。

如果真到了火星，而且是一个全自动驾驶环境，那就完全是另一套故事了。但这件事还非常远。

**量子位：**我自己平时也开辅助驾驶的车。现在很多车会亮蓝灯，表示处于智能驾驶状态。如果我要加塞，我会优先挑蓝灯的车去加。因为现在交通系统里，最复杂的bug，其实往往是人类驾驶员自己。

**楼天城：**人现在很多时候更愿意和AI配合，而不是和人配合。

我以前常用AlphaGo来举例。下棋的时候它是对抗关系，但到了配合场景里，你会发现**人其实更喜欢和AI合作**。

AI更懂人，而人也会越来越懂AI。

**量子位：**你们提到，研发人员正在变成世界模型的数据员。

**楼天城：**更准确地说，是一部分人会变成这样。另一部分人，比如做车载模型部署和优化的，还是在做别的同样重要、甚至更重要的事。

**量子位：**你们一直以天才团队著称。当AI开始承担一些高水平研发角色，会不会降低未来自动驾驶行业对天才的需求？

**楼天城：**这已经不只是自动驾驶的问题了。

核心在于，人必须学会用新的方式和AI配合。在AI擅长的地方，让AI主导；**在AI不擅长的地方，人去想办法驾驭它。**

这不是某个行业、某家公司单独面临的变化，而是整个AI发展到今天，人都必须做出的改变。真正懂得怎么驾驭AI的人，才会成为下一代真正有价值的人才。

这是一次非常大的技术革命。

**量子位：**但如果我们把视野放回自动驾驶，当AI开始能替代天才工程师，自动驾驶的入局门槛似乎正在降低，因为对人才密度的要求没那么高了。

不过，你们在构建世界模型2.0的过程中，又依赖了大量运营车辆、反馈数据、精度迭代和整个世界模型闭环……

这样看，入局的壁垒好像反而又更高了（困惑脸）？

**楼天城：**其实更准确的说法，是**优势发生了转移。**

当然还是需要很多顶尖人才，但他们做的事情会和以前不太一样。过去的技术优势，会逐步转化成更全面的优势。

**量子位：**假设你已经知道了今天这些关于世界模型的洞察，如果重新做一次自动驾驶，会有什么不同？

**楼天城：**世界上没有时光倒流这种机会（笑）。

但有些认知，确实要走到一定阶段之后才会慢慢形成。比如早年很多公司都觉得，只要不断收集人类数据、不断模仿，就能把事做成。到了今天，几乎所有人都已经认可强化学习的重要性。

但很多公司的车可能还没有发展到那个阶段，也就是还没强到让人彻底判断不了好坏，所以他们还会觉得现有研发方式能继续用下去。也许等再往后走，他们也会有类似认知。

如果真的能带着今天的记忆回到过去，可能确实能少走一些弯路。但现实是，一个团队也必须靠自己一步步意识到这些事情。

沿着原来的方法走，我们Pony自己也走了4年模仿学习。这些经历不是没用，恰恰是因为走过了，才真正理解为什么必须走向强化学习。我们也长期依靠人来主导开发，正因为做过，才真正理解为什么要把更多事情交给AI。

