联系我们：

　　这条赛道是一条山，全长 10。77 公里，海拔落差跨越 1000 米，有 99 个急弯。几乎都是 180 度的弯道，我们还涵盖了复杂的雨天和雾天山地天气。

　　其次，我们晓得，下一个前沿范畴可能是将 “从 A 点到 B 点的从动驾驶” 取下一个使用场景相连系，这将引领我们发觉阿谁分水岭时辰，也就是 “AlphaGo时辰”。

　　并且我认为，对于所有想打制下一个产物的企业家和草创公司来说，这才是最贵重的资产，这些学生恰是你们该当沟通合做的对象。

　　来岁，也就是 2026 年 CES，今天我很欢快能和大师分享一个动静：正在 2026 年的人工智能赛车角逐之外，我们将取天门山国度公园密符合做，邀请所有有能力的人形机械人公司，来测验考试创制他们的分水岭时辰 —— 也就是他们的 “AlphaGo时辰”，让机械人从天门山山脚攀爬 999 级台阶，抵达山顶的天门。

　　我想，做为具有这辆价值 100 万美元赛车的教人员工之一，同时也是监视研究生参取这项全年无休的高速方程式气概角逐的导师，对我来说，最贵重的时辰。

　　对于 GPT 模子来说，添加更多 GPU 会耗损更多能源、更多时间，这也会导致订阅费用更高，对吧？所以，你要为你的算力、云办事、利用时长领取更多费用。但正在物理人工智能范畴，环境并非如斯 —— 为更大的模子领取更多费用，并不必然能带来成功的处理方案。

　　以上就是我想分享的次要概念和来由，我试图大师，对于物理人工智能使用，我们必需把目光超越云端。

　　现正在，每小我都晓得强化进修，正在过去三年里，大型言语模子也应运而生。所以，正在来 CES 预备PPT之前，我本筹算大师，物理人工智能仍正在期待属于它的黄金时辰，也就是它本人的分水岭时辰。

　　这些大学包罗大学、浙江大学、上海交通大学、西安交通大学、湖南大学、武汉理工大学、大学和海南大学。

　　若是任何一辆车或两辆车都检测到平安距离被，按照法则，车辆该当当即刹车。倒霉的是，普渡大学的赛车测验考试超越伯克利赛车的那一刻，正好是正在弯道处。若是你正在弯道处高速行驶，赛车会向外侧漂移。恰是由于这种漂移，平安距离被打破了。所以两辆车现实上同时启动了告急刹车。

　　一个环节的例子就是我们履历过的 “Beta 三时辰”。正在这里，我预备了一段短视频，向大师展现伯克利人工智能赛车队过去履历的一个环节失败时辰。

　　这段视频会让大师看到我们学到的工具，以及我们正在伯克利和很多大学里，认实教给最优良学生的学问。当我们把这些理论使用到高速人工智能赛车的现实世界中时，我们发觉，讲义上的学问往往无法间接见效。

　　正在 2025 年 CES 从动驾驶挑和赛中，赛车实现 140 英里 / 小时的全自从行驶，伯克利车队更是以 163 英里 / 小时的速度完成超车。当普渡大学赛车测验考试反超时，双双从动告急制动，这一场景反映出，正在动态、高速的物理交互中，AI系统不只需进行复杂的及时取规划，更必需正在平安法则取合作方针之间做出均衡。此后，他们又将赛道延长至中国张家界天门山。这条全长10。77公里、具有99道弯的山，为从动驾驶系统供给了包含陡坡、急弯取多变气候的分析测试场。大学、浙江大学等九所国内高校参取了相关项目。

　　为什么这么说呢？第一个缘由是，虽然强化进修培养了世界上最厉害的围棋选手，能击败所有围棋大师。但现正在，若是你和从动驾驶公司交换就会发觉，仅靠强化进修，还不脚以打制出像人类一样擅长驾驶的从动驾驶系统。

　　当然，当我们考虑帮帮美国国度航空航天局（NASA）将宇航员送往月球和火星时，我们若何打制出能容纳整个机构所有学问的智能宇航服？但取此同时，月球上没有云端。

　　有一个名为 “LLM Colosseum” 的开源项目，正在这个项目中，做者们对接了分歧类型的言语模子，让它们操控逛戏脚色玩《陌头霸王 3》。好比，正在这段视频中，你能够让 ChatGPT 操控红色的脚色。你也能够让另一个可能更小的模子，好比 Mistral，操控绿色的脚色。

