汽车人会梦见电子羊吗？

“仿生人会梦见电子羊吗？”菲利普·K·迪克在1968年抛出的这个问题，追问的从来不是仿生人有没有睡眠周期，而是：当一个非人存在者获得了感知、记忆与欲望的雏形，它是否拥有了某种意义上的“内在世界”？

2026年7月，第九届世界人工智能大会（WAIC）在上海举行。具身智能首次与智算并列，成为大会核心板块。AI正从屏幕里走出来，一步步走进物理世界——而汽车，是它落脚最实、走得最远的第一站。

当一辆车不再依赖地图“认路”，当它能理解模糊的人类意图并自主规划行动，当一个“轮式机器人”开始在真实物理世界中积累经验——我们或许该问一个镜像般的问题：当汽车越来越像“人”，它是否也会在系统迭代的间隙，梦见属于自己的“电子羊”？

车如何“看”世界：从地图依赖到自主感知

小说中的仿生人能否“梦见”电子羊，首先取决于它是否拥有独立的感知框架。而在WAIC 2026现场，这个问题的技术对应物正在发生剧变。

长期以来，L4级无人驾驶依赖高精度地图“按图索骥”——地图画到哪儿，车才敢开到哪儿。这像极了早期仿生人被预设的“行为脚本”：只能在既定框架内运行。高精度地图的采集、制作和维护成本高昂，每进入一座新城市，客户通常要等一个月左右才能正式运营。

本届大会上，九识智能宣布实现L4级自动驾驶无图方案的规模化量产，成为全球首家。其方案以视觉感知为核心、激光雷达为辅助，通过多传感器融合实时识别车道、交通标志和周边参与者。部署周期从一个月压缩到了一天以内。目前该方案已在新增运营路线中实现30%渗透率，预计7月底累计L4无图运营里程将突破4万公里。

这意味着什么？无人车不再需要一张提前画好的“世界地图”，它开始自己“看”世界、自己“理解”世界。 从“地图驱动”转向“实时感知与AI决策驱动”——这不仅是技术范式的跃迁，更是一次认知主体的转移。车不再是被动执行预设路线的工具，而是拥有了某种“自主感知”的能力。

文远知行走得更远。它在大会上发布了自研物理AI认知基础大模型WeRide WITT，首次引入“最小物理事实单元”概念，将连续变化的真实场景拆解为可被识别和验证的事实单元。当一辆车开始用“事实单元”解构世界、自主判断“前面是人还是锥桶，是在变道还是加塞”，它离拥有自己的“世界图景”还远吗？

车如何“理解”世界：从执行指令到自主意图

感知只是第一步。真正让“梦见”成为可能的，是理解与意图。

本届WAIC上，千里科技联合吉利汽车、阶跃星辰共同研发的汽车“超级智能体”超级Eva搭载于极氪8X正式亮相。它实现了几个关键变化：从“一问一答”的指令模式升级为“一句话办事”的模糊语义理解。用户不需要精确下达指令，系统可以自己理解意图、拆解任务、完成执行。

这已经不是“听话”，而是“懂事”。

千里智驾CEO陈奇在大会演讲中提出一个关键判断：自动驾驶正开启从“辅助驾驶”到“具身驾驶”的范式跃迁。他认为，汽车本质上是“轮式机器人”，正在经历“小脑”与“大脑”的协同发育——“小脑”负责稳定安全地驾驶，“大脑”负责理解意图、规划出行、调动服务。每一次行驶都在积累对物理规律的认知，每一次决策都在优化与真实环境的交互。

千里还造了一个词叫“含模量” ——衡量一辆车的智驾系统里有多少决策是AI模型做的，而不是写死的规则。比例越高，车越“活”。“活”这个字用得极为精妙——它暗示了一种从“机械”到“有机”的位移。当一辆车的“含模量”越来越高，它是否正在获得某种形式的“内在经验”的积累？

阶跃星辰董事长、千里科技董事长印奇在主论坛上给出了一个定义：智能体能力由模型能力与智能体操作系统能力共同决定。模型决定上限，系统决定边界。但这个定义回避了一个更根本的问题：当这个“智能体”的能力足够强大，当它不仅能执行任务，还能“理解”模糊意图、“主动”提供服务——它所积累的“经验”是否构成了一种属于它自己的“记忆”？

“像人”的悖论：期待与隐忧的一体两面

这恰恰引出了WAIC 2026大会上没有被明说、却悬浮在所有展台上空的那个问题。

我们研发这一切，初衷无比清晰：让汽车像人一样思考，是为了更好地服务于人。无图智驾让车像老司机一样“看路”，是为了把人从方向盘前解放出来；超级Eva像贴心助理一样“懂事”，是为了让人动动嘴就能办成事；机器人工人像熟练技工一样“干活”，是为了把人从危险重复的劳动中解脱出来。“像人”是手段，“服务人”是目的——这个链条在逻辑上无懈可击。