**量子位：**所以说你们这十年自动驾驶的探索过程……

**楼天城：**（提前预判）这个问题问得很好。

也许知道整个发展过程，才是一家公司真正的壁垒。

（停顿3秒）

一步步走到现在，经历过那些Know-How，经历过那些钻研，才知道下一步该怎么走。

整个**过程本身，就是一笔非常独特的财富。**

**量子位：**Scaling Law在你们的探索过程中起什么作用？

**楼天城：**在数据量还比较小的时候，增加数据当然有帮助。

但当数据量上来之后，尤其是在自动驾驶这种出错代价非常高的场景里，已经被多次证明，单靠加数据帮助很有限。

真正需要的，是训练范式和模型结构层面的改变。不是说Scaling Law没用，而是它在早期作用更大，到了后期，决定上限的已经是其他因素了。

**量子位：**你们在博文里提到，未来不会只局限在自动驾驶这个场景。核心原因是什么？

**楼天城：**我一直认为，自动驾驶是物理AI里最先锋的应用。

如果连先锋应用都做不好，那别的应用迟早也会遇到同样的问题。

而世界模型本身也有不同阶段的演化。到了下一阶段，很自然就要融入更多物理定律。这个能力建设，会让我们有机会去做更多物理AI应用，也能创造更多价值。

还有一个很关键的点，就是**人和AI之间关系的变化**。

最近几个月，大家都在盯着AI写代码，AI coding成了热点。它开始具备一定的自我演进能力，调用工具的能力也越来越强。

这时候，人和AI的关系就必须重新思考了。

我自己其实早就跳出了当年那种人教AI的**图灵测试式想象**。越来越多事情，已经可以由AI来主导了。比如世界模型2.0，本质上就是AI在主导研发。

那再往外想，整个公司的其他策略，比如商业化、宣传，是不是未来也可以由AI来主导？甚至今天我来和你聊天，说不定以后AI也能告诉我应该怎么表达。都是有可能的。

未来，我们和AI的关系大概率还会继续变化。很多事情会从AI辅助，逐步走向AI主导。

![Image 9](https://i.qbitai.com/wp-content/uploads/2026/04/c299f06ad01a0f615d1e7631088b23eb.png)

**量子位：**能不能理解成，你们在自动驾驶里实现了harness（控制），接下来在其他领域也有机会复制这件事？

**楼天城：**对，这套能力完全有机会影响到别的部分，甚至不一定局限在物理AI。

**量子位：**也就是说，一方面是核心技术发生了变化，另一方面是你们内部技术积累也到了某个阶段，所以才打开了新的象限。

**楼天城：**我们现在更多还在能力积累阶段，等到更合适的时候再去分享。

但这个空间肯定不会只局限在物理AI的某一个应用里。它至少有两个维度。一个是应用层面，不止一种物理AI应用；另一个是我们和AI的关系，也已经不再停留在辅助阶段。

**量子位：**空间打开之后，先做什么、后做什么，你们会怎么判断？

**楼天城：**一个很重要的心得是，能力积累和把事情真正做成，是**分阶段的。**

能力必须先积累到一定程度，事情才有可能真正做成。

自动驾驶就是这样。只有当车的安全性够好、成本够好、服务体验也够好，真正有意义的商业化才会开始。

其他领域有时候要求甚至比自动驾驶还高。因为出行本身已经是一个很成熟的领域了，如果进入一个还不成熟的商业场景，对能力的要求可能更高。

所以前期，我们还是会把主要精力放在能力建设上。然后等真正合适的机会出现时，再去出手，而且希望每一次出手都能达到很好的效果。未来肯定不会只做一种应用。

**量子位：**有没有一些像ODD那样规则特别清晰的领域，更适合能力复用？

**楼天城：**可能是反过来的。

随着基础模型的发展，单独提升细分领域能力，已经不是最重要的方向了。你看今天的基础模型，也不会专门拆出一个物理模型、一个化学模型、一个数学模型，它们基本都是融合在一起的。

很多细分场景的能力，反而是在更通用的场景中学出来的。

当然，你可以先在一两个新场景里验证价值，但训练这件事的关键，并不来自那个具体场景本身。

**量子位：**很多公司做创新，都是先看准场景再建能力。你刚才表达的逻辑还是先基于能力。那你们内部评价自己能力的标准是什么？有没有类似L0到L5这样的划分？

**楼天城：**我不太想自己再发明一个新的定义，但在整个AI领域，其实有一个很自然的阶段划分。

先是AI**向人学习**，这时候它比人弱。再往后，它会逐渐**接近人**。然后，它会**超越人**。再之后，是在超越人之后继续进步。

这几个阶段，在物理AI领域也一定会持续发生。

而且我认同这种分法，因为从弱于人，到接近人，再到超越人，最后走向超越人之后继续自我进化，这几个阶段所需要的技术方法是完全不一样的。每进入下一个阶段，前一阶段那套做法都必须发生根本变化，才可能真正迈进去。