　　我想分享的第三个察看结论是，正在更多前沿使用场景中，月球上可没有云端，所以你底子没无机会为你的云端和互联网搭建现代化的根本设备。这些前沿使用包罗火警救援。当发生火警、你的房子被、整个社区都被时，你怎样可能还能用上互联网呢？这还包罗油气勘察、采矿功课。

　　起首，物理AI极端缺乏笼盖所有极端场景的锻炼数据。分歧于言语模子可罗致数十年互联网的养分，现实世界中的“边缘案例”——如稀有的气候、突发妨碍物、极端的机械毛病——难以被穷尽采集。

　　由于对于那些积极参取人工智能赛车的人来说，我们晓得，目前最好的人工智能处理方案，起首，据我所知，还没有端到端的处理方案。没有任何大学或公司能承受用强化进修去 “赏罚” 一辆价值 100 万美元的方程式赛车，这永久行欠亨。

　　做为伯克利 Vive 加强现实核心创始施行从任，Dr。 Allen Yang从导着 AR/VR、元及赛车从动驾驶三大立异标的目的。过去四年，他率领伯克利 AI 赛车队持续交和 CES 从动驾驶挑和赛，并正在 2025 年斩获头仇家超车项目冠军。这些扎根物理场景的实践让他深刻认识到，物理 AI 取依赖云端数据的大型言语模子有着素质区别，其实正的 “分水岭时辰” 尚未到来。

　　大师好，欢送大师来到CES，我是Dr。 Allen Yang。起首感激钛的邀请，现在 CES 上四处都正在谈论基于云的人工智能使用。我也传闻，当人们寻找下一个酷炫的人工智能使用时，每小我都正在问的一个问题是关于这个叫做GPP的新工具，我方才才晓得这是指一家公司里人均具有几多个 GPU。所以具有的 GPU 越多，似乎就越强大，以至有人正在问一个国度能有几多个 GPU 来鞭策使用的成长。但今天我想邀请大师把目光超越云端，探索物理人工智能范畴的下一个“AlphaGo时辰”。

　　正在这场角逐之前，印第安纳赛车场了特大暴雨，因为云层厚沉，GPS 卫星信号丢失。我们的赛车系统正在那一刻决定将定位源信号从一个系统切换到另一个系统。这些夹杂系统的不分歧性，导致我们的节制算法选择了错误的行驶曲率，而不是准确的那条。这恰好申明，当我们谈论物理人工智能时，它现实上是理论取实践、科学取工程的深度连系。

　　我想，正在 CES 上，大师曾经传闻了良多很棒的新东西，它们能帮你获得更多 GPU、更大内存，还能实现更长的思虑过程。大概你还会用到夹杂专家模子（Mixture of Experts）、思维链（Chain of Thoughts），让你的 GPT 模子思虑得更伶俐、更深切。不外，抛开这些优良的东西，我想针对物理人工智能弥补几个察看结论。

　　我们并不是要正在一级方程式赛道上逃求最高速度，所以我们邀请了九所大学，带来了最先辈的电动汽车平台，此中一款最顶尖的电动汽车平台，来到了中国张家界的天门山。

　　除此之外，角逐法则要求进行头仇家合作，进攻方需要制定准确的行为和活动规划，才能超越防守方。做为进攻方，你必需正在跨越 140 英里 / 小时的速度下，成功选择一条清晰的线，超越你的 “敌手舞伴”（指防守方赛车）。

　　接下来，很快大师就会看到，按照角逐法则，普渡大学的赛车要测验考试反超伯克利的赛车，但这时发生了一些工作。

　　换句话说，英语中有句老话 “完满是优良的仇敌”，正在物理人工智能范畴，你甘愿每秒获得 50 次、100 次（或赫兹级）的不完满决策，也不肯用一个复杂的大型模子，每秒只能进行 1 到 2 次完满决策。正在这种环境下，小型模子现实上会比大型模子表示更好。

　　这些分水岭时辰对培育将来的人工智能用户至关主要，并且大师都晓得，到目前为止，人工智能立异无疑是吸引数百万用户速度最快的手艺，对吧？这其实要归功于人工智能过去的分水岭时辰，好比 IBM 研发的 “深蓝”、DeepMind 研发的 “AlphaGo”。

