您尚未登录/注册
首页>汽车
世界模型成为自动驾驶的圣杯?
智驾网 2026-11-18 02:04:13

在无人驾驶赛道死磕的百度,Apollo World更像是百度的再一次押注,而那个完美的商业模式的钥匙是握在技术路线一端还是在监管手里,尚未到分晓的时候。

文丨智驾网 零酱‍‍

编辑丨浪浪山与明知山

仿佛在一夜之间,智驾的技术热点从端到端、VLA悉数涌向了物理AI和世界模型,而没有世界模型,物理AI似乎也是一句空话。

世界模型何以在今天成为自动驾驶的圣杯?

作为国内Robotaxi阵营的绝对龙头,在技术路线的探索上沉寂了近两年的百度Apollo在11月初的百度生态大会上细致地回答了这个问题。

他们首次披露了智能体驱动全模态世界模型Apollo World,并提出了「2+3」的世界模型判断标准。

两年前的2024年5月,百度Apollo发布了L4级自动驾驶的大模型Apollo ADFM(Autonomous Driving Foundation Model),百度Apollo宣布正式转向端到端架构。

从端到端到世界模型,百度Apollo似乎也没有免俗,至少在时间维度上跟风发布世界模型,不仅有拾人牙慧之感,更有江郎才尽之势。

百度Apollo的回应相对实诚,选在这个时间点公布,主要和萝卜快跑达成的规模有关。

ADFM发布后,萝卜快跑用两年时间依靠这套大模型把业务推到了28座城市、跑了3.5亿公里,其中2.4亿公里实现了主驾无人。

但在完成了2300万次出行之后,百度Apollo遇到了自动驾驶的不可能三角:安全需要做到极致,体验要高效平稳,覆盖也要足够广。

百度智能驾驶事业群组(IDG)首席研发架构师、IDG技术委员会主席王亮博士对媒体透露:

每一次模型迭代,都要先跑完超过 70 万公里带安全员的真实路测,路上没有遇到任何危险场景,才敢把车交给乘客;每进入一个新城市、新区域,又要经历一次类似的测试。

70万公里乘以版本数,再乘以城市数,结果就是萝卜快跑扩张速度的上限。

更难覆盖的是那些真正危险的场景:一台近两吨的车,几十公里的时速,三十几毫秒的决策窗口,容错空间接近于零。

实现规模化落地,一城一市地跑,没有起点也没有终点,而世界模型可以让自动驾驶车辆可以反复跑,验证每一种可能的场景:

它把真实运营里的复杂交互和风险场景,转成可重复、可控制、可规模化运行的虚拟环境,再生成现实中尚未出现的新场景,让无人车在实车部署之前先在虚拟世界里跑,训练通过考试合格之后再推送到真实的道路上。

在王亮看来,世界模型路线对于自动驾驶规模化落地至关重要:

「没有替代方案。」

但是正如有一千人就有一千个哈姆雷特,一千家公司也有一千个世界模型,什么样的模型对于自动驾驶的规模化落地有实质性的推动作用?

王亮说,世界模型也是有标准的。

01.
什么是世界模型

「世界模型」最早并非是一个产业名词,在诞生之初它其实是一个心理学概念。

1943年,苏格兰心理学家 Kenneth Craik 在《The Nature of Explanation》里提出:人脑通过运行现实的「小尺度模型( small-scale models)」来推理。

2018年,David Ha与Jürgen Schmidhuber发表论文《World Models》,把这个概念引入深度学习:智能体先在自生成的仿真环境中学习开车、玩游戏,再迁移到真实任务。

2023年,英国Wayve发布GAIA-1,并称其为首个专为自动驾驶设计的生成式世界模型。

到2026年,英伟达、华为乾崑、理想、蔚来、小鹏、以及 Waymo、 Momenta、地平线、文远知行、小马智行都已发布各自的世界模型。

从时间顺序上看,百度Apollo此次披露的Apollo World算是世界模型领域的后来者。

「什么是世界模型」似乎已经不需要百度Apollo来解释,可以说,百度的世界模型来得有些不合时宜,当下大众对于科技公司「VLA」、「物理AI」、「世界模型」这样的频繁造词日益反感之际。