今天我看到的很多物理AI，其实还处在第一个阶段，很多系统甚至还不如人，用的也还是我们更早年那种模仿学习思路。

至于后面怎么走，我们因为已经经历过，所以知道还可以继续往下走。但我觉得，谁都绕不过这些阶段。

**量子位：**你的很多学弟学妹（笑）……现在都投身了具身智能浪潮。大家都说这是10年前的自动驾驶。

作为10年前走过来的人，你觉得他们未来一定会遇到什么挑战？

**楼天城：**刚才说的这几个阶段，他们都会经历。

他们也会走到一个类似我们2020年的状态，也就是开始要做强化学习的那个阶段。

但如果你自己还没走到那里，我其实也没法说服你。因为很多事情，只有真正经历过，后面才能走得更好。

所以我觉得，最重要的是尽快走到那个阶段。等到了那一步，要有足够开放的心态，真正接受一套完全不同的做法，接受一种新的训练范式，然后让系统继续进步。

再往后，等有一天它明显比人强很多了，那下一步怎么让它继续提升，就又会进入今天我们正在经历的这种进化过程。

这些事情，都会发生。

**量子位：**这个过程其实没法跳过去。你明知道他们大概会在哪个节点需要改变，但他们还是得自己经历一遍。

**楼天城：**或者说，只有真的经历过，他才可能真正知道为什么要改，愿意去改，或者真正知道该怎么改。

**量子位：**你们现在打开了新的空间，可以做更多事了。公司已经上市了，这件事会带来什么变化吗？

**楼天城：**上市这件事，本质上还是为了做更有价值的事，这一点始终不会变。

自动驾驶的商业化本身也还在继续发展，而且现在应该正处在进展最快的时候。这仍然会是小马最主要的增长方向。

只不过与此同时，我们也可以把过去积累下来的经验，延展到更多方向，去创造更大的价值。

所以从本质上说，**上市这件事并不会影响技术发展的方向。**

还有一点，其实和上不上市都没关系。AI发展到今天，这半年可能已经是变化最快的半年了，半年之后可能还会更快。

这种变化，不只会影响我们的技术，也会影响人和AI之间的关系。

能不能跟上这种变化，是所有想survive的公司都必须面对的事。

**量子位：**这种变化，会不会也影响你们创新的方式？就是很少几个人试了一下，结果发现居然有效。现在还会有这种状态吗？

**楼天城：**从结果上看，确实可能还是你说的这种感觉。有些事情，未必需要投入特别多人力，就可以先试一下，然后很快验证它能不能有效。

但更重要的其实不是这个。

更关键的是，在这个过程中，**人发挥作用的方式变了**，贡献价值的方式也变了。

**量子位：**在人和AI关系发生巨大变化的这个时刻，那种真正会驯马的人才，反而变得更稀缺、更珍贵了。

**楼天城：**对。harness这个词翻得特别好，就是**马鞍**。

现在的AI，真的越来越像一匹能量极大、越来越野的脱缰野马。

你怎么让它沿着你的意志去行动，同时又能保持自控，还能继续自我演进、越做越好，我觉得这类能力就是今天这个时代最关键的能力之一。

**量子位：**人还是最重要的。只是现在这种人才越来越贵了。

**楼天城：**贵其实是相对的。

如果同样一个人，能够创造出比以前大得多的价值，那自然也应该获得更高的、合理的回报。这本身就是正常的发展过程。

**量子位：**现在行业里，顶级AI人才已经拿到像**足球明星**一样的待遇……（教主听到后困惑脸）

就是说会给他们发上亿年薪。你觉得这合理吗？

**楼天城：**这里面当然会有阶段性的波动。

但整体来看，未来一定会是更少的人，做出更多的贡献。这是一个很正常的发展趋势。

所以我们还是回到贡献本身来看。薪水可能会上下波动，但背后那条主线，其实是在不断抬升的。

**量子位：**我们现在谈世界模型2.0的时候，感觉像是在打开一条通向AGI的路。你认同这个说法吗？

**楼天城：**不是在打开。已经打开了，而且已经走了很久，现在已经到了一个势不可挡的状态。

**量子位：**那你定义的AGI，会是什么状态？

**楼天城：**emm……早年也尝试过给AI的发展定义一些阶段。

但后来我发现，那已经不是一个简单和人比较的阶段定义了，因为今天早就不是停留在那个层面了。

我觉得AI现在已经具备了一些自我演进、自我提升的能力。这已经远远不只是独立完成任务这么简单。

接下来，AI还会进一步拥有和物理世界更紧密接触的能力，甚至真正能够去管理一大群人，或者去管理更复杂的人与人之间的关系。

**量子位：**你的意思是，AI未来甚至可能去管理一个团队？

**楼天城：**公司里面当然还是有人，但越来越多关键决策会由AI来做，**由AI来分配任务，人更多是给它提供信息。**

**量子位：**这也是你认可的一种AGI实现方式。

**楼天城：**AGI这个词，很多时候是在描述一种能力，比如分析能力、推理能力这些。

当然你也可以反过来说，既然它最终能实现这种效果，那它一定已经具备了这些能力。

