元戎启行周光:从城市NOA到物理AI,自动驾驶进入新战场

“元戎启行的目标，是成为物理世界的AI基础设施。”在2026年北京国际车展期间，元戎启行CEO周光给出的这一判断，将公司叙事从辅助驾驶方案，推向了更大的物理AI命题。

这不是一次普通的车展技术发布。按照周光的设想，元戎启行未来要像通信、电力一样，成为支撑现实世界运行的基础能力之一。当一家自动驾驶公司不再只谈城市NOA、量产车型和功能体验，而是把自身放入“物理世界基础设施”的框架中，其战略指向已经发生变化：自动驾驶不只是汽车上的一个功能，而可能成为AI理解、判断并参与现实世界运行的入口。

支撑这一判断的，是元戎启行已经披露的一组量产和运行数据。公司信息显示，搭载元戎启行城市NOA辅助驾驶方案的量产车辆已突破30万辆；过去一年，搭载元戎启行主动安全系统的车辆累计真实道路运行里程超过13亿公里，累计陪伴用户驾驶时长达4480万小时。到2026年，元戎启行计划推动辅助驾驶系统量产交付规模突破100万辆，并将MPCI指标提升至1000公里以上，推动用户高频使用率提升至50%以上。

从30万辆到100万辆，从城市NOA到物理AI基础设施，元戎启行此次释放出的核心信号是：自动驾驶公司的竞争重心，正在从功能交付转向规模、安全、数据闭环和底层模型能力。

元戎启行CEO周光演讲

从辅助驾驶到物理AI

周光对自动驾驶的理解，起点仍然是安全。

在发布会现场，他回忆了创业初期一场让他印象深刻的交通事故。“当时我就在想，能否用AI技术去解救更多的生命。”周光表示，自动驾驶当前并不完美，城市中的MPCI仍只有几十公里，但按照其判断，目前自动驾驶安全性已经是纯人类驾驶的数倍。他进一步提出，随着大模型理解能力持续增强，未来2到3年内，行业有机会实现真正安全的自动驾驶。

这一表述将元戎启行此次发布会的重心拉回到自动驾驶最基础的问题：系统能否在真实道路中持续提升安全性。对元戎启行而言，量产规模不只是商业数据，也是模型能力持续进化的前提。

公司披露的信息显示，搭载元戎启行城市NOA辅助驾驶方案的量产车辆已经突破30万辆。过去一年，搭载元戎启行主动安全系统的车辆累计真实道路运行里程超过13亿公里，累计陪伴用户驾驶时长达4480万小时。这些数据意味着，元戎启行已经拥有较大规模的真实道路运行样本。对自动驾驶系统而言，真实道路数据越多，面对复杂场景、长尾风险和用户高频使用的机会也越多。

周光在媒体沟通会上谈到，目前搭载元戎启行系统的车辆已超过30万台，新增100万台“没什么大问题”。这一说法仍属于企业目标和判断，但从企业战略看，百万辆量产目标对应的不只是装车数量增长，更是基础设施能力能否成立的一次规模化验证。

在这个过程中，元戎启行不再只是强调“让车会开”，而是试图让AI在物理世界中形成理解、判断、反馈和迭代能力。城市NOA是落地入口，真实道路数据是训练基础，安全指标和用户高频使用率则是检验结果。

这也是周光提出“物理世界AI基础设施”的关键背景。自动驾驶如果停留在单车功能层面，其价值主要体现在车型配置和用户体验上；如果它能够通过大规模运行持续积累数据、提升模型能力，并在更多真实场景中稳定发挥作用，其角色就可能从功能供应走向底层能力支撑。

阮翀的首次公开演讲，为这一变化补上了技术路径。作为元戎启行首席科学家，阮翀提出以基座模型为核心的新一代技术路线。按照其介绍，基座模型将驾驶决策、场景理解与行为评估统一在同一架构中，不再依赖大量小模型分别处理行人、红绿灯、道路结构等任务。

