昨天和一位朋友聊 AI，他提出了一个挺有意思的观点。

他说，AI 其实只是在改变数字化的世界。毕竟，今天所有的大模型、Agent、软件系统，本质上都运行在由 0 和 1 构成的数字世界里。AI 只是改变了我们构建这个世界的速度，以及人与数字世界交互的方式。

至于物理世界呢？

道路还是那些道路，汽车还是那些汽车，工厂还是那些工厂。AI 并没有凭空创造新的物质，也没有改变物理世界的基本规律。

所以，AI 说到底，只是数字世界的一场革命。

乍一听，这个观点似乎没什么问题。

但我越想，越觉得这里面藏着一个值得认真讨论的问题：

如果 AI 只是改变数字世界，那为什么我们又如此期待它改变现实世界？

一、过去几十年，我们一直在做同一件事

回顾过去几十年的信息技术发展，其实可以看到一条非常清晰的主线。

我们一直在把物理世界数字化。

道路变成地图，车辆变成轨迹，工厂变成数字孪生，企业的业务流程变成软件系统。

原本存在于现实世界中的事物，被转换成数据、模型和代码，进入计算机。

互联网让这些数字信息能够低成本地传播，云计算让它们能够被集中处理，大数据让我们能够从海量信息中发现规律。

到了 AI 时代，大模型又让机器具备了更强的语言理解、信息归纳、内容生成和推理能力。

如果沿着这条线看下去，似乎确实可以得出一个结论：

AI只是让数字世界变得更加智能。

过去需要程序员写代码，现在可以让 AI 生成代码；过去需要工程师分析数据，现在可以让 AI 分析数据；过去需要人操作软件，现在可以通过自然语言让 Agent 执行任务。