但站在后发角度,王亮认为越是重要的技术变革,越需要在出发时想清楚方向。

他和百度Apollo给世界模型建立了一套标准,即「2+3框架」:

两项基础门槛:是否具备因果性和交互性,不具备则称不上世界模型;三项增益属性:物理准确性、持久性和实时性,它们用来衡量模型做得好不好。

所谓因果性,讲得是时间是单向的,未来是结果,由过去决定,反之则不成立,不能看到未来的结果再回头去更改已经发生的过程。

这似乎是个天经地义的事情,但它其实侧面排除了很大一部分模型。

现在主流的生成模型在生成画面时有个通用的工作逻辑:每一帧都向其他帧「取信息」,哪些帧能取、哪些不能取,取决于注意力是怎么设计的。

常见的做法有两种。

一种是因果注意力,生成第5帧时只能看第1到第4帧,第6帧之后一律屏蔽,像写文章一句一句往下写,写完的不能回头改。

另一种是双向注意力,不设这个限制,第5帧可以看到第1帧,也可以看到第60帧,它在生成开头的时候,已经知道结尾是什么样。

这两种做法本身无所谓好坏,取决于模型要交付什么。

采用双向注意力的模型交付的是一段成片。片子整段一起生成,前后互相校准,画面不闪、物体不变形,为了美感可以前前后后反反复复利用信息,也是它比逐帧生成好看得多的原因。观众从头看到尾,评判的是整段顺不顺、像不像真的。

但仿真器交付的不是成片,是某一刻的世界状态,这时候「整段一起生成」就成了问题。

假设一段片子里,第二个路口有个行人横穿,自车刚好在他面前刹住。这一帧看起来毫无破绽:行人出现在该出现的地方,刹车距离也合适。

但「毫无破绽」是「刚好刹停」这个结局安排出来的。整段片子需要有惊无险,所以行人的位置、迈步的时机、刹车的那零点几秒,都被调到了刚好来得及。

它不是那一刻真实的世界,是一个已经知道结局之后,被修得能过关的世界。

「但真实的物理世界没有回头路」,合格的世界模型必须首先遵从单向的时间。

因果性解决了「世界」向下推动的方向,而第二个门槛「交互性」则关注「世界」以谁为轴。

王亮用看电影做比喻:

看电影可以换座位,选择坐前排还是坐后排,也可以调时间轴快进后退,但情节已经编排好了,观众能做的只是旁观不能参与。而这不是世界模型该有的样子:

「我是这个世界的一份子,是世界的主体,我的行为会对世界产生影响,这个影响要能反映出来。」

他现场对比了两段素材。

一段是李飞飞团队此前放出的世界模型进展,渲染质量很高,运镜也流畅,但镜头无论怎么推拉摇移,都只是一个旁观者在换角度看,没有把动作注入进去改变什么。

另一段是Apollo的成果:

前面一辆车想变道,如果自车选择礼让,把速度降下来放它进来,它就可以跑到自车前面;如果自车赶时间不让,我有路权可以加速,变道车辆感受到我没有礼让的意图,就会等一等,变道回归。

踩油门还是选择刹车让行这两个动作,改变了未来世界的走向,这在术语上称之为 「动作条件化」。

这两段素材的差别,正是「我」的行为是否对世界产生了影响。而在王亮看来,只有后一种,才有模拟的价值:

「世界模型,重点不是渲染的画质是否好看,而是模拟器是否能忠实还原现实物理规律和行为的因果。」

符合因果性和交互性两个条件的,才是王亮和百度Apollo认同的、有价值的世界模型。

而在此基础上,物理准确性、持久性和实时性其实是百度Apollo为世界模型设置的三个考核标准:

