AI时代无墙：元戎启行Superfluid Lab的长期技术野心
7月29日，自动驾驶领域的头部企业元戎启行发布《对话Superfluid》一文，正式推出超流体实验室（Superfluid Lab）。这个实验室的核心任务并非直接优化自动驾驶系统，而是将大量精力投入基座模型研发，从VLA模型、世界模型到多模态理解，试图探索比自动驾驶更底层的问题：AI究竟该如何理解并最终进入物理世界。
在商业世界中，追求确定性几乎是所有企业的共识：更低的决策成本、清晰的短期回报，能让资源集中到阻力最小的赛道。尤其在竞争激烈的行业里，这一点更为明显。但元戎启行的这一选择，却打破了这种常规的商业逻辑，背后其实指向一个更大的命题：在AI时代，我们究竟该如何理解一家公司的边界？
行业惯性与反向选择
要理解Superfluid Lab的意义，首先需要看清自动驾驶行业的当前状态。过去两年，几乎所有头部智驾公司都在向大模型靠拢，传统小模型的能力瓶颈已经显现，泛化性更强的大模型成为突破行业上限的最优解。但大模型落地自动驾驶场景仍有诸多难题：当前的大模型虽具备强大的信息理解能力，距离真正理解物理世界仍有不小差距。
对于多数智驾企业而言，投入资源探索这类长期且高度不确定的方向，绝非理性选择。当下行业已经进入高速渗透与大规模量产阶段，研发天然会被短期目标牵引：一套能降低接管率的智驾升级，能快速体现商业价值，但新的基座模型可能投入数年都无法直接回答“明年能多卖多少套智驾系统”这类现实问题。
这类基础研究不仅周期长，更缺乏成熟的评估标准，企业需要投入海量算力、长期研发成本，却无法保证最终成果。对于仍在争抢车型定点、追赶量产节奏的智驾公司来说，每一分投入长期研究的资金，都意味着眼前产品竞争的资源减少。
因此大多数企业的最优解，是沿着现有技术路线优化，解决短期具体问题，快速完成技术验证与产品落地。但元戎启行却选择了反向路径：回到问题本源，探索让AI真正理解物理世界的底层逻辑，而Superfluid Lab正是承载这一目标的研究组织。
AI公司的边界重构
很多人会好奇：一家自动驾驶公司为何要投入大量资源做基座模型研究？OpenAI与Anthropic的发展轨迹，早已给出了清晰的答案。
2025年底，OpenAI还被视作典型的消费级AI公司，ChatGPT月活接近10亿，七成收入来自消费者订阅；仅仅半年后，据行业媒体报道，企业客户收入占比就将突破50%，这家C端起家的企业正在转向ToB服务赛道。
Anthropic的变化更为显著。两年前外界对它的标签还是“AI安全”与“基础模型”，但2025年推出Claude Code后，仅一年时间该业务年化收入就突破25亿美元，其中超半数来自企业客户。这直接拉动Anthropic的年化收入从2025年初的10亿美元，到今年4月突破300亿美元。
如今的Anthropic早已不再是单纯的聊天机器人或编程公司，其业务边界已经延伸至通用办公、企业工作流、Chrome、Slack、医疗生命科学等多个领域。这背后的趋势清晰可见：AI正在重新定义企业的业务边界。
传统软件公司的边界由明确的场景与产品决定，但AI公司的路径恰好相反：先具备通用底层技术能力，再以此为基础拓展新场景。产品只是技术能力在特定阶段的落点，而非企业的最终边界。
对于元戎启行而言也是如此。如果Superfluid Lab能让模型更好地理解空间、运动、因果与物理规律，那么其积累的能力将不止服务于自动驾驶场景，还能迁移至机器人、无人设备、工业系统等更多需要AI与真实世界交互的领域，这与Anthropic的扩张路径并无本质区别。
真正定义一家AI公司的，从来不是它最初进入的市场，而是其掌握的技术红利，能以多快的速度释放到更多场景中。
扎根商业化的长期研究组织
业务边界的拓展，必然要求组织形式随之调整，这也是理解Superfluid Lab的关键角度。据元戎启行首席科学家阮翀介绍，该实验室以基座模型为核心，从VLA模型切入，同步推进世界模型、多模态理解等关键方向。
很多人会将Superfluid视作元戎的“大模型部门”，但这一理解并不准确。它更像是一种全新的研究组织形态：传统AI研究团队往往面临两难，产品团队易被短期目标束缚，难以投入长期基础研究；纯研究机构又容易脱离真实场景，无法验证技术价值。而Superfluid试图在两者间找到平衡。
从组织形态来看，Superfluid具备新一代AI实验室的典型特征：顶尖人才、精简层级、独立管理与长期目标。实验室负责人阮翀是DeepSeek早期核心成员，曾从幻方时期加入团队并参与Janus-Pro等多模态成果的研发；同时Superfluid实行独立管理、独立招聘，尽可能降低原有项目体系对研究方向的干扰。
比组织独立更值得关注的，是实验室的研究目标选择。阮翀表示，Superfluid专注于长期技术突破，主动探索尚未被明确定义的问题。在他看来，基座模型不仅是技术手段，更是对智能上限持续追求的“信仰”，AI领域仍有大量未被系统性定义的问题域，实验室的目标就是重新梳理这些问题并探索解决方案。
与多数纯前沿研究机构不同，Superfluid并未脱离产业场景，而是将自动驾驶作为首个验证场景。元戎启行量产辅助驾驶业务已经积累超过50万辆汽车的真实道路数据，数据闭环周期从过去的5天缩短至12小时，这为Superfluid的模型研发提供了最直接的真实反馈来源。
综合来看，Superfluid Lab本质上是一家附着在大规模商业化场景上的长期基础研究组织。在整个自动驾驶行业都在追求速度的当下，元戎启行选择反向押注下一代AI范式，正如阮翀所说：“快的东西，往往也很快被替代。慢的东西，一旦建成，会成为很多快的东西的底座。”
