“目前，我们的全无人物理AI商业化运营里程累计突破1.6亿公里。”北京亦庄企业智行者董事长兼CEO张德兆说。基于这一数据沉淀，智行者6月1日正式发布物理AI世界模型TransWorld，通过三重异构数据采集、四级数据精炼蒸馏与五层金字塔模型架构，构建起闭环自进化体系，为无人驾驶车辆打造“超级物理大脑”。

　　三重异构 让数据“长”在真实物理世界里

　　“算法与算力搭建了物理AI的骨架，但真正决定其智力上限的，是数据的‘真实物理浓度’。算法和算力可以快速拉升，唯独高质量的物理世界数据无法速成。”张德兆表示。成立11年来，智行者通过布局极限作业、智慧清洁、智能出行等多元场景，让1.6亿公里数据具备多维度、多形态、多场景三大异构特征。

　　聚焦维度异构，智行者搭载多元传感器阵列，实现全息数据融合。激光雷达感知三维空间，摄像头捕捉多视角画面，超声传感器探测近距离障碍物与透明物体，惯性测量单元（IMU）记录运动姿态，交互系统预判人车意图……这种多传感器融合的数据，不仅能记录机器看见什么，更完整记录了物理世界如何回应机器的每一个动作，为物理AI的深度训练提供稀缺、真实的燃料。

　　形态异构，体现在数据采集不局限于单一终端。蜗小白AI清洁机器人、蜗大白重型无人驾驶清扫车、提供应急巡检救援的极限作业智能体，以及服务于景区与公共出行的AI漫游车与Robobus，不同形态的智能体由同一个“物理AI大脑”调度，数据天然具备跨形态泛化能力，比如清洁场景中学到的避障策略，可以直接迁移给巡检机器人。

　　场景异构则体现在，覆盖工业仓储、交通枢纽、商综楼宇、医院校园、公园景区，乃至无地图的森林荒漠。这种“全场景深覆盖”，为模型提供了丰富的真实世界教材。

　　四级精炼 从里程积累到规律提纯

　　有了数据，如何释放价值？智行者对1.6亿公里里程进行了四级分层拆解与数据蒸馏，把原始数据变成驱动世界模型持续迭代的“超级燃料”。

　　具体来看，基础级是脱敏多模态数据，完整保留从视觉、雷达到底盘执行器的所有物理反馈与交互轨迹，支持世界模型自监督预训练和物理规律学习。第二级提炼出结构化场景数据，对写字楼、工厂、公园等场景精细打标聚类，转化为数字孪生中的标准化环境模板，为世界模型的推演与强化训练搭建基础场景库。第三级沉淀交互与博弈数据，涵盖低速漫游车礼让行人、中速清扫车避让外卖骑手、极限作业智能体高速协同通行等微观互动序列，构成训练物理AI意图预判与博弈决策能力的语料库。

　　作为“黄金集”的第四级高质量标注数据，经人机双重审核，实现机器感知与物理执行的全模态对齐。例如，蜗小白驶过带油污的减速带时，数据会精细标注“视觉识别为反光积液区域、雷达定位前方6厘米凸起、底盘记录摩擦系数瞬间降低40%并伴随垂直冲击力”。这种教科书般的样本，构成了AI理解物理常识的核心骨架，在强化学习中承担奖励评判职能，为模型推演试错提供清晰的进化方向。

　　五层架构 驱动物理AI进化

　　基于高价值数据沉淀，TransWorld采用五层金字塔架构，从底层感知到顶层泛化，形成完整的闭环自进化体系。

　　L1多模态感知基座层，将视觉、力学、本体感知等多模态数据深度融合，建立物理时空一致性，为构建覆盖低速、中速、高速的全速域数据集提供关键基础。

　　L2物理常识内化层，从海量数据中提炼摩擦、惯性、物体恒常性等规律，构建“物理常识脑”，这使得模型不再简单模仿，而是理解因果，即使面对从未见过的场景，也能预判交互结果。

　　L3物理世界仿真层，在数字孪生空间中搭建虚拟仿真工厂，相较于真实数据采集，仿真数据边际成本趋近于零，可无限生成高质量训练样本。

　　L4强化学习训练层，打通虚拟与现实的映射，校正仿真偏差，让智能体从“在仿真中学会思考”走向“在现实中稳健行动”。

　　L5泛化推理层，突破跨形态、跨场景迁移瓶颈，最终实现“同一个大脑”指挥“千姿百态的身体”。这意味着，无论是AI清洁机器人、AI漫游车还是极限作业智能体，新设备无需从头开始积累交互数据，只要给定少量适配样本甚至完全零样本，就能直接获得较高的执行性能，实现“一次学习，多形态部署”的能力闭环。

　　“1.6亿公里不是终点。”张德兆表示，“作为北京亦庄无人驾驶产业的重要一员，下一步，智行者将以TransWorld为超级基座，从北京亦庄的测试道路驶向更广阔的世界，加速打造全球领先的移动智能体平台。”融媒体中心 孙艳平