1、物理准确性:模型到底有没有学会物理规律,学习获得的能力回到物理世界还能不能用。

以天气举例,同一个场景、同样的刹车指令,晴天停下来之后与前车的距离合适;切到雨天,就要考虑到因为地面有水甚至积水导致的摩擦系数变了,同样的刹车力度滑行的距离会更远。

这条属性的意义在于保证模拟状态的可靠性,在虚拟世界里练出来的司机,把知识带回物理世界还成不成立。

2、持久性:或者叫世界的恒常性,考验的是模型持续运行的时间和稳定性能不能跟上,长时间运行,物体和细节是否发生漂移。

这条属性要求同一个地点在两个不同时刻,必须是同一个物理对象。

但这在技术上有两个难点:

第一个难点是跑不远。

图像生成是一帧接一帧往下接的,每帧拿上一帧当起点,误差会因此一路向后传递。车开出去十分钟,起点早已不在模型视野里,绕回来只能重新想象,楼、树、窗户不可能和第一次一样,这就是漂移。

第二个难点是拼不齐。

既然一次跑不长,行业通行的做法是分别生成若干段场景片段,再首尾接起来。每段单独看都成立,但容易拼接不齐。

可以说持久性是这三条属性中最难的一项,Apollo World在此处花的力气也最大,背后支撑它的是长注意力机制,以保证在全局视角下生成,长时间运行不因遗忘产生漂移。

3、实时性,低时延:生成世界复杂度的增长不影响模型推理时间,获得高模拟测试效率。

这一特性其实最好理解,也最贴近工程。做仿真就是希望虚拟世界里能日行千里,用算力换测试规模和效率。

作为参考基准,Apollo World可以做到每秒处理24帧包含10路摄像头、900万像素的RGB画面,4路激光雷达每帧30万点的几何坐标的数据。

达到这一能力,才会让人相信世界模型有能力代替实车进行测试。

02.
百度Apollo开启多重宇宙

世界模型不是新概念,其原理也不复杂,但好的世界模型在从数据中学到了世界运行的规律之后,能在给定当前状态和一个动作的前提下,预测下一刻的世界会变成什么样,并指导测试车辆做出决策,换言之即是可以预测未来。

而要做到这一点,仿真是世界模型成型的先决条件之一。

行业过去不是没有仿真,做法是把路上真实发生的情况连同传感器数据一起采集回来,车端版本更新了就重跑一遍,看新版本在旧数据上表现如何。

这种回放型、或者叫开环仿真,问题出在数据「采集的那一刻」:

那个世界里所有交通参与者的行为已经固定了,如果AI司机做出和当时不一样的动作,比如提前一秒变道,场景里其他车不会跟着反应,仍然会按录像里那条轨迹行驶,它看到的世界就已经不是它动作之后应该有的世界,仿真随之失效。

王亮将其形容为「仿真不真」。

这种情况在分层架构时代还能勉强对付,到了端到端时代就会成为模型的致命缺点。

因为端到端是数据驱动的,模型会自己衍生出更聪明、也更不同于上一版本的驾驶意识,行为分布每一版都在变。

行为变了,回放给出的验证就越来越不可信;验证不可信,判断就只能推回到道路测试上去,而道路测试的成本、周期和风险都摆在那里,尤其危险场景根本没法为了测试去摆拍。

而Apollo World的第一重能力「智能体驱动」就是为了解决「仿真不真」。

基于交互性和因果性,Apollo World将虚拟场景内所有交通参与者建模为具备决策与交互能力的AI智能体。

Apollo World 里的交通参与者各自带着目的地往前开,同时受周围智能体影响;自车的动作也作为输入进去,因为自车不只是旁观者,它就在这个世界里。

这些信息一起进入智能体交互模型,模型会预测每个智能体的动作响应,各走一步,世界状态往前推一步,再把新状态喂回模型,一步一步往下推演。

百度智能驾驶事业群组(IDG)杰出架构师、世界模型负责人杨泽将这一能力形容为:

「Apollo World希望赋予交通参与者智能,让世界能够回应无人车的每一个动作。」

换言之,Apollo World会因为自车和所有交通参与者的动作,「诞生」出一个类似「多重宇宙」的新世界。

而在这些世界中,Apollo World可实时生成相机、激光雷达等不同传感器的观测数据,这就需要第二层能力「全模态感知」,让无人驾驶系统直接感知虚拟环境。

生成模型要同时产出相机和激光雷达两种观测数据,其基础就是必须满足物理真实性和多模态一致:相机视角里轿车在货车左边,生成的点云里也必须在货车左边。如果跑到右边,融合感知拿到的就是互相矛盾的信息,不知道物体到底在哪一侧。

技术上,每一帧画面用一组token表示,生成时只参考过去的token,单向注意力保证因果性;不同视角、不同模态的token之间互相交换信息,保证跨视角、跨模态一致。最后解码器把token解码为生成的画面。

在「作用」和「感知」之后,Apollo World还要完成「行程闭环」。

杨泽表示:

「行业里不少世界模型仍以独立场景模拟为主,Apollo World则更关注完整任务的闭环模拟。」

「我们希望世界模型能够从模拟一个场景,进而进化到模拟整个完整任务的执行。」

这实际上是上文提到的「2+3」框架中恒常性的能力延伸。

在Apollo World构建的虚拟世界中,无人驾驶车辆能够在不同起终点之间连续行驶,完成从接单、载客到送达的完整出行任务。

这要求模型既要完成时间上的连续、中间不分叉成两个不同的世界;又要实现覆盖多个场景的长任务执行。

从杨泽给出的模拟订单示例可以看出:

Apollo World可以模拟从深圳的滨海大道到深圳的A8大厦的完整订单,其中的相机画面、雷达画面,包括智能体的交互,对自车的响应都是由世界模型控制和生成的。

杨泽透露,Apollo World的虚拟路测不仅能模拟一段行程,而且同样模拟在路上可能预见的订单或者预见的行程,通过虚拟路测帮我们验证自动驾驶足够安全,是否能应对路上出现的各种各样的长尾情况。

「萝卜快跑能够在跨路段、跨场景的连续驾驶过程中接受训练与检验。后续虚拟世界构建到不同的城市、不同区域,让萝卜快跑真正驶入万千世界。」

据透露,Apollo World目前已经推送至百余台萝卜快跑第六代无人车,累计完成了近百万公里的营运里程。

王亮表示,由于不需要硬件升级,后续Apollo World将陆续推送至萝卜快跑全量车型。

此外,Apollo World的技术栈还可拓展至机器人等更广泛的物理AI场景。

03.

世界模型的三大应用阵营

跳出百度自己的技术栈,依照交付的成品类型,当前的世界模型大体可以分为三类。

第一类只服务乘用车的L2量产。

它们的产出是训练数据,衡量标准是能不能生成足够多、足够刁钻的场景去喂车端模型。包括华为乾崑、理想、蔚来、地平线、元戎启行等车企和供应商都属于这一范畴。

这一类世界模型的共同点是解决「数据不够」的问题,方向是生成得更多、更快、更贴长尾的场景。

第二类同时服务乘用车和自动驾驶,阵营涵盖特斯拉、小鹏、文远知行、小马智行以及Momenta。

它们的产出是可复用的资产,衡量标准是通用性,即同一套世界模型能否在L2和L4间复用。

需要说明的是,小马智行 2023 年成立的乘用车智驾事业部至今没有公开过主机厂客户名单,目前财报里「智能解决方案」的收入,主要来自域控制器和低速无人配送、无人清扫等场景。但依照官方口径,我们暂且把其归入同时运营 L2/L4 的第二阵营。