本质上，都是在提高数字世界的生产效率。

但问题在于，我们是不是忽略了另外一件事？

数字世界从来就不只是物理世界的记录工具，它也是人类理解、设计和控制物理世界的重要手段。

一张建筑图纸不会自己变成一座建筑，但它可以指导建筑施工。

一套控制算法不会自己推动汽车，但它可以决定汽车何时加速、何时转向。

一个交通信号配时方案不会自己改变道路，但它可以决定一个路口的车辆如何通行。

数字信息本身当然不会直接改变物理世界。

真正重要的是，数字信息能否进入现实世界的决策与执行过程。

而 AI，正在让这个过程发生变化。

二、AI 真正改变的，可能不是机器，而是机器能够完成的任务

我们不妨看看几个熟悉的场景。

工业机器人已经发展了几十年。

过去，机器人擅长在固定环境中重复执行预先编排的动作。一旦环境发生变化，或者任务超出了预先设定的范围，就可能需要重新编程，甚至重新设计整个自动化流程。

今天，视觉模型、语言模型和机器人控制技术正在尝试让机器人理解更复杂的环境，并根据任务要求调整行动。

机器人并没有因为 AI 的出现而突然获得新的物理结构。

真正发生变化的是：我们有机会用更通用的方式，让机器理解任务、处理变化，并执行过去难以自动化的工作。

自动驾驶也是如此。

汽车、道路、雷达和摄像头早已存在。AI 的价值，不在于发明了汽车，而在于帮助车辆感知环境、预测其他交通参与者的行为，并形成驾驶决策。

同样的逻辑，也适用于工厂、能源系统、物流网络和城市交通。

这些领域原本就拥有大量设备、传感器和控制系统。

它们真正缺少的，有时并不是更多的硬件，而是能够理解复杂环境、处理非结构化信息，并将专业知识转化为可靠行动的能力。

当然，这不意味着只要接入一个大模型，机器就能自主工作。感知精度、实时性、控制接口、安全约束和验证机制，依然是必须解决的问题。

但方向已经值得关注：

AI 不一定需要创造一种新的机器。它只需要改变既有机器能够理解什么、能够决策什么、能够完成什么，就可能改变物理世界的运行方式。

这比单纯提高软件开发效率，显然有着更广阔的想象空间。

三、比机器人更容易被忽视的，是 AI 对工程的改变

谈到 AI 改变物理世界，很多人首先想到的是人形机器人、自动驾驶汽车或者无人机。

这些场景很直观。

但我认为，还有一条同样重要、甚至更容易被忽视的路径：

AI 不仅可以直接操作物理设备，还可以改变人类设计、建设和控制物理世界的工程方式。

我们以交通工程为例。

一个真实路口的渠化设计，涉及车道功能、交通流向、转向需求、信号相位、道路几何条件、交通安全和规范约束。

这些知识分散在哪里？

一部分在设计图纸中，一部分在工程规范中，一部分在计算程序中，还有一部分存在于工程师的经验里。

过去，我们可以利用 CAD 绘图，用专业软件计算，用仿真系统评估方案。

但这些工具往往各自解决一个相对明确的问题。如何把图纸、规范、计算、仿真和工程经验组织起来，形成一套完整的工程工作流，仍然高度依赖工程师。

现在，假设 AI 能够完成这样一件事：

给它一张路口照片，它不仅识别出道路和车辆，还能进一步理解车道功能、交通流向和道路连接关系，构建出一个包含工程语义的路口模型。

在这个模型上，AI 可以调用专业工具，计算信号配时，检查设计冲突，比较不同渠化方案，并对结果进行验证。

最后，经过工程师审核和授权，方案进入实际实施环节。

这里真正值得关注的，不是 AI 能不能看懂一张图片。

而是它能否把图片背后的真实工程对象，转化成一个机器能够理解、计算、验证和操作的对象。

这意味着，AI 不再只是回答工程师的问题，也不只是帮助工程师更快地使用软件。

它开始尝试承担工程任务本身。

从理解工程对象，到形成设计方案，再到计算、验证和交付，整个过程都有可能被重新组织。

这就是我一直在思考的 Agentic Engineering。

它关注的不是简单地给传统软件加一个 AI 对话框，而是让 AI 能够围绕真实工程目标，组织知识、调用工具、执行计算、验证结果，并在明确的责任与安全边界内完成任务。

对于交通行业来说，这条路径尤其值得探索。

因为交通系统本身就是一个典型的物理世界：有真实的道路、车辆、信号机和交通流，也有大量复杂的工程知识、控制规则与安全约束。

如果 AI 能够可靠地参与交通工程设计与控制，它改变的就不只是工程师的工作效率，还可能进一步影响交通系统的建设、运行和维护方式。

四、从数字孪生到可操作的物理世界

这里还可以再往前走一步。

过去，我们一直在讲数字孪生。

简单来说，就是在数字空间中建立一个与现实对象相对应的模型，用于展示、监测、分析和仿真。

数字孪生的价值毋庸置疑。

但如果一个数字模型只能展示现实世界的状态，或者只能运行预先设计好的仿真程序，那么它与一个能够自主完成工程任务的系统，仍然存在明显区别。

前者主要解决的是：现实世界在数字空间中如何被表达。

后者进一步追问：机器能否基于这个表达，理解工程约束、推演可能的变化、形成可执行方案，并验证方案是否成立？

这也是我认为 AI 时代值得关注的一种转变：

从数字化描述物理世界，走向让机器能够在数字空间中理解和操作物理世界。

我们可以把这个过程理解为三个层次。

第一层，是看见世界。

通过摄像头、传感器、图纸和各类数据，让机器获得关于现实世界的信息。

第二层，是理解和推演世界。

机器不仅识别对象，还要理解对象之间的关系、运行规则和约束，并能够预测不同决策可能带来的结果。

第三层，是通过行动改变世界。

机器生成的方案进入真实的执行系统，根据现实反馈不断修正。

这三个层次之间，并不存在天然畅通的通道。

看见不等于理解，理解不等于预测，预测更不等于能够安全地行动。

一个视觉模型识别出了车道，不代表它理解了车道之间的交通关系；一个系统生成了信号配时，不代表它已经证明该方案满足安全约束；一个仿真结果很好，也不代表现实道路上一定能够取得相同效果。

真正的技术难点，恰恰在于如何跨越这些鸿沟。

因此，所谓让 AI 理解物理世界，并不是给模型更多图片、更多视频，或者生成一个更逼真的三维场景就够了。

对于工程领域而言，我们还需要明确的语义、可计算的规则、专业工具、验证机制，以及连接现实系统的执行接口。

世界模型的价值，不仅在于让机器拥有一个关于世界的表示，更在于这个表示能否支撑可靠的推理、预测和行动。

当这些能力真正连接起来，数字空间才可能成为 AI 改造物理世界的工作空间，而不仅仅是一面反映现实的镜子。

五、AI 时代真正重要的基础设施，可能不只是算力和模型

过去两年，AI 产业的注意力主要集中在几个方向。

更大的模型，更多的算力，更长的上下文，更强的推理能力，以及更完善的 Agent 框架。

这些当然重要。

但如果我们把视角从数字世界转向物理世界，就会发现另一个问题：

即使有了一个能力很强的模型，它如何理解一个具体行业的真实对象？如何获得可靠的专业知识？如何调用行业工具？如何验证自己的结果？又如何在满足安全要求的情况下，真正参与业务运行？

