引言：博雷頓與飛捷科思聯合發布「零碳礦山物理世界模型」，讓物理AI首次在重工業場景系統性落地，礦山成為起點，這套閉環進化體系正從礦坑延伸更廣闊的工業未來。

在人工智能產業持續迭代的今天，大多數AI技術仍停留在虛擬數字場景中，難以真正融入重工業實體環境。

數字智能與工業實體之間的割裂，始終是制約工業智能化升級的關鍵瓶頸。

算法團隊雖在虛擬仿真領域深耕，卻缺乏對重工設備實際落地邏輯的理解；而傳統重工車企雖在硬件製造上積累深厚，卻欠缺前沿AI算法的研發能力。

「數字」與「鋼鐵」之間的行業鴻溝，使得大量工業智能方案止步於試點階段，難以實現規模化推廣。

真正的轉機，往往源於跨界者的深度融合。

7月19日，博雷頓與飛捷科思（Fysics AI）的聯手，正試圖打破這道橫亙在「數字與鋼鐵」之間的行業鴻溝，聯合發布了「零碳礦山物理世界模型」。

此次合作依託三方協同優勢——博雷頓長期深耕礦山實地運營，飛捷科思掌握物理仿真核心算法，沐曦股份提供國產自主算力底座，三方協同推動物理AI在工礦業場景中實現系統化落地。

不同於傳統點狀式AI應用嘗試，該模型構建起「虛擬仿真訓練—真實場景驗證—數據迴流迭代」的完整閉環進化機制，並以礦山這一高難度工業環境作為「試驗場」，為物理AI向全工業領域規模化賦能奠定了基礎。

博雷頓本身具備完整的重工業實體運營能力，不僅自主研發製造電動礦卡、建設光儲微網系統，還持續迭代礦山智駕大模型，常年積累海量真實運營數據，構築起厚實的產業落地根基。

當業內大多數AI模型仍在虛擬環境中反覆調優時，博雷頓已率先實現工礦產業、清潔能源與AI大模型的深度耦合，打造出具備自主進化能力的工業物理AI系統。

  博雷頓的「物理AI」實踐，

築牢礦山智駕核心壁壘

要理解博雷頓「零碳礦山物理世界模型」的獨特性，得先弄清楚它服務的智駕大模型走的是什麼技術路線。

礦山無人駕駛行業目前有兩條主流技術路徑。

第一條是模塊化規則方案。系統被拆成感知、定位、規劃、控制這些獨立模塊，工程師給每個模塊寫一大堆規則。

好處是確定性高、可解釋性強。但致命缺陷是：規則根本寫不完。礦區道路跟着採場推進不斷變化，裝載區天天在更新，排土區邊坡每天往外擴。

但凡遇到一條沒寫在規則裏的「長尾場景」，只能卡住或者剎停等着人來接管。

第二條是端到端大模型方案，博雷頓走的就是這條路。

傳感器數據直接餵給大模型，大模型直接輸出控制指令，中間所有的決策邏輯都讓模型在數據驅動下自己學。

端到端路線的核心優勢是泛化能力，遇到沒見過的場景，模型能基於預訓練知識做出合理判斷，而不是簡單卡住。

博雷頓把它定義為「可以用在全部車輛上、不侷限於某一款車型」的平台化能力，不是在給某款礦卡寫一套控制軟件，而是在打造一個可移植、可複用的礦山AI決策平台。

這條路線跟英偉達CEO黃仁勳的判斷是一致的，他反覆講過，物理AI是「下一個萬億級風口」，人工智能會跳出純數字虛擬世界，落地到現實物理世界，覆蓋自動駕駛、人形機器人、工業智能設備這些終端。