比如我们今天谈AI coding，很少有人再单独去强调推理能力，但实际上写代码这件事里，推理本身就是最核心的能力之一，它是天然包含在里面的。

从我的判断来看，AI在能力层面已经处在一个势不可挡的上升过程中。

**量子位：**之前大家谈AGI时，常常会把写代码能力当成一个关键指标。我一直在观察，有没有哪个新模型已经超过了你的水平。你现在觉得，有模型已经超过你了吗？

**楼天城：**我现在自己也已经在用模型帮助我写代码了，甚至还在用一些方法去教模型怎么自己写代码。

所以从这个意义上说，我早就不是一个单独存在的个体了。

不过，就我训练出来的agent来看，至少在很多题库上，现在还是排在前面，还是有一定领先性的。

但这里说的是我训练出来的agent，不再是我个人本身了。

我其实早就不在意，去和模型做那种个人层面的正面对比了。

如果一定要说，我能说的是，我和AI结合之后形成的系统，要比单独的AI更强。

但如果只是把我个人拎出来和它们单独比，我很早就不这么看这件事了。

**量子位：**所以以后真正的顶尖程序员比拼，拼的其实是人加AI的综合能力。

**楼天城：**以后比赛是不是会按这个方式办，我不确定。

但在真实世界里写代码这件事上，已经是这样了。

**量子位：**你刚才提到，我们已经在通往AGI的过程中。之前Ilya有一个比较有争议的观点，他说现在这套算法，以及单纯依赖scaling的方式，是没法实现AGI的。你认同吗？

**楼天城：**确实不是能靠那种方式做出来的。

**量子位：**那是不是意味着，我们还是需要一种新的，或者更好的架构？

**楼天城：**过去3到6个月，AI最大的变化其实已经把答案给出来了。

模型结构上当然一直会有自然演进和升级，但真正更关键的变化，是它开始会使用工具了，开始拥有**skills**，也开始有了**harness和engineer**的能力。

我觉得这才是它能力跃迁的根源。并不是靠简单增加数据做到的。

**量子位：**这里还有一个很直觉的问题。比如人类小孩，好像天然就知道站在高处不能掉下去。但机器人，或者自动驾驶汽车，似乎并不天然具备这种认知。

**楼天城：**它不需要自己亲自经历一次，**可以直接通过这些skills获得这种能力。**

人的很多能力是彼此分散的，要一项一项学。但AI可以直接把这些点总结出来、记住就行了。

**量子位：**你怎么看电车难题？是不是是时候可以谈论了。

**楼天城：**我觉得AI的作用，就是避免系统做这种选择。

更早去防范，提前规避，让系统根本不被逼到那个状态。

如果它真的做得足够好，本来就不该被逼到非选不可的状态。

**量子位：**我其实还有最后一个问题，AI正在变得这么强大，咱们都是有娃的人……面向AI未来，你会怎么去养育下一代？

**楼天城：**过去这些年，我们一直在做一件事，就是让AI超越人。驾驶上它已经超越了，未来别的领域可能也会继续超越。

问题在于，**这件事真正的意义是什么？为什么人要去推动这件事？**

一方面，AI做得更好，当然会给我们带来价值。比如从安全角度，它可以减少事故。

但更重要的另一方面是，只有亲身参与这个AI超越人的过程，你才真正有机会想明白，人未来该怎么和AI共存。如果你根本没有参与这个过程，你甚至可能不知道该怎么和它相处。

在这个过程中，我们也许才会真正找到，当AI已经足够强的时候，人还有哪些事情值得做、还能做出独特贡献。这其实也是我现在工作中一个很重要的重点。

我经常在想，到底还有什么事情，是人能做而AI做不了的？

但这件事和下一代教育本身，并不是直接对应关系。

我并不认同现在就急着去学某个特定内容，我反而觉得，一**些基础能力更重要。**

![Image 10](https://i.qbitai.com/wp-content/uploads/2026/04/3d1411b02539caec1dcbbe1abdd80ad5.png)

**量子位：**比如体育……（笑）

**楼天城：**体育肯定是重要的。数学、物理这些认知能力，以及交流能力，这些都很重要。

但如何和AI共存，确实会是一个持续发展的命题。这可能也是我们这一代人最重要的工作之一。

帮助AI超越人，不是为了单纯看它变得比人强，而是希望在这个过程中，真正想明白，人到底还能在哪些地方做出贡献。

只有真正经历完整个过程，才可能知道下一步应该怎么走。

也只有经历过帮助AI超越人的过程，**才会知道，未来人该怎么和AI共存。**

_版权所有，未经授权不得以任何形式转载及使用，违者必究。_

[![Image 11](http://www.qbitai.com/wp-content/themes/liangziwei/imagesnew/head.jpg)[Jay](https://www.qbitai.com/author/jay "由 Jay 发布")](http://www.qbitai.com/2026/04/408578.html#)

