2024年5月加盟小米汽车、执掌L3可靠性研发的王乃岩，近日提交了last day。这位拥有“全球首个将深度学习用于目标追踪”标签的科学家，转身创办新公司，杀入具身智能大脑赛道。上一次他做出类似选择，是2015年博士毕业便以联合创始人身份加入图森未来，从零搭建中国算法团队。
希鸥网观察到，王乃岩的履历罕见地贯穿了AI三次浪潮的浪尖：港科大时期参与MXNet开发，与TensorFlow、PyTorch并列为全球三大框架；图森9年间带队在KITTI和Cityscapes上拿下10项世界第一；加盟小米后，在超1800人智驾团队中与叶航军、陈光、陈龙并列为四位核心成员。每隔几年，他总会出现在技术范式切换的最前线。
2015年的AI人才市场一片荒芜，深度学习工程师几乎空白，市面连成体系的自动驾驶研发流程都不存在。王乃岩用一年时间从零建起这套体系，2016年9月便让成立仅一年的图森霸榜全球最难自动驾驶评测。这背后是两种能力的叠加：科学家思维负责触碰技术边界，工程师思维负责把可靠性做到可交付。2016年的10项世界第一与2023年量产“节油领航”的成本控制，是同一种底层能力的两种表达。
具身智能大脑行业至今没有标准答案。2023年以来VLA被普遍视为默认解法，但VLA跳过物理环境建模与因果推理，面对陌生场景泛化能力急剧退化。另一条路线WAM虽然长程规划更强，却受困于语义理解弱、算力开销大。多路线并存，意味着数据标准无从收敛。采集什么模态的数据、以何种精度标注，完全取决于最终哪条路线胜出，而数据迭代又反过来决定模型路线能否跑通——一个先有鸡还是先有蛋的死结。
王乃岩可能找到了一条绕开死结的路径。他在小米的最后一篇论文DriveZero提出了“解耦-蒸馏”训练范式：将决策与感知拆开，决策用强化学习在仿真中训练，感知通过蒸馏从基础模型学习，再合并部署。这套方法论不局限于自动驾驶——任何在物理世界行动的智能体都面临同样的困境：真实试错成本太高，仿真学到的策略又难以迁移到真实感知输入上。
希鸥网认为，王乃岩押注的是“先理解世界、再采取行动”的认知路线。他把自动驾驶量产中锤炼出的解耦思维平移到具身智能：既然理解世界和采取行动是两件事，何必用一个黑盒模型绑死它们。这个判断正在搅动具身智能的博弈格局——当多数玩家在数据规模上军备竞赛时，他选择在表征学习层面做架构级创新，一旦跑通，将对现有VLA阵营形成降维打击。
王乃岩的路径给创业者一个关键启发：传统产品开发流程只适用于客户与需求明确的成熟市场。他每一步都踩在未知市场里——2015年的自动驾驶、2024年的具身大脑，没有人能告诉他答案在哪。比起成熟企业里按部就班的线性推进，他反复在验证一个假设：需求真伪只能用最小可行产品去市场碰，而不是在实验室里闭门打磨。逃离明确需求的安全区，才可能等到范式转移的船票。
王乃岩在图森的第一年就验证了这一点。没有现成数据标注规范、没有评估体系、没有嵌入式部署工具链，他不在办公室写文档等资源，而是带队跑进真实路测场景，用客户反馈反推研发优先级。这就是创业的底层共性：应对不确定性靠的不是完美计划，而是快速试错。正如Webvan曾融资4亿美元仍因日均订单2000单远低于8000单盈亏线而崩塌，验证比速度更关乎生死。
他在小米1800人团队中脱颖而出的原因，恰恰是创业者在组织内最稀缺的能力：建立可量化的验证目标。“可靠性”不是口号，是每一万公里接管次数、每一百例边缘场景的通过率。创业公司若只在产品研发节点设里程碑，却不为市场、销售设定可证伪的量化标准，就无法判断需求真伪，更谈不上及时止损。王乃岩每一次跨领域转身，都在实践同一套方法论：小步验证、快速迭代、用现实数据校准方向，而非押注一次性完美上线。
金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo。