在商业世界里，所有人都在追求确定性。
原因很简单，确定性意味着更低的决策成本，也意味着公司可以把资源集中到短期内阻力最小、回报最清晰的方向。尤其是在竞争激烈的行业里，更是如此。
但最近，元戎启行却做了一件看起来并不那么符合这套逻辑的事情。
7月29日，元戎启行发布了一篇名为《对话Superfluid》的文章。伴随着这篇文章，一个此前很少出现在公众视野里的组织——Superfluid Lab（超流体实验室），开始浮出水面。
有意思的是，这个实验室最核心的任务，并非与自动驾驶相关。它把大量精力放在了基座模型上，从VLA模型、世界模型到多模态理解，试图探索一个比自动驾驶更底层的问题：
AI究竟应该如何理解，并最终进入物理世界？
这样的做法似乎很难用传统强调专注的商业逻辑去理解，但似乎又很“AI范儿”。毕竟，直到现在，我们也很难精准定义OpenAI究竟是一家消费级的聊天机器人公司，还是一家To B服务公司。
这种与传统商业逻辑的矛盾感背后，其实是在追问一个更大的问题：在AI时代，我们究竟应该如何理解一家公司的边界？
所有人都往右拐，它向左打了把方向盘
要理解Superfluid，首先要理解自动驾驶行业正在发生什么。
过去两年，几乎所有头部自动驾驶公司都开始向大模型靠拢。一个直接原因是，传统智驾小模型的能力正在接近瓶颈，泛化性更强的大模型成了突破智驾能力上限的最佳选择。
话虽如此，但大模型究竟如何自动驾驶领域落地，仍然是一个难题。今天的大模型虽然已经具备强大的信息理解能力，但距离真正理解物理世界仍有很大距离。
对于大多数智驾公司而言，投入资源探索这样一个长期且高度不确定的方向，并非一个理性选择。
尤其当今天的智能驾驶行业，已经进入高速渗透和大规模量产阶段。
在当下这个阶段，研发天然会被短期目标牵引。
一个升级后的智驾系统，如果能够让接管率下降，那它的价值很容易被证明。但一个新的基座模型，可能投入几年都无法直接回答“明年能多卖多少套智驾”。
更麻烦的是，这类探索不仅周期长，而且很难提前验证。基座模型面对的问题很多甚至还没有被完整定义，更谈不上存在一套成熟的Benchmark去衡量。
这意味着，公司可能需要投入更大的模型、更长的训练周期、更高的算力，以及大量短期无法转化成收入的研究成本，却仍然不能确定最后能不能得到想要的结果。
对于一家仍然需要抢车型、抢定点、抢量产节奏的智驾公司来说，每投入一块钱做长期研究，本质上都意味着少一块钱投入眼前的产品竞争，这就形成了一个非常现实的矛盾：
越接近商业一线的公司，越清楚现有技术的局限，但也正因为离商业一线太近，它们反而越难停下来研究那些几年后才可能产生价值的问题。
所以，大多数公司的最优解并不是直接跳出当前技术范式，而是继续沿着已有路线做优化，解决短期内的具体问题，并快速完成技术验证和产品亮相。
但元戎启行却走向了一个相反的方向，试图回到问题的本源，探索一个更加不确定的问题：如何让AI更好地理解，并走向物理世界。
而Superfluid，正是元戎启行为探索这个问题而成立的研究组织。
看到这里，可能有人会好奇：为什么一家做自动驾驶的公司要去探索基模。而这背后其实涉及到了一个更核心的问题：我们应该如何定义AI公司的边界？
/ 02 /
OpenAI和Anthropic早就证明了：AI公司没有“墙”
可能没有哪家公司，比OpenAI更适合回答这个问题。
把时间拉回到2025年底，无论从用户规模还是收入结构看，OpenAI都更像一家消费互联网公司。原因很简单，ChatGPT的月活已经接近10亿，约70%收入来自消费者订阅ChatGPT。
但仅仅半年之后，这个判断就过时了。
今年6月，据《金融时报》报道，预计到今年年底OpenAI来自企业客户的收入占比就将达到50%。也就是说，一家曾经被认为最典型的C端AI公司，正在越来越像一家企业AI服务公司。
Anthropic的发展轨迹也非常类似。
如果把时间再往前拉两年，外界对Anthropic最清晰的标签，还是“AI安全”和“基础模型”。那时候很少有人会把它和“全球最大的AI编程公司”联系在一起。
2025年2月，Anthropic以研究预览形式推出Claude Code，5月正式开放。一年之后，Claude Code年化收入就已经超过25亿美元，其中超过一半来自企业客户。
Claude Code的爆发，也直接改变了Anthropic的增长曲线。
2025年初，Anthropic年化收入还只有约10亿美元。而到了今年4月，这个数字进一步突破300亿美元。