第三类只服务自动驾驶,目前只有百度与Waymo两家。

它们的产出是证据,衡量标准是可审计性,生成的世界够不够真,能不能拿去判定一个无人驾驶系统能不能上路,能不能被监管和保险认可。

前两类交的是数据,第三类交的是证据。数据有用就行,出了一版更好的模型就能替换;证据要经得起别人反复查验,出一次错就可能推翻整套论证。

这是两种完全不同的产品标准,也决定了三类阵营真正的差别。

从运行范围来看,第二、三阵营都包含无人驾驶。

在第二阵营内,特斯拉和小鹏属于可以合并的同类项:二者都有乘用车、Robotaxi和机器人,且三项技术栈同源同架构,都可以使用自家乘用车的驾驶数据来反哺L4。

而对于文远知行、小马智行和Momenta而言,其L2供应商的身份让其与第一手驾驶数据隔着一层,但仍要保证同一套模型装在客户车上要按L2的接管率考核,装在自己车队里要按L4的零事故考核,标准是两份,模型是一份,任何一边收紧都要牵动另一边。

不过有一点客观存在的好处是,无论是车企还是供应商,他们的L2业务事实上都可以为L4提供支持的现金流,Momenta宣讲多年的双轮驱动其意正在于此。

但Waymo和百度Apollo不行,两家不仅都没有L2的现金流支撑,也同样没有主驾的司机。

2026年2月,Waymo发布了自家的世界模型,它建立在Google DeepMind的Genie 3之上。

Genie 3是用海量多样视频预训练出来的通用世界模型,Waymo做的是后训练,依托在通用视频里积累的对世界的理解,在此基础上加入了驾驶动作控制、交通参与者行为设定和多传感器仿真。

Waymo的优势是世界知识深厚。

其官方博客里的演示包括金门大桥上铺着一层薄雪、龙卷风、被洪水淹没且漂着家具的郊区尽头路、从火灾里驶出,路上遇到大象、得州长角牛、狮子、一个穿霸王龙服装的行人,以及一团车那么大的风滚草。

这些东西几乎不可能在真实道路上按需采集,但模型能从通用视频里知道它们长什么样、动起来又是什么样。

但需要注意到的是,Waymo目前并未给出包括生成速度、场景数量在内的具体量化指标,只是表示其自动驾驶系统在真实道路之外完成了数十亿英里的虚拟世界行驶。

其特点是上限高、覆盖面广,代价是生成的世界未必严格服从物理与因果,它更像一个知识渊博的导演。

两相对照,Apollo World则更像一台精密仪器。

据官方消息,Apollo World的场景分布来自3.5亿公里的真实运营,它的世界知识面要窄得多,不会去生成月球上的交通流,但物理特性与逻辑因果更硬:雨天的点云空洞、雪天叶片落尽的树、路灯下周期性伸缩的阴影,这类细节出自真实传感器和光学规律。

相比于Genie 3的跳脱,Apollo World仿佛透着点中式的务实风格:Apollo World可「日行十万公里」,其一天完成的虚拟路测里程相当于一辆配备安全员进行真实路测车连续测试约三年。

它的上限虽然不如Genie 3,但下限更可控,而Robotaxi的下限,首先是安全。

王亮向到场媒体介绍了几周前颇热的一部纪录片《徒手攀岩》,片中的攀岩者Alex在有保护绳时可以做出非常漂亮、吸睛的动作;而在去掉保护绳后,Alex完成的其实是已经做过成千上万次的练习动作。

王亮将这一差别比作自动驾驶的L2和L4阶段。

那这是否意味着只服务无人驾驶的世界模型,会比双线运营、或者只面向乘用车的世界模型更为保守?

