WAIC2025在上海举行，展会汇聚大量企业，聚焦技术应用与出行等领域的发展。
在现场，我关注到蘑菇车联推出的MogoMind大模型，它具备对物理世界的实时理解与决策能力，与特斯拉的赛博皮卡形成对比。
在WAIC2025上，蘑菇车联展示了MogoMind大模型的实时物理理解能力，成为关注点之一。
MogoMind大模型是一种为多类型智能体提供物理世界实时信息、深度认知与规划决策服务的大模型，简单说，就是给大模型装上了“认识真实世界的眼睛”。
皮衣教主的观点是，下一波浪潮将聚焦物理AI，而我也认为，真正的AI浪潮将来自更多物理交互的能力。
因此，像MogoMind这样能够实时理解物理世界的大模型，才具备更高的看点。
现实世界“喂”出来的AI，能有多炸裂？
MogoMind与传统大模型最大的差异在于它来自现实世界，通过传感器实时获取数据，形成全局感知与深度认知，而非仅仅从数据集训练而来。
以交通场景为例，借助摄像头、毫米波雷达等硬件，MogoMind能实现实时全局感知；在暴雨、大雾、道路施工、突发事件等特殊情况下，能够快速认知理解并作出响应。
若遇突发交通事件，MogoMind可在数秒内实现超视距的实时感知，迅速计算受影响路段范围，并将预警信息推送至周边车辆与管理部门，像是给驾驶员“开了天眼”。
除了风险识别与实时预警，MogoMind在城市交通中还能实现全局感知、优化信号灯时长、在发生事故时实时规划路径，提升整体道路通行效率。
MogoMind与传统大模型的不同，首先在于它具备实时感知现实世界的能力；其次是从现实学习并通过物理交互反馈回现实。
互联网上的信息往往是二手信息，容易失真，AI的“说谎”问题也由此产生。研究显示，主流AI搜索工具在引用新闻时存在较高的出错率。
随着AI工具应用的增多，真正的生产力来自对物理世界的认知与理解。
与其他自然语言模型不同，MogoMind直接通过传感器获取数据，如摄像头与毫米波雷达，因此是从现实应用场景中“长出来”的。
因此，AI大模型不再是纸上谈兵，而是在现实世界中纠偏人类的混乱与无序，这被我称为“物理原生模型”。
“物理原生模型”更可能解决现实问题，而“数据原生模型”更偏向信息生产力工具，二者在AI生态中的角色不同。前者构成AI影响物理世界的基础设施，后者更多服务于信息创作。
之所以存在差异，部分原因在于能感知真实世界的AI模型也具备解决复杂现实问题的能力。
随后，进入第二个问题：物理原生模型是否具备全局视角下的AI推理与实时决策能力？
多维现实数据的感知、推理、分析、决策能力，使AI大模型从“单点智能”向“全局智能”发展，进入“多细胞时代”。
以MogoMind为例，它擅长对视频、图像、文本、气象等多源数据进行深度融合分析，从而实现对物理环境信息的实时认知与理解。
设想一个场景：暴雨造成城市积水路段，驾驶员难以判断前方涉水深度是否安全通过，AI可结合实时天气与历史事故数据，预测潜在危险区域，从而有效降低人员伤亡和财产损失。
总体来看，MogoMind与DeepSeek、ChatGPT等不同，它是基于现实数据的大模型能力，具有独特的优势。
蘑菇车联选择的路径，具有广阔前景与丰富想象力，他们的目标是让AI的数字世界与人类生活的物理世界融合。
MogoMind看似在做大模型，实则是在构建连接AI与现实的操作系统。这个操作系统能够连接自动驾驶、智慧交通、城市治理，并与无人机、机器人产业深度融合。
目前蘑菇车联的两大业务板块是“AI网络”和“自动驾驶车辆”。
基于MogoMind，蘑菇车联推出一系列具备AI能力的产品，并在多个城市落地应用。例如，在嘉定区的实时数字孪生路口，可以实时还原车辆速度、经纬度等信息，形成数字孪生画面。
这些实时数据可通过路侧智能终端或现有摄像头获取，经AI解读分析后，再通过5G与C-V2X等通信技术传输给交管部门及应用侧。
对于车辆终端，AI网络同样提供实时数据、预警与安全效率方面的协助。
在自动驾驶领域，目前L2+级别的软件已实际上车，RoboBUS、RoboSweepeR、RobOTAxi等也已在北京、上海、天津等地落地运营，基于物理世界认知模型，已上路的车辆正在与AI大模型进行更深层的交互。
看完展台，我不禁联想到电影《I, Robot》的场景：威尔·史密斯饰演的警探在事故现场由AI迅速出警处理的画面。二十年过去，科幻中的画面正在逐步走向现实。
现实中的数字孪生正普遍应用于汽车、飞机乃至火箭等设计与制造过程，而实时孪生则让AI在理解物理世界后通过推演与决策来实时解决问题，这正是MogoMind所追求的。
从数字孪生到实时孪生，本质是在给AI自我成长的机会，让AI从认识真实世界走向自我感知与进化。未来若AI能够自我进化并与机器人产业深度结合，AI的想象力将释放到新的维度。
这将是一场尚未完全展开的物理AI应用革命。让AI认识物理世界，是未来应用的必然趋势，MogoMind只是走在前沿的一步。
在机器人与自动驾驶等领域，AI对物理世界的影响与反馈将成为核心技术体系的基础之一。
AI的终极目标，是让技术从单纯的数字生态走向经济生态。自动驾驶带来出行成本与风险的下降，机器人替代危险工作，从而推动各行业的生产力提升。随着AI与物理世界的深度融合，未来的经济增长模式可能因此而改变。
当AI对物理世界的影响不断深化，实体成本下降，科幻中的全民机器人时代或许不再遥远。