比收入增长更重要的是，Anthropic的边界也在迅速变化。
在Claude Code之后，Anthropic继续沿着同一套底层能力向外扩张：从编程进入通用办公，从Cowork进入企业工作流，再延伸到Chrome、Slack、Microsoft 365，以及医疗、生命科学等专业领域。
今天的Anthropic，已经很难再简单定义成一家聊天机器人公司，甚至也很难只把它定义成一家Coding公司。
这背后反映的趋势是，AI正在重新定义企业的业务边界。
传统软件公司的边界，通常由明确的场景和产品决定。而AI公司的路径可能恰恰相反：先出现一种足够通用的底层能力，再由这种能力不断寻找新的场景。
对AI公司来说，产品更多只是底层技术能力在某一个阶段的落点，而不是公司的最终边界。理解了这一点，再来看元戎启行，或许就会得到一种完全不同的认识。
过去，外界习惯用“自动驾驶公司”定义元戎。但当Superfluid能够让模型更好地理解空间、运动、因果和物理规律，那么元戎接下来积累的能力，所能服务的就不止自动驾驶场景。
一旦模型真正获得了更通用的空间理解、世界建模和行动能力，这些能力理论上就可以从汽车继续向外迁移，进入机器人、无人设备、工业系统，以及更多需要AI与真实世界交互的场景。这和Anthropic经历的事情并没有本质区别。
回到之前的那个问题，我们究竟应该如何定义一家AI公司的边界？
答案或许是，真正定义一家AI公司的，从来不是它最初进入了哪个市场，而是它所掌握的技术红利，能够以多快的速度释放到更多场景。
/ 03 /
快的东西很快被替代，它选择做“慢”的那个
边界的变化，往往也意味着组织方式必须随之改变。这也是重新理解Superfluid Lab的一个更合适的角度。
据元戎启行首席科学家阮翀介绍，Superfluid Lab以基座模型为核心，首先从VLA模型切入，围绕基座模型研发展开探索，同时推进世界模型、多模态理解等关键方向。
从表面来看，Superfluid Lab很容易被理解为元戎启行新成立的“大模型部门”。但实际上，这种理解并不准确。
更准确地说，Superfluid更像是一种新的研究组织形式。
传统AI研究的组织往往面临一个矛盾：产品团队容易被短期交付和商业目标牵引，难以投入长期基础研究；纯研究机构又容易脱离真实场景，难以验证技术价值。而元戎启行希望在两者之间找到一个平衡点。
从组织形态来看，Superfluid也具备很多新一代AI实验室的典型特征：顶尖人才、简单层级、精简团队，以及足够长期的技术目标。
Superfluid Lab的负责人阮翀，从幻方时期就加入DeepSeek团队，是DeepSeek早期团队的核心成员之一，也曾是Janus-Pro等DeepSeek多模态成果的核心贡献者。
与此同时，Superfluid Lab在组织架构上实行独立管理、独立招聘，尽可能降低原有项目体系对研究方向的干扰。
比组织独立更值得注意的是，Superfluid Lab对研究目标的选择。
据阮翀透露，Superfluid Lab更专注于长期技术突破，主动探索那些尚未被定义的问题。在他看来，基座模型并不只是一种技术手段，更像是一种“信仰”，代表着对智能上限的持续追求。
AI的世界里仍然充满着尚未被充分解决的问题域，他们之间存在着大量断裂，尚未被系统性地定义。而Superfluid想做的，就是重新定义这些问题，并探索解决路径。
另一方面，Superfluid又不是一家完全脱离产业的纯研究机构。这是它与很多前沿实验室的最大区别。
Superfluid选择将自动驾驶作为第一个验证场景。元戎启行过去在辅助驾驶领域积累的真实道路数据、工程能力和开放道路场景，为Superfluid提供了最直接的反馈来源。
目前，元戎启行量产辅助驾驶业务已经积累超过50万辆汽车的数据，数据闭环周期也从过去约5天缩短至约12小时。这意味着，Superfluid研究的模型可以不断回到真实世界接受检验。
结合以上两个特点，对于Superfluid Lab，更准确的定义是，它是一家附着在大规模商业化场景上的长期基础研究组织。
而这或许也是最近Superfluid引发行业关注更值得讨论的地方。
今天的自动驾驶行业已经进入一个所有人都在追求速度的阶段。在这样的环境里，元戎反而做出了与行业绝大部分人相反的选择，花更长时间去押注下一代AI范式。
做出这样选择的理由似乎也出奇地简单。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。”
文/阿奇
热门跟贴