随着9月10日“城市级物理AI”战略的升级以及业内首个L4级万卡算力集群的建成，九识的大模型基座演进全面提速。
面对真实物理世界的无序与复杂，九识彻底摆脱了传统规则与单一车端算力的局限，在行业内首创“多智能体协同”的无人驾驶新范式。
依托百亿级的APEX基座世界模型，九识将驾驶智能拆解为车端VLA、云端VLA与安全员Agent三大核心智能体，精准覆盖不同道路工况与交互复杂度的落地场景，实现了从常规巡航到极端脱困的全场景安全闭环。
一般道路场景：
车端VLA独立闭环，
纯车端算力实现毫秒级响应
在城市主干道、狭窄园区及非机动车密集路段等常规场景中，无人车的核心任务在于实现全方位的顺畅通行。该范式全面覆盖了 L2 级辅助驾驶可实现的所有常规工况，涵盖自适应巡航、跟车、超车变道、无保护左右转、复杂路口通行、多车混行博弈及动态避让等。此类工况均属标准化物理空间交互，无需调用云端大模型，纯车端算力即可独立完成闭环处理。
为此，九识在该场景以车端 VLA 模型（参数约2B）为核心担当，独立完成从感知、预测到规划的端到端实时推理。车端 VLA 深度蒸馏了 APEX 基座世界模型的知识，采用 MoE（混合专家）架构做稀疏化处理，选择性激活相关参数，在极低的时延要求下直接输出毫秒级控车指令，保障车辆在各类常规场景下的高实时性与绝对安全性。
然而，当无人车驶入涉及人类动态交互的道路，单纯依靠车端物理感知便触及了天花板。面对交警手势、路边标牌及车辆闪灯博弈等场景，无人车不仅要“看到”世界，更要“理解”人类社会的行为规则与高阶意图。
复杂场景：
云端 VLA 协同增强，
精准识别高阶语义与人类意图
在此类复杂工况中，核心挑战在于“解决与人打交道”的难题。凡是涉及人类信息传递、人车互动以及高阶语义理解的场景，均已超出普通车端模型的覆盖范围。
为此，九识在该范式接入云端 VLA 模型（参数约 8B），构建“车端 VLA + 云端 VLA”的车云协同机制。该方案核心在于通过云端大模型的语言与逻辑推演能力，精准识别高阶语义、预测人类交互意图。系统重点攻克三大典型人车交互工况：
通过云端 VLA 对高阶语义与人类意图的实时解构，无人车具备了人类驾驶员般的“社会常识与逻辑理解力”，让复杂交互场景下的行车决策更安全、更自然。
极端脱困场景：
首创安全员 Agent，
人机协同应对极端困境
在前两大范式覆盖了绝大多数通行与交互工况的基础上，当车辆陷入无可用路径、环境完全封堵等极端死锁困境时，则需要通过“人机协同”破局。该场景核心能力在于建立与用户及现场人员的交互沟通，通过“人机协作”完成高阶脱困。
为此，九识在该场景下形成了“车端 VLA + 云端 VLA + 安全员 Agent（参数约 5B）”的三位一体协同机制。作为行业首创的智能体，安全员 Agent 深度沉淀了九识 5 年真实运营、2.7 亿公里积累的安全员处置经验与客户偏好数据，担当起沟通与协同的桥梁，能够与客户、现场或线上人员建立实时信息交互。
当车辆因环境封堵或死锁而完全受阻时，安全员 Agent 能够主动接管高阶决策层，自主生成包含靠边避让、停靠选位以及重新规划全局路线等复杂的脱困引导方案。
通过安全员 Agent 的人机协同机制，九识打破了传统远程完全遥控的低效模式，在保障绝对安全的前提下，实现了车辆从极端困境中高可靠的自主脱困闭环。
双向迭代增强：
打造通用物理AI的强大引擎
九识多智能体协同三大范式的背后，是 APEX 基座世界模型的强力支撑。与行业传统的局部小模型不同，APEX 融合了物理世界空间结构建模与互联网海量多模态规则知识，先建立对现实世界的全局认知，再自上而下并行蒸馏出车端 VLA、云端 VLA 与安全员 Agent 三大独立智能体。三个智能体分工明确、各司其职，不仅确保了系统在各类工况下的绝对安全与高效运行，更赋予了整个技术架构极高的扩展性。
从常规道路通行、复杂高阶语义交互到极端死锁脱困，九识覆盖全国 300 多座城市、2.7 亿公里真实运营所产生的海量高密度场景数据，正实时回流至 APEX 基座；而持续演进的基座模型又通过高效知识蒸馏，不断将更高阶的认知能力下沉反哺给各个轻量化 Agent，实现“数据回流 - 基座升级 - 蒸馏下沉”的双向迭代增强。
通过万卡算力底座与多智能体协同架构的深度绑定，九识不仅破解了无人驾驶长尾场景的解题难题，更将无人运力的运营效率与安全标准推向了全新高度。随着这套软硬一体的技术闭环持续运转，九识正逐步将高阶无人驾驶转化为可标准化复制的城市基础能力，让通用物理 AI 真正走向大规模商业化落地。
.jpg)