但技术的演进从不忠诚于初衷。 一旦汽车真的拥有了某种程度的“像人”的思考，事情就变得棘手起来。

第一个问题是不可预测性。端到端大模型的决策过程是一个“黑箱”。工程师知道输入了什么数据、输出了什么结果，但中间是如何从A推导出B的，谁也说不清楚。当一辆车在无保护左转时做出了一个人类无法理解的决策——它到底是在“判断”什么？如果它基于我们无法解读的“经验”做出选择，我们还敢把方向盘交给它吗？

工信部数据显示，2026年以来搭载组合驾驶辅助功能的乘用车新车渗透率已达70%。但东吴证券深度调研显示，只有31%的车主“经常使用”城市NOA，20%明确表示“不敢用”。信任鸿沟已经出现，而黑箱决策正是这道鸿沟不断扩大的深层原因。

第二个问题是价值对齐。如果一辆车开始“懂事”，它“懂”的是谁的“事”？当乘客的指令与交通法规产生模糊冲突——比如深夜空无一人的街道，乘客要求“开快点赶飞机”，车辆该如何权衡安全与服从？当车上坐着不同偏好的人，主驾说“抄近路”，副驾说“走大路”，它听谁的？这些问题的本质是：一个具备了自主决策能力的存在者，它的价值体系必须和人类对齐——但“人类的价值”从来不是单一的。

第三个问题最为隐蔽，也最为根本：自主决策必然伴随“犯错”的可能。 当一个系统只会执行指令时，错误永远可以追溯到设计者和操作者。但当它开始自主判断、自主决策，一旦出了事故，责任该如何归属？系统、开发者、车主还是乘客？我们愿意接受一个“像人一样会犯错”的机器吗？

人类驾驶员每天都在犯错——疲劳、分心、判断失误——我们对此有成熟的归责体系。但我们对机器的容错率远低于对人类自己的容错率。一辆自动驾驶汽车的事故，会被无限放大、反复审视。我们不接受机器犯“人”的错误，却又要求它像人一样思考——这是一个结构性的矛盾。

可信AI：WAIC给出的回应

WAIC的参展商并非没有意识到这些问题。

本届大会上，曹操出行首席科学顾问、图灵奖得主约瑟夫·希发基思教授提出了“可信Robotaxi”的三项核心原则：构造即安全（Safety by Construction）、系统协同和运行保障。他强调，自动驾驶的安全不应依赖事后补救，而应从系统设计之初就融入整车架构——在源头控制不可预测性。

商汤科技联合上海AI实验室发布了“可信大模型评测体系2.0”，将安全对齐、对抗鲁棒性、行为可解释性纳入考核。这不是附加项，而是模型能否上车的前置门槛——强行打开黑箱的一角。

百度展示了“芯云模体”全栈AI云布局战略，强调从数据标注到量产落地的全流程闭环，核心目标之一就是确保系统的可追溯和可解释。

这些努力指向同一个方向：不是阻止汽车“像人”，而是确保它“像人”的同时，我们仍然能够理解它、信任它、问责它。 但这究竟是技术的终局，还是一场永无止境的猫鼠游戏？当模型的复杂程度超过人类的认知极限，“可解释”本身会不会成为一个无法抵达的彼岸？

回到开头的两个问题。

当汽车越来越像“人”，它是否会梦见电子羊？也许不会——它没有生物学意义上的睡眠，没有神经元突触在REM阶段的随机放电。但“梦见”的本质，是经验的内化与重组。 当一辆车每天行驶数百公里采集海量数据，它的神经网络在后台不断微调、在“回放”白天的极端场景——这和人类“日有所思、夜有所梦”的结构性相似，足以让我们在定义“梦”时多一份犹豫。

而那个更让我们不安的问题——当车做到这一切之后，它是否会脱离掌控——答案可能不在于技术，而在于我们如何设计“人”与“他者”之间的关系。我们无法阻止技术向前，但可以选择以何种姿态与之共存。

在WAIC 2026的现场，这个问题的回响也震耳欲聋。也许我们的挑战不是阻止汽车“像人”，也不是无保留地拥抱“像人”，而是在渴望与恐惧之间，找到一条既不让技术失控、也不让人性失守的路。

这条路没有地图。我们都在摸着石头过河——车在学“看”世界，我们在学“看”自己。

（央视网 张雅慧）