　　第二，对于很多前沿使用来说，边缘人工智能就是你独一能依赖的人工智能 —— 你没有能力为你的使用、宇航员或功课人员搭建云端。

　　本年回到 CES，对我来说是个五味杂陈的时辰，由于这让我想起，正在过去的四年里，我们一曲率领伯克利人工智能赛车队持续加入从动驾驶挑和赛。过去四年的 CES 都有我们的身影。出格是正在客岁 2025 年 CES 上，伯克利人工智能赛车队博得了头仇家超车项目标冠军。

　　这是 2024 年正在印第安纳赛车场，伯克利对阵圣母大学（Uni More，连系语境猜测）的一段短视频。接下来，大师就会大白我正在说什么了。

　　他指出，虽然以AlphaGo和大型言语模子为代表的AI已取得里程碑式冲破，但物理AI仍亟待属于本人的“分水岭时辰”。其挑和并非源于算力不脚，而是根植于物理世界奇特的复杂性。

　　今天，我想谈谈物理人工智能。之所以伯克利以及很多取我们合作的大学会投身此中，是由于我们想培育下一个 “分水岭时辰”。

　　再次，浩繁前沿场景中“云端”是缺席的。无论是月球摸索、矿难救援，仍是火警现场，不变、高速的收集毗连都是奢望。正在这些范畴，摆设正在设备当地的“边缘AI”是独一可行的智能。

　　对于 2025 年的物理人工智能来说，我们的角逐曾经激发了大量关于 “人类取物理人工智能” 的会商，正在不久的未来，它可能会成为全球关心的核心。仅 2025 年的角逐，就吸引了跨越 50 万人正在为期 6 周的时间里亲临现场旁不雅。正在线上，角逐的旁不雅量跨越了 10 亿次，当然，每所大学都有本人的粉丝。此外，相关的社交会商也跨越了 800 万条，所以这是一个正在一年内敏捷走红的赛事之一。

　　我想分享的第二个察看结论是，除了需要笼盖所有边缘案例，物理人工智能还要求极高的毫秒级低延迟机能。

　　因而，当我们摆设物理人工智能机械人或汽车，让它们取我们共享统一个时，这些系统必需正在边缘端实现毫秒级延迟的决策。无论你的云端手艺何等复杂，至多你必需有一个当地处理方案做为平安备份。

　　总而言之，我今天想和大师分享的概念是，除了寻找能供给更多 GPU、更大内存、更长思虑过程（好比下一个思维链手艺）的优良新东西，我们还必需把目光超越云端，将物理人工智能视为下一个前沿范畴。

　　美西时间1月6日-8日，钛CES 2026「Talk to the World」系列论坛正在拉斯维加斯举办。会上，大学伯克利分校Vive 加强现实核心创始施行从任Dr。 Allen Yang提出了一个而环节的概念：我们应超越云端，将目光投向物理世界，探索物理 AI 的下一个 “AlphaGo时辰”。

　　我很等候能和大师交换，若是你想参取进来，配合创制下一个分水岭时辰，接下来，我想给大师展现另一个范畴的案例。

　　当然，这不是你想和家人一路碰到的边缘案例，而这现实上是最新的测试成果，无疑是亚洲范畴内最全面的从动驾驶测试，涵盖了六大类边缘案例。

　　普渡大学的赛车还没预备好，现正在他们得加把劲了。所以，决定是跟正在后面仍是超车，完满是自从进行的。场边的学生和教人员工什么也做不了。他们独一能按的按钮就是放弃，也就是堵截电源。除了堵截电源，他们只能坐正在一旁，等着看电脑若何运做。两个系统之间没有任何通信。

　　第一个是回首 2025 年 CES 印第安纳从动驾驶挑和赛，正在这场角逐的决赛中，伯克利人工智能赛车队对阵普渡大学人工智能赛车队的头仇家超车项目。五年后，参取从动驾驶挑和赛的十支步队曾经实现了 140 英里 / 小时（约 225 公里 / 小时）的全自从行驶基准速度。

　　正在座有孩子的列位可能都能理解，人类婴儿正在学会用母语描述世界之前，就曾经会通过步履去摸索未知的世界了。但现正在，正在CES 上，多亏了黄仁勋的从题，我们晓得英伟达曾经全面进军物理人工智能的新时代。所以，我感觉他们帮我省去了良多大师的功夫。