这些问题不会因为模型变强就自动消失。

一个通用模型可以理解交通工程的很多概念，却不一定能够准确还原一个真实路口的车道连接关系。

它可以给出一套看似合理的信号控制方案，却不一定能够证明方案满足工程约束。

它可以生成代码，却不一定能够保证代码在真实系统中正确运行。

从模型能力到工程结果，中间仍然需要一套能够把两者连接起来的基础设施。

这套基础设施可能包括：

• 世界表达能力： 将真实对象转换成机器可以理解、计算和操作的结构化表示。

• 专业计算能力： 将行业知识、工程规则和确定性算法组织成可调用的工具。

• 验证与评价能力： 对 AI 的判断、计算和执行结果进行检查，明确哪些结论可信、哪些尚未得到验证。

• 执行与反馈能力： 将经过授权的决策接入真实业务系统，并利用现实反馈持续修正。

这也是为什么，我越来越倾向于把 AI 时代的竞争理解为两个层面。

一方面，是模型本身的能力竞争。

另一方面，是谁能够把模型能力组织成一套真正能够解决现实问题的系统。

前者决定 AI 能力的上限之一，后者决定这些能力能否进入具体行业，并转化成可验证的价值。

对于交通这样的复杂工程领域，后者尤其关键。

因为交通行业的核心问题从来不是缺少数据，也不是缺少软件，而是如何把大量分散的信息、专业知识和控制手段，组织成能够可靠运行的工程系统。

这也是我们探索 Traffic World、WayAgent 和 Agentic Engineering 的出发点。

我们希望机器不仅能够谈论交通，还能够逐步理解交通工程对象，在明确的约束下完成计算与验证，并最终参与真实工程任务。

这条路还很长，很多环节也远没有解决。但它指向的，并不是一个更聪明的聊天机器人，而是一种新的工程生产方式。

六、回到最初的问题：AI 真的只是在改变 0 和 1 的世界吗？

现在再回头看朋友提出的那个问题，我觉得需要区分两件事。

从技术实现上说，AI 确实运行在数字系统中。无论模型多么强大，它都无法绕过物理规律，也不能仅凭生成一段文本就直接改变现实。

但从社会和产业影响上说，数字技术的作用范围，从来就不局限于数字空间。

人类用数字系统设计飞机、建造桥梁、控制电网、规划道路。数字系统中的信息，通过工程实践和控制机制，持续改变着现实世界。

AI 带来的潜在变化，是让机器有机会承担其中越来越多原本依赖人类理解、判断和操作的工作。

过去，数字化主要是把物理世界转化成机器可以处理的数据。

而 AI 时代，我们开始尝试让机器进一步理解这些数据所对应的真实对象，掌握其中的规则，并在约束下形成可以执行和验证的行动。

当然，这并不意味着所有行业都会被同样的方式重构，也不意味着 AI 可以绕过人的责任、安全规范和现实条件。

物理世界有它自己的复杂性。

但恰恰因为如此，那些能够把 AI 能力与真实工程对象、专业规则和执行系统连接起来的技术，才值得长期投入。

也许，AI 时代最值得关注的变化，并不是数字世界变得多么精彩。

而是有一天，我们不再需要为每一个复杂的现实问题，都先把人训练成一名熟练的软件操作员，再让他借助软件完成工作。

我们可以直接描述一个工程目标，由 AI 理解任务、组织工具、开展计算、验证结果，再由人和机器共同完成现实世界中的行动。

如果这一天逐渐到来，那么 AI 改变的就不仅是我们使用计算机的方式。

它还将改变我们建设城市、运营工厂、管理交通，以及改造物理世界的方式。

数字世界是 AI 的运行空间，但不必是 AI 的影响边界。

而我们今天真正需要思考的，也许不是 AI 能否走出 0 和 1。

而是：

我们有没有能力，为 AI 建立一条从数字智能通向真实世界的可靠通道？