文 | 京比特

暴雨天，一辆自动驾驶汽车缓缓停在积水坑前。它犹豫了十秒，然后选择——原地不动。

不是算力不够，不是传感器被遮挡。是模型不理解“高速驶过水坑可能导致侧滑失控”这个物理常识。它见过晴天、雨天，见过路障、行人，但没见过“水坑+车速”这个物理因果组合。

L4自动驾驶为什么迟迟不來？核心瓶颈不在数据量，在模型对物理世界的泛化理解能力。

4月22日，千里科技与阶跃星辰给出了一条新路径：“脑体协同”——从预训练阶段就让基座模型原生理解三维空间、时间序列、车辆动力学。

这不是一次渐进式改进，而是一次技术范式的升维。千里阶跃，正在定义下一代智驾模型的底层逻辑。

一、行业困局：现有智驾路线的“物理天花板”

过去五年，智驾行业的主流做法是“嫁接式”：拿一个通用大语言模型，再用自动驾驶感知、决策数据做微调。优点是快速利用通用智能，缺点是模型对驾驶场景的理解是“后天补课”。

它见过红绿灯，但不理解“车距太近会追尾”；它学过交规，但不明白“冰面制动距离会变长”。这种“物理盲区”在标准路测中不易暴露，但一到长尾场景——极端天气、路面异物、突发障碍——模型就暴露了短板：依赖训练数据中的相似案例，一旦超出统计分布便失效。

行业已经形成共识：L4要求模型在近乎无限的长尾场景中可靠，单纯堆数据行不通。头部玩家纷纷从模型架构层面寻求突破。

正是在这一背景下，千里科技与阶跃星辰推出了“脑体协同”原生智驾基座模型。不是修补，是重构。

二、“脑体协同”：千里阶跃定义原生智驾基座模型

何为“脑体协同”？

“脑”是通用智能——语言、推理、常识。“体”是驾驶能力——空间感知、时间预测、车辆动力学控制。传统路线先训练“脑”，再给“脑”补驾驶课，割裂且低效。千里阶跃的方案是“脑体同训”：在基座模型预训练阶段，将海量通用语料与真实智驾感知、规控数据同源输入，让模型从“出生”就同时学语言和驾驶。

这一创新带来了三大技术优势。

第一、物理直觉，而非死记硬背。 模型从预训练之初就被训练理解三维空间（物体位置、距离、速度）、时间序列（轨迹预测、行为预期）、车辆动力学（加速、制动、转向响应）。它具备了驾驶所需的“物理常识”，遇见未曾见过的场景，能基于原理推理，而非盲目匹配。

第二、泛化能力跨越式提升。 对极端天气、复杂博弈、突发障碍等长尾场景，原生模型的理解深度远非后训练可比。新闻稿中明确指出：“使得基座模型在诞生之初就具备对三维空间、时间序列和车辆动力学的深刻认知。”这正是打破物理盲区的关键。

第三、决策更类人，更可解释。 模型输出不仅正确，而且符合人类驾驶逻辑，便于调试和信任建立。从“因果”出发，而非从“相关”出发——这是通向L4信任链的重要一环。

千里与阶跃星辰的合作不是简单的供应关系，而是全周期“脑体协同”共建。阶跃星辰作为国内基础大模型头部企业，提供顶尖预训练框架与通用智能能力；千里科技提供海量真实智驾数据、规控算法与量产经验。双方在完成原生基座训练后，还将针对极端天气、复杂博弈等高难度场景进行专项深度特训，同时确保通用推理能力不丢失。

“脑体协同”——当前智驾模型架构领域最前沿、最系统的创新之一，为L4落地提供了全新的技术底座。

三、迈向L4：技术代差与行业引领价值

千里阶跃的这一路径，不仅是技术突破，更是战略卡位。

新闻稿中明确表述：“千里科技有望在迈向L4级高阶自动驾驶的竞争中，获得关键性的技术代差优势。”这个判断有坚实依据：后训练玩家永远无法通过“补课”追赶原生模型对物理世界理解的深度。一旦基座模型的“物理直觉”被验证有效，领先者将建立长期壁垒。

更重要的是，千里阶跃正在推动智驾竞争从“数据量”转向“模型原生智能”。过去几年，行业比拼传感器数量、数据规模、算力堆叠——这些都是“量”的竞争。而千里阶跃将竞争升级到“质”的层面：谁能让模型真正理解世界，谁就能定义下一代智驾架构。这一路径很可能倒逼行业从“微调竞赛”转向“预训练竞赛”，千里正是这一转型的先行者。

对整个行业而言，这一合作同样价值巨大。对阶跃星辰，将顶尖大模型能力落地到最具挑战的物理世界场景，验证了通用智能的泛化价值；对千里科技，构建自主可控的核心技术壁垒，在L4竞争中占据有利身位；对行业，提供一条可验证的新技术路径，推动智驾从“感知智能”走向“认知智能”。

结语：千里阶跃正在定义智驾基座的新标准

千里科技与阶跃星辰通过“脑体协同”原生预训练，从模型架构层面解决了智驾对物理世界理解不足的根本性问题。这一路径有望形成技术代差，为千里在L4竞争中建立长期优势。

未来2-3年，智驾竞赛将从“数据量”转向“模型原生智能”。千里阶跃已经率先起跑。

不懂物理的AI开不好车。千里阶跃的“脑体协同”，正在让AI真正学会驾驶。