自动驾驶巴士:一场关于物理AI的压力测试

英伟达将它概括为能够在现实世界中运行的智能系统，黄仁勋把机器人、自动驾驶汽车、智能工厂放进同一条技术演进线上；李飞飞强调的“空间智能”则补充了其中关键的一环，AI不仅要看见物体，还要理解物体之间的三维关系；杨立昆长期推动世界模型研究，他认为，更高级的机器智能需要形成对现实世界运行方式的内部表征，在行动前预测环境将如何变化。

这些概念并不完全相同，却可以组成物理AI的一条技术链——感知现实，理解空间，预测后果，作出行动。

自动驾驶让这条链第一次变得足够具体。模型的输出不再是一段文字或一张图片，而是一辆数吨重的车辆下一秒向哪里移动。

自动驾驶巴士又在此基础上增加了一组更难回避的约束。机械臂可以完成一次抓取，Robotaxi可以完成一次点到点行程，Robotruck可以完成货物运输，自动驾驶巴士却要日复一日承担一条公交线路。

它不仅要理解道路，还要进入运营时刻表、站台、乘客服务和公共监管。也因此，自动驾驶巴士成为观察物理AI如何进入公共交能体系，最具体的样本之一。同时，它也是物理AI在现实公交系统中的一场压力测试。

大语言模型回答错误，用户可以重新提问；图像模型生成失败，也可以再试一次。自动驾驶可没有这么宽裕。车辆错误识别一名行人、误判一个路口，或者在不合适的时机作出制动，结果会直接出现在现实道路上。物理AI的行动具有成本，也往往无法轻易撤回。

这使自动驾驶同时考验几项能力。车辆首先要感知周围环境，识别道路、车辆、行人和信号灯；随后理解自身与这些对象之间的空间关系；再预测行人是否可能横穿、前车是否可能变道，以及转弯后会进入怎样的交通状态；最后，把判断转化成方向盘、制动和动力系统的动作。

但“正确行动”并不是一个静止的答案。同样是刹车，在距离障碍物足够远时缓慢减速，与接近障碍物后紧急制动，都可能避免碰撞。前者才能称其为驾驶，后者只是勉强阻止事故。

自动驾驶巴士让这一区别更加明显。

Robotaxi里通常只有少量乘客，并且全部坐在座椅上。公交车内可能有人站立、走动，也可能有老人、儿童和轮椅使用者。一次避免碰撞的急刹车，仍可能导致车内乘客跌倒，也因此，衡量自动驾驶巴士的目标不再只是安全抵达。

它还要控制加速度、减速度和转弯幅度，兼顾运行效率与乘坐平稳性。在交通风险尚未完全出现时，系统就要根据遮挡、路口和行人动作提前减速。世界模型在这里不只是用于避免事故，还要帮助车辆把事故风险消化在乘客感受不到的驾驶动作中。

Robotruck同样属于物理AI，但它的目标相对集中且简单：降低货物位移中的吨公里成本，提高车辆利用率与运输效率。

自动驾驶巴士面对的是另一套账。它需要考虑每人每公里成本，也要承担准点率、线路覆盖、无障碍服务和公共安全。货物很少按铃要求下车，也不会因为车辆停得离站台太远而无法登车。Robotruck把AI变成运输效率，自动驾驶巴士则要检验，AI能否成为公共服务。

自动驾驶技术最容易展示的，是方向盘自行转动。公交系统关心的是另一件事：明天早上，这辆车能不能准时出库。

2026年4月16日凌晨3点30分，首尔A148清晨自动驾驶巴士开始运营。线路全长22.1公里，从上溪站驶往高速客运站，工作日运行，并且比常规公交首班车提前约30分钟发车。

在它之前，首尔已经开通A160和A741两条清晨自动驾驶线路。截至A148上线时，前两条线路累计服务乘客约2.95万人次。自动驾驶巴士在这里用于补充普通公交尚未开始运行时的真实通勤需求。

进入时刻表以后，车辆便要按照公交系统的节奏工作。它需要在规定时间出库，到达每一个站点，完成一趟运行后继续执行下一趟。发生故障时，调度中心还要知道它能否继续载客，是否需要退出线路，以及后续班次由哪辆车补上。