*   [华人再破硅谷天花板！AI黑马新任CTO，中科大80后](https://www.qbitai.com/2026/04/406934.html "华人再破硅谷天花板！AI黑马新任CTO，中科大80后")_2026-04-24_
*   [横扫全球15项SOTA！高德首个面向AGI的全栈具身技术体系大公开](https://www.qbitai.com/2026/04/403226.html "横扫全球15项SOTA！高德首个面向AGI的全栈具身技术体系大公开")_2026-04-19_
*   [马斯克来抖音卖老干妈了？？](https://www.qbitai.com/2026/04/403308.html "马斯克来抖音卖老干妈了？？")_2026-04-19_
*   [4.55亿美金！中国具身智能最大单笔融资诞生，高瓴红杉联手押注具身大脑](https://www.qbitai.com/2026/04/402388.html "4.55亿美金！中国具身智能最大单笔融资诞生，高瓴红杉联手押注具身大脑")_2026-04-17_

扫码分享至朋友圈

[](https://service.weibo.com/share/share.php?url=https://www.qbitai.com/2026/04/408578.html&title=%E9%87%8F%E5%AD%90%E4%BD%8D%E4%B8%93%E8%AE%BF%E6%A5%BC%E5%A4%A9%E5%9F%8E%EF%BC%9AAI%E6%98%AF%E5%8C%B9%E8%84%B1%E7%BC%B0%E9%87%8E%E9%A9%AC%EF%BC%8CHarness%E6%98%AF%E8%BF%99%E4%B8%AA%E6%97%B6%E4%BB%A3%E6%9C%80%E5%85%B3%E9%94%AE%E7%9A%84%E8%83%BD%E5%8A%9B&appkey=4017757111&searchPic=true&ralateUid=6105753431 "分享到新浪微博")[](http://www.qbitai.com/2026/04/408578.html)

### 热门文章

[![Image 12](https://i.qbitai.com/wp-content/uploads/2026/04/3c05e7162b787df280fc1a0c5c5505fa.webp) #### 硬刚GPT-Image-2！国产AI生图“天花板”又被捅破了？ 2026-04-25](https://www.qbitai.com/2026/04/406994.html)

[![Image 13](https://i.qbitai.com/wp-content/uploads/2026/04/0cf49de12f493acf8cf43d17c21c697f.webp) #### 刚刚，GPT-5.5发布！内测英伟达工程师：失去它像被截肢 2026-04-24](https://www.qbitai.com/2026/04/406221.html)

[![Image 14](https://i.qbitai.com/wp-content/uploads/2026/04/b8593e06411553477fa414913e724e1f-scaled.jpeg) #### 前小鹏汽车自动驾驶一号位李力耘出任众擎CTO，加速打造具身大脑 2026-04-21](https://www.qbitai.com/2026/04/404124.html)

[![Image 15](https://i.qbitai.com/wp-content/uploads/2026/04/333.png) #### 河南师傅，左手扳手，右手飞书，竟然能搞数据分析！ 2026-04-23](https://www.qbitai.com/2026/04/406191.html)

[![Image 16](https://i.qbitai.com/wp-content/uploads/2026/04/039d530350b8c0a1ad5a2c778820f01d.png) #### 物理优先+VLA闭环进化：高德ABot-World世界模型，破解具身智能零样本泛化难题 2026-04-21](https://www.qbitai.com/2026/04/404086.html)

*   [关于量子位](http://www.qbitai.com/?page_id=99)
*   [加入我们](http://www.qbitai.com/?page_id=101)
*   [寻求报道](http://www.qbitai.com/?page_id=103)
*   [商务合作](http://www.qbitai.com/?page_id=105)

[扫码关注量子位 ![Image 17](https://www.qbitai.com/wp-content/uploads/2019/01/qrcode_QbitAI_1.jpg)](javascript:void(0))[](https://weibo.com/qbitai?is_all=1)[](https://www.zhihu.com/org/liang-zi-wei-48/activities)[](https://www.toutiao.com/c/user/53624121633/#mid=1556041376883713)

[](http://www.qbitai.com/2026/04/408578.html#)追踪人工智能新趋势，报道科技行业新突破

量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 [京ICP备17005886号-1](https://beian.miit.gov.cn/)