物理AI與數(shù)字AI在數(shù)據(jù)獲取層面的本質(zhì)差異如何影響其Scaling路徑選擇？

數(shù)字AI與物理AI在數(shù)據(jù)獲取層面的差異具有結(jié)構(gòu)性特征，直接導(dǎo)致其Scaling路徑的分化。

在數(shù)據(jù)性質(zhì)上，數(shù)字AI處理文本、代碼與圖像等已存在于互聯(lián)網(wǎng)的語料，Epoch AI估計(jì)公開人類生成文本有效存量約為300萬億Token，Scaling的核心是對有限存量的高效利用。物理AI所需的高價(jià)值數(shù)據(jù)則是長尾、極端與事故場景，RAND以美國道路安全統(tǒng)計(jì)測算，若要在95%置信度、±20%精度下證明自動(dòng)駕駛致死率達(dá)標(biāo)，約需88億英里，以百輛車隊(duì)規(guī)模需數(shù)百年；這些場景在日常行駛中出現(xiàn)頻率極低，真實(shí)采集面臨高成本與安全風(fēng)險(xiǎn)。

在Scaling動(dòng)作上，數(shù)字AI的核心是"抓取與壓縮存量"，物理AI則是"制造與覆蓋未觀測狀態(tài)"。這一差異使物理AI必須發(fā)展出區(qū)別于數(shù)字AI的數(shù)據(jù)生產(chǎn)體系，世界模型由此被定位為"數(shù)據(jù)工廠"：特斯拉CVPR 2023提出構(gòu)建自動(dòng)駕駛領(lǐng)域基礎(chǔ)世界模型，Waymo演進(jìn)至2026年發(fā)布Waymo World Model直接建模未來世界狀態(tài)，英偉達(dá)Cosmos、Wayve GAIA-2等系統(tǒng)可按需生成臨界碰撞與分布外危險(xiǎn)場景。

但世界模型作為數(shù)據(jù)工廠面臨自身可靠性約束。長時(shí)程一致性是反復(fù)強(qiáng)調(diào)的難點(diǎn)，Wayve在GAIA-2中專門強(qiáng)調(diào)維持長時(shí)域時(shí)空一致性，DriveDreamer4D指出現(xiàn)有重建方法在跨原始采集軌跡渲染時(shí)易出現(xiàn)目標(biāo)錯(cuò)位、車道模糊與鬼影。這意味著越稀缺、越偏離訓(xùn)練分布、時(shí)間序列越長的場景，生成越不可靠，而這些區(qū)域恰是最需要Corner Case的區(qū)域。世界模型既是Corner Case生產(chǎn)者、本身也面臨Corner Case，這一張力構(gòu)成評估其數(shù)據(jù)工廠價(jià)值的前提。

業(yè)界形成兩類應(yīng)對思路：外生受控生成以真實(shí)軌跡與可重建結(jié)構(gòu)為錨、以可執(zhí)行性約束篩選，如DriveDreamer4D的軌跡擾動(dòng)與理想"重建+生成"統(tǒng)一模型；內(nèi)生問題驅(qū)動(dòng)生成把發(fā)現(xiàn)權(quán)交給系統(tǒng)自身，如小馬智行PonyWorld 2.0以Intention Layer做自診斷，將模型偏差拆解為可訓(xùn)練問題并據(jù)此生成定向hard cases。兩類路徑均指向讓生成更可控、更有針對性、更可校驗(yàn)，但尚未形成統(tǒng)一量化標(biāo)準(zhǔn)。