在阮翀的拆解中，元戎启行的基座模型包括Driver、Analyst和Critic三类模型：Driver负责驾驶动作输出，Analyst解释系统为什么这样开并参与数据标注，Critic则更多利用负向数据，帮助系统理解哪些行为需要避免。对应到现实场景中，这套体系试图解决的不只是“能不能开”，还包括“为什么这样开”“哪些行为有风险”“系统如何从错误中学习”。

公司方面表示，在这一体系下，数据闭环迭代周期从过去约5天缩短至约12小时。对自动驾驶系统而言，这意味着问题发现、数据处理、模型训练和验证反馈之间的时间被压缩，系统迭代效率得到提升。

元戎启行首席科学家阮翀演讲

物理AI的外溢效应

元戎启行提出“物理世界AI基础设施”，真正值得关注的，不只是这家公司自身的战略调整，而是这一判断可能带来的外溢效应。

在行业格局上，自动驾驶竞争可能不再只围绕“谁的NOA更好用”展开。过去，城市NOA的竞争更多体现在开城速度、功能体验和车型搭载数量上。进入规模化量产阶段后，真实道路数据、模型迭代速度、安全表现和用户高频使用率的重要性开始上升。谁能持续获得真实运行数据，并把这些数据转化为模型能力，谁就可能在下一阶段竞争中获得更强的位置。

这意味着，自动驾驶公司的能力边界正在被重新划分。过去，方案供应商更多承担项目交付角色，围绕车企需求进行适配和开发；而在物理AI逻辑下，自动驾驶公司要争夺的则是底层模型、数据闭环和系统持续进化能力。车企与技术公司的关系，也可能从单纯采购方案，逐渐转向围绕底层智能能力展开协作。

在商业模式上，百万辆量产目标将成为关键分水岭。周光在沟通中提到，一年达到200万台以上之后，更多数据的边际成本会递减。按照这一思路，自动驾驶公司的商业价值不只来自项目收入或功能交付，也来自规模化运行带来的数据资产、模型迭代和系统复用能力。

这也是“基础设施”叙事与传统供应商模式的差别。传统方案交付更依赖单个客户、单个车型和单次项目周期；基础设施型能力则强调可复用、可扩展、可持续运营。对元戎启行而言，30万辆量产是起点，2026年突破100万辆目标是压力测试，MPCI提升至1000公里以上和用户高频使用率提升至50%以上，则关系到这一能力是否真正被市场和用户接受。

阮翀所说的基座模型，也在改变自动驾驶公司的内部效率。除了驾驶系统本身，AI还被用于知识库问答、代码生成、跨部门协作和实验分析等研发管理流程。这意味着，大模型不只是产品能力的一部分，也正在进入组织运行过程。自动驾驶公司的竞争，可能不再只是算法团队之间的竞争，也包括研发流程、数据处理效率和组织协作方式的竞争。

更长远看，如果“物理世界AI基础设施”的判断成立，自动驾驶能力的影响范围也可能超出乘用车。周光把元戎启行的目标类比为通信、电力，指向的是一种更广泛的现实世界基础能力。汽车是当前最清晰的落地场景，但物理AI所要求的感知、理解、决策和行动闭环，同样可能与物流、出行、机器人以及城市运行等场景产生关联。

这一影响不能被提前写成确定结果。元戎启行能否真正从辅助驾驶方案提供商走向物理世界智能底座，还取决于后续量产进展、用户使用频率、安全表现、车企合作和模型能力提升。周光所判断的“未来2到3年内实现真正安全的自动驾驶”，也仍需要市场与道路验证。

但可以确定的是，元戎启行此次在北京国际车展释放出的核心信号，已经不是单一技术升级。周光提出“物理世界AI基础设施”，实际是在重新定义一家自动驾驶公司的终局：它不只服务于汽车功能，而是试图成为AI进入现实世界的底层入口。

对自动驾驶行业而言，这一战略的潜在影响也由此展开：行业格局可能从功能竞争转向底层能力竞争，商业模式可能从项目交付转向持续运营和数据闭环，社会运行方式则可能因AI更深度介入交通、出行和物理空间而被重新塑造。元戎启行能否走到这一步仍有待验证，但它提出的问题已经足够明确——自动驾驶公司的未来，可能不只是让车开得更好，而是让AI开始真正理解并参与物理世界。