王亮否认了这一推测。

他说,无人驾驶的世界模型不会「刻意保守」以追求安全性:追求万无一失并不意味着刻意低效或者保守驾驶。

但他同时表示,在客观结果上,无人驾驶的安全性确实会更高,注意力确实更多放在极致安全和下限的底线思维上,对于极小概率的事故要压缩到接近于零。

这个回答诚实的地方在于,它没有把更安全说成更先进,而它成立的技术前提是误差、成本是否对称。

也正因如此,三个阵营的分法,说到底不是技术高低,而是计算方式不同。

只做乘用车量产的,世界模型省下来的是数据成本;同时做两条线的,它是一次投入分摊在两张报表上;只做无人驾驶的,它必须先变成一份能被别人查验的证据,否则车开不出一座城,形不成多城复制、多点开花。

所以,三个阵营的世界模型长成了不同的样子。

写在最后:

百度Apollo这次时隔两年的技术分享会讲了两个多小时,真正落在纸面上的新数字只有一个:一天十万公里虚拟路测,相当于一辆配安全员的实车跑三年。

其它的都是标准:什么算世界模型、什么该被叫作因果性、什么只是画面好看。

百度给自动驾驶打造了一个「多重宇宙」,每一次转向、每一脚刹车、每一次让行,都不只是生成一段不同的视频,而是把同一个起点推向一个不同结果的世界。

而这些不同的世界正在创造自动驾驶行业的标准。对于萝卜快跑现阶段的体量来说,标准不仅是行业共识,更是赚钱的逻辑。

谁定的标准被沿用,谁的开城成本就低一截。

Waymo走的是另一条路,用通用视频喂出来的世界知识换覆盖广度;特斯拉和小鹏把同一套技术栈装在量产车和Robotaxi上,用规模换数据。

三条路都还在跑,还没到分出胜负的时候。

当下Robotaxi站在临界点上也已有两年的时间,资本、主机厂都还在纷纷下场,但边际成本是不是在下降却没有直观的数字。

不过相比技术路线的胜负,在Robotaxi赛道,所有的入局者因为等待的太久,太需要有一把钥匙直接开启那个苦盼多年的无人驾驶时代推门而来。

在技术路线沉寂了两年的百度Apollo没有说明的是,为了这个好的世界模型,它用了多少算力,花了多少成本。

跳过造车直接在无人驾驶赛道死磕的百度,Apollo World更像是百度的再一次押注,而那个完美的商业模式的钥匙是握在技术路线一端还是在监管手里,尚未到分晓的时候。

【版权声明】本文内容来源于智驾网,版权归原作者及原媒体所有。本站仅作信息分享,不构成任何商业用途;如涉版权问题,请联系本站删除。

发布时间:2026-11-17 22:23:34


(第1/1页/共29120字/1阅)
首页>汽车
相关汽车:
湖北三城出租汽车行业调研:降成本、优服务、暖司机
突破12万辆大关,长城汽车公布10月销量120374辆
智能革新 越阶C级 试驾一汽丰田全新亚洲龙
谁说D级行政车只能稳重?全新红旗H9百公里加速3秒级!还有后轮转向和ADS 5
多花 1 万就多两把锁,北汽星钽5X 最值的不是顶配
*QQ注册登录与修改密码方法
网友评论:
更多评论(0)
您的评论:

[热点汽车]
犹太裔82岁前世界首富六婚娶35岁中国娇妻,反手为43岁长子赌上2700亿
全球资产逆风局,被美股养肥的韭菜,投资要小心了
胖东来卡蓓诺洗发水陷“出口转内销”争议,记者探访中国贸易商注册地,股东称不方便回应消费者质疑
从一台样机到油气田投产,国产设备要过几道关
黄仁勋被董事会批准辞任?英伟达股民迎至暗时刻:一周亏10万美金
[精彩推荐]
磁带不是早就“死”了吗,怎么突然打赢复活赛了
未来光锥闭门会纪要丨基模更强之后,AI4M怎么做?
“商场里怎么有鸟吃我蛋糕”?!不少人在深圳万象天地偶遇,有人拍下“作案瞬间”;该不该出手,网友吵翻
中国—白俄罗斯大学联盟第四次全体大会举行
重庆一高校新生在迎新晚会上抽中“免费吃食堂一年”,学校:只有一个名额,每天30元餐券,中奖学生可在…