博雷頓在礦山做的，其實就是物理AI在重工業領域的一次率先落地，讓AI不只是「螢幕裏的對話者」，更是「真實世界的行動者」。

而且博雷頓它是整車製造商和運營商，每台在路上跑的礦卡都是數據採集終端。這種「硬件+算法+數據」縱向一體化的佈局，在礦山無人駕駛行業裏確實不多見。

這種一體化佈局，已經讓博雷頓的無人駕駛系統在多個礦山項目裏跑起來了。

比如新疆一個大型煤礦項目，是博雷頓目前的標杆項目。100台無人礦卡在跑，傳統人工駕駛需要差不多200名司機，博雷頓系統部署後實際運營人員不到20人。

還有承德建龍礦業，屬於金屬礦山。博雷頓的能力從煤礦延伸到金屬礦，證明了技術方案跨礦種也能用，對拓展非煤市場有戰略價值。

運營數據方面，博雷頓披露了初期效率能達到人工的95%、7×24小時運行、每天接管低於5次。

現在礦山無人駕駛的參與者大概分三類：純算法公司（只提供軟件，不碰硬件）、傳統礦卡製造商（做硬件，算法能力弱）、縱向一體化公司（硬件、算法、運營全包）。

博雷頓屬於第三類，而且是其中「算電雙驅」佈局最完整的一家，電動礦卡、光儲微網、智駕大模型、世界模型全都有，從能源供給到智能決策再到執行終端，整條鏈都打通了。

每個項目都是自己在運營，數據從產生到迴流到模型訓練，全在同一個體系裏。這種對數據閉環的完整控制力，是博雷頓最不容易被複制的一道壁壘。

為什麼礦山無人駕駛需要世界大模型？

現在礦山無人駕駛部署初期的運營數據，能達到人工駕駛95%左右的效率，但要穩定超過人工，必須解決長尾場景的問題。

而自動駕駛行業反覆驗證過一個規律：最後5%的效率提升，往往要花上前95%十倍以上的力氣。

這還只是從95%到100%的難度。從100%到150%，那完全是另一個量級的問題。人工駕駛受限於生理極限，反應速度、疲勞周期、視野盲區，在複雜工況下的效率天花板是鎖死的。

礦卡要真正超越人類，不是靠堆傳感器或者寫更多規則就能做到的。它需要一種完全不同的能力：在極端場景裏提前預判、在全局調度中找到最優解、在瞬息萬變的作業面上做出超越經驗本能的決策。