公交运营关注同一项任务能否稳定重复。新加坡的自动驾驶公共巴士项目进一步展示了这种差别。新加坡地陆路交通管理局（LTA）计划让蘑菇车联的自动驾驶巴士（MOGOBUS）进入传统公交线路，与传统公交共同运行，并接受统一监管。

车辆不能因为采用自动驾驶，就获得一套更宽松的公交标准。据项目团队介绍，新加坡公交存在招手上车、按铃下车等使用习惯。自动驾驶系统需要判断站台旁的人是否准备乘车，区分真正的招手动作与打电话、整理头发或者向其他人挥手。

这不是简单的物体识别。车辆要结合候车者的位置、身体朝向、动作持续时间和车辆运行状态，推断对方的意图。人类司机凭经验完成的一眼判断，到了AI这里，需要感知、空间理解和行为预测共同完成。

自动驾驶巴士让李飞飞提出的“空间智能”具象化了。空间智能强调AI不仅要识别物体，还要理解三维空间、物体和行动关系可能产生的后果。她的专题《世界实验室》将目标定义为，让模型能够感知、生成、推理并与三维世界交互。

自动驾驶巴士需要理解车辆、站台、车门和乘客之间的三维关系，完成行驶、转向、停车等动作，最后的精准停靠来自于前面几十米内连续的感知、推理和控制。

对于乘客而言，物理AI这种技术概念并不重要，他们只会看到车辆有没有停稳，车门是否对准站台，轮椅能否顺利上车。

这正是自动驾驶巴式赋予物理AI在现实公交系统中的第二层压力测试，感知、预测和控制决定它会不会开车，时刻表、站台和乘客决定它是不是公交。

物理AI通常强调机器能够自主行动。公共交通首先关心的是，这种行动能否被管理。

2026年6月24日，芬兰坦佩雷301路自动驾驶巴士撤掉车内安全驾驶员，继续在常规收费公交体系中运行。车辆连接居民区与有轨电车3号线，运行期间由远程控制中心持续监控。乘客可以通过车内通信系统获得帮助，远程人员也可以在需要时介入。

人离开了驾驶位，却没有离开运营系统。司机原本承担的工作被拆开：自动驾驶系统负责常规行驶，远程操作员处理异常，客服人员回应乘客，维修团队保障车辆与传感器，调度中心负责班次和运力。

这也催生了新的产业角色。2026年7月，德国出行服务商CleverSolutions成立CleverSolutions Autonomous。它不生产车辆，也不开发自动驾驶系统，而是替交通管理机构和公交运营商提供车队管理、控制中心、远程运营、应急处置与客户服务。投资方包括两家德国传统客运企业。

过去，自动驾驶行业主要讨论谁造车、谁写算法。当车辆准备进入日常运营，问题开始变成：谁每天把车跑起来，谁处理异常，谁对班次负责。

监管体系也必须随之改变。

新加坡为面向实际部署的自动驾驶项目设置了分阶段评估。车辆除了完成封闭场地M1测试，还要经历现场演示、运营文件审查、远程运营能力评估，以及基于真实道路数据的部署准备评估。监管对象由车辆本身，延伸到运营流程、远程控制和故障处置。

这说明物理AI以自动驾驶巴士的形态进入公共空间，需要的不只是更好的模型。车辆的行动必须能够被记录，远程人员可以干预，系统失效后有明确的退出流程，事故发生后也能找到责任主体。

对自动驾驶巴士来说，真正有意义的指标不再只是自动驾驶里程，而是每辆车需要多少远程人员、平均多久发生一次人工介入、故障后多长时间恢复、每天可以完成多少班次，以及每公里的全生命周期成本。也因此，自动驾驶巴士更像一场关于物理AI的压力测试，而不是物理AI成功进入城市的证明。

自动驾驶已经证明，AI能够让机器在物理世界中行动。自动驾驶巴士提出的是下一道问题：这种行动能否被长期、稳定并且低成本地用于一项公共服务。