　　速度飙升到 158 英里 / 小时，他们还没完成超越，没完成超越。没有发生碰撞。所以，若是你想看碰撞的画面，可能会有点失望。

　　2026年，Dr。 Allen Yang进一步颁布发表，将正在原有赛事根本上增设天门山人形机械人挑和赛，邀请研发机构测试机械人正在非布局化地形——如攀爬999级台阶——中的挪动取决策能力。他暗示，物理AI的进展不只依赖于算法取硬件的迭代，也有赖于跨学科协做取正在实正在场景中持续堆集的经验。正在极端下的手艺实践取人才培育，或将为行业带来新的。

　　为霸占这些挑和，Dr。 Allen Yang的团队选择正在最具挑和性的赛道长进行实和——高速从动驾驶赛车。

　　140 英里 / 小时，这个基准速度是或内华达州高速公限速的两倍，正在那些处所，跨越这个速度就会被开罚单。

　　当前，人工智能行业正 “GPU 竞赛” 的高潮，正在2026年CES（国际消费电子展）现场到处可见对云端 AI 使用的热议，“人均GPU 数量” 成为权衡手艺实力的抢手目标，从企业到国度层面都正在押逐算力的堆砌。

　　自互联网泡沫以来的 30 年里，互联网几乎曾经涵盖了所有的边缘案例、世界上所有的言语，你只需编写一个脚本就能爬取互联网上的这些数据。现实上，你以至能够说，互联网为言语模子预备的内容太多了。有时候，我们的人工智能模子会从这些数据中进修到不良内容。这就像我们必需向孩子屏障那些欠好的言语，避免他们学到一样。

　　先简单引见一下我本人。本年 2026 年对我来说也是个不错的年份，由于我已正在大学伯克利分校工做了 20 年。正在伯克利，我目前是 Vive 加强现实核心创始施行从任，之前曾是冯氏工程带领力研究院的首席科学家。我很骄傲能正在三个范畴引领立异：第一个是加强现实 / 虚拟现实（AR/VR），第二个是元（Metaphors），第三个是赛车使用中的从动驾驶手艺。

　　然而，尝试成果出来后，相当令人惊讶 —— 或者说，取决于你的视角，也可能并不惊讶。“LLM Colosseum” 的尝试发觉，虽然小型模子的单次推理精度较低，但它们每秒、每分钟能进行更快的推理，做出的决策数量也比大型言语模子多得多。

　　对于那些还不领会天门山和张家界的人来说，这里是片子《阿凡达》中潘多拉星球取景地的原型。所以正在 2025 赛季，我们成功取中国九所顶尖大学合做，配合探索人工智能的下一个分水岭时辰。

　　也恰是正在那一刻，客岁正在 CES 上，伯克利的赛车以 163 英里 / 小时的最高速度，博得了头仇家超车项目标冠军。

　　但对于来自中国的不雅众来说，2025 年中国有一个名为 “懂车帝” 的社交平台，他们建立了六大类边缘案例，对 20 多款从动驾驶系统的机能进行了测试。

　　但若是切换到物理人工智能范畴，很容易就能大白，现在没有任何一家物理人工智能公司能声称，他们曾经堆集了脚够多的物理人工智能数据，涵盖了所有的极端边缘案例。

　　其次，毫秒级的及时响应是生命线。正在高速行驶或告急救援中，决策延迟意味着失败以至灾难。一个开源项目“LLM Colosseum”的尝试活泼地证了然这一点：正在《陌头霸王》逛戏中，虽然小模子单次决策精度较低，但其高频的决策速度能使其打败响应迟缓的大型模子。这印证了那句陈旧的格言：完满是优良的仇敌。

　　但由于这是一场角逐，进攻方（普渡大学赛车）刹车就意味着放弃角逐，就正在那一刻，两辆车都做出了准确且智能的决策，了平安距离，退出了高速行驶。

　　把赛车推向高速只是边缘案例中的一种，现实上，这是一种你本不应当碰到的边缘案例，也就是人类驾驶员不法将从动驾驶汽车开到限速以上的环境。

　　为什么这么说呢？当我们为大型言语模子添加更多 GPU 时，强大的计较平台本身就能让 GPT 模子变得更伶俐。为什么？由于所有的 GPT 模子都从互联网获取学问。

　　其实并不是我们的赛车超越了其他赛车。而是正在那一刻，学生们脸上显露的笑容和满脚感 —— 他们实正学到了若何冲破物理人工智能极限的环节学问，我认为这就是教育的价值。