這些事，靠傳統自動化根本夠不着。這時候，物理世界模型才真正顯示出不可替代的價值——它不是讓人開得更好，而是讓機器學會人類根本開不出來的效率。

長尾場景還包括暴雨、大霧、暴雪這些極端天氣，還有夜間低照度、揚塵遮擋、臨時障礙、道路突然變化、人員進入作業區、裝載設備異常移動、通信中斷等等。

這些事在真實礦山裏確實會發生，但頻率極低，單個場景出現的概率可能只有千分之一甚至萬分之一。

這當中矛盾的本質是：長尾場景恰恰是低頻率、高成本、高風險的數據。光靠真實運營數據，模型訓練效率太慢，從95%到超越人工的進程會變得十分漫長。

博雷頓的「零碳礦山物理世界模型」針對這個問題提了一套系統化的方案。

首先是場景生成層。

用的是3DGS、擴散模型和生成式AI技術，構建高保真的虛擬礦山場景。能生成不同天氣、不同光照、不同道路條件、不同作業狀態下的礦山場景組合。

傳統仿真器得靠人工建模，每個新場景都要花大量人力。

而基於生成式AI的世界模型可以把場景生成從「手工業」變成「工業化」，自動化、規模化地產出新場景，邊際成本極低。

其次是物理保真層。

聯合發布方飛捷科思，給博雷頓提供可微分物理引擎技術支持，復現粉塵、慣性這些真實物理規則，縮小虛實遷移的差距。

沐曦股份今年1月戰略投資了飛捷科思，3月雙方簽約共建「國產算力+物理AI」生態，圍繞GPU算力底座、物理仿真引擎、具身智能訓練平台做全鏈條協同。

沐曦的異構GPU深度適配飛捷科思的物理引擎，為世界模型的訓練和仿真提供自主可控的算力支撐。

博雷頓由此快速補上了物理仿真這塊能力，大大縮短了世界模型的落地周期。

最後是閉環進化層。

真實礦山運營數據持續迴流，世界模型據此識別效率瓶頸和困難樣本，定向生成訓練場景，大模型完成訓練驗證後，把更新後的策略部署到實車。

這樣一來，不再是隨機生成海量場景，而是針對實際運營中的短板精準地生成訓練數據。

拿新疆大型煤礦那100台礦卡來說，沒有世界模型的情況下，每台車跑一天只能積累有限的新場景數據。

就算跑滿365天，某些極端場景，比如某條特定道路在暴雨之後的樣子，可能還是缺足夠多的樣本。

有了世界模型，系統可以在虛擬礦山裏24小時不間斷地生成訓練場景，而且專盯着新疆大型煤礦的實際運營瓶頸來生成。

如果數據顯示「夜間會車」是效率損失的主要場景，世界模型就能生成上萬種夜間會車的變體場景供模型訓練。

這意味着，「從95%到超越人工」的進程，不再只能靠時間自然流逝，而是可以被算力和算法加速。

對已經部署了博雷頓系統的礦山客戶來說，他們買的不是「部署即定型」的靜態產品，而是「越跑越聰明」的進化體。

這個特性在礦山設備採購決策裏是有差異化價值的，客戶買的不僅是今天的效率，更是明天持續進化的能力。

而且博雷頓選擇跟沐曦投資的飛捷科思聯合發布世界模型，而不是自己搞物理AI，這是一個理性的分工決策。

物理AI的研發涉及流體力學、剛體動力學、材料科學等多個基礎學科，研發周期長、投入大。

通過引入飛捷科思的專業能力，再加上沐曦的國產GPU算力底座，博雷頓不用砸大筆錢自研跨學科底層引擎，就能快速補上物理仿真這塊關鍵技術。

世界大模型從「礦山」到「萬物」的野望

「零碳礦山物理世界模型」的戰略價值，不只是讓單個礦卡更聰明，更在於它支撐了博雷頓「礦山AI智能體」這個更大的構想。

所謂「礦山AI智能體」，本質上是把礦山看成一個由AI系統統一調度的物理生產系統。

這裏麪包括智駕大模型（決策中樞）、無人電動礦卡和礦用機器人（行動單元）、光儲微網（能源系統）、運營數據（進化燃料）。

「零碳礦山物理世界模型」在這個體系裏承擔的是「虛擬預演」的職能，調度策略正式上線之前，先在虛擬礦山裏模擬驗證，評估在不同工況下的表現，再部署到真實礦山。

這個構想的產業意義在於：礦山效率的真正瓶頸往往不在單車駕駛能力，而在於車跟車、車跟裝載設備、車跟能源系統之間的協同效率。

怎麼避免10台車同時到裝載區導致排隊？怎麼根據每台車的剩餘電量和任務緊急度動態分配任務？排土區堵了怎麼實時重新規劃路線？怎麼優化充電策略減少停機時間？

「零碳礦山物理世界模型」給這個系統級優化提供了「試驗場」，在虛擬礦山裏，可以隨便調整調度策略、資源分配方案、任務優先級，觀察對整體效率的影響，不用在真實礦山裏反覆試錯。

「零碳礦山物理世界模型」的核心能力，在虛擬環境裏訓練物理實體理解複雜、動態、非結構化的物理世界，是具身智能的通用基礎設施。

礦山是驗證這種能力的最高難度場景之一，環境惡劣、安全要求極高、容錯空間極小。如果世界模型在礦山場景裏被充分驗證，它的方法論完全可以往港口、農場、大型工地、物流園區這些具身智能應用場景遷移。

從技術原理上說，這個遷移是講得通的：港口、農場、工地的物理規律跟礦山沒什麼本質區別（都服從牛頓力學），區別在於場景的幾何結構、障礙物類型和任務模式。

一個能在礦山「地獄級」場景裏穩定運行的世界模型，底層能力，物理仿真、場景生成、Sim2Real遷移，在結構更規整的場景裏按理說應該表現更好。

博雷頓跟沐曦投資的飛捷科思聯合發布「零碳礦山物理世界模型」，本質上是在為物理AI在工業場景的落地搭建關鍵基礎設施，一個能在虛擬世界裏無限生成長尾場景、同時保證物理規律真實可信的仿真平台。

這樣一來，博雷頓的商業價值正從「一次性的硬件銷售」向「可持續的系統服務」躍遷，並最終指向「跨行業智能能力輸出」。

現在公司的收入來源為電動礦卡及無人駕駛系統的一次性銷售與部署費用，增長依賴礦山智能化改造政策與客戶資本開支，呈現項目制、波動大的特徵。

未來將很可能逐步轉為運營服務與軟件訂閱，隨着車隊在更多礦區穩定運行，博雷頓有望按噸公里、運營時長或人力節約分成等方式收費，收入更可持續且具抗周期性。

而遠期，同時也是最有潛力的，是系統能力輸出與跨行業拓展。

一旦世界模型在礦山這一最高難度場景中被充分驗證，博雷頓可向礦卡廠商授權算法、向海外輸出整體方案，並向港口、農場等工業場景遷移其世界模型能力。

據摩根士丹利預測，到2035年，由世界大模型賦能的全球產業規模可達10萬億美元。

意味着其潛在市場將從百億級礦山設備躍升至萬億級物理AI基礎設施賽道，空間極為廣闊，但技術適配與落地不確定性也最高。

結語

當前市場對博雷頓的認知還停留在「電動礦卡製造商」這個傳統定位上。

但它的技術內核其實已經發生了本質遷移，「零碳礦山世界模型」讓它具備了在虛擬世界裏訓練物理實體、在現實世界裏持續進化決策能力的完整閉環。

從新疆大型煤礦到承德建龍礦業，博雷頓已經用實際運營數據驗證了這套方法論是走得通的。

未來如果世界模型的能力進一步提升，博雷頓將不只是礦山設備公司，而是為物理AI在工業場景的落地，建立了一套可複用的方法論和基礎設施的平台型企業。

從虛擬訓練到現實部署，從數據回收到持續進化，這套方法論的產業價值，可能比礦山本身價值更大。