作者丨吴雨晴
10月17日，上海徐浦大桥上发生了一起令人揪心的事故，一辆平板货车先撞上了一辆白色小客车，然后车子驶入对向车道，又接连撞了4辆车，事故造成了1死2伤。
事故过后，网络上涌现了很多对于事故全过程的还原和讨论。如果白色小客车没有违规变道，或者货车早点刹车，结果会不会不同？
现实世界中，人们从亲历的险情、看过的事故中记住一些教训，提升驾驶和决策水平。
而对于需要通过训练规避风险的无人车来说，研究这些问题，需要改变条件、反复比较，却不能在真实道路上重复制造危险。
随着无人驾驶的发展，仿真测试早就在做这部分工作。如今，百度、Waymo等企业都在用世界模型扩展虚拟考场的边界，为无人车创造“重生”机会。
也就是从已有场景出发，改变路况或驾驶动作，推演不同的后续，让系统在不同条件下反复接受检验。
难的是，给无人车一次“重来”的机会，不能只是重置自车动作，还要让周围的车、人、物给出合理回应。怎样的世界模型，才撑得起这样的训练？
世界模型的“重生”，怎样才有用？
AI科学家、World Labs联合创始人李飞飞，曾把汽车比作带轮子的机器人，认为无人驾驶汽车近似在二维的环境里移动的“方盒子”，车要尽量不碰到东西，家务机器人却得主动伸手，才能洗碗、做饭、叠衣服。
从操作任务来看，她认为汽车相对简单，“无人驾驶汽车其实还是挺简单的机器人”。但百度智能驾驶事业群组首席研发架构师王亮博士说：“无人驾驶从来不是具身智能的‘EASY模式’。”
比如谈到L2和L4的区别时，王亮博士拿纪录片《徒手攀岩》举例，辅助驾驶更像有保护的攀岩，容易做出吸引眼球的帅气动作，而L4就像无保护攀岩，中间的巨大鸿沟很难跨越。
无人车驶入开放道路，要不断应对其他车辆和行人难以预判的行动，对安全、实时响应和处理交通冲突的要求也随之提高。在他看来，难点不只在于感知三维空间，更在于驾驶位上没有人能随时接手，系统几乎没有犯错的余地。
真实场景中，车辆并线时，即使旁边有空位，也得看后车让不让。往前探还是先收一脚油，也会影响对方的选择，因为路上不止一辆车在做决定。
研发人员要攻克的问题，就是怎么把这种在真实道路上时刻发生着的你来我往，搬进虚拟世界。
李飞飞将世界模型的功能分为渲染器、模拟器和规划器。开车时，渲染器让车看见路况，模拟器能让你知道往左或往右打方向会发生什么，规划器则帮你决定，为了到达目的地或规避危险该不该打这把方向。
王亮博士认同李飞飞对世界模型的划分，并进一步提出，无人驾驶需要这三项功能配合，其中模拟器是否能合理推演后果尤为重要。
驾驶系统做出动作之后，模拟环境随之变化，把新的路况反馈给系统，让它据此再做下一步决定。比如，如果无人车提前踩了刹车，虚拟道路上的后车也要跟着减速。
如果测试只是把实车记录的路况重放一遍，后车仍会沿原来的轨迹行驶。这样一来，哪怕无人车在仿真里避开了前车的碰撞，也很难判断这脚刹车在真实道路上是否安全。
目前，世界模型的概念越来越流行，但不是每个世界模型都能做出一个可信的、符合物理世界交互规律的试炼场。比如李飞飞团队的Marble，主要侧重生成和编辑三维空间。
当世界模型被用作具身模拟器，核心在于它能否忠实还原物理规律和行动的因果关系，让智能体在虚拟环境里完成原本要在现实中完成的完整任务。画面有多逼真、生成的场景有多奇特，都不能代替对行动后果的检验。
基于这样的定位，百度针对世界模型提出了“2+3”判断标准。
2，是指给物理AI世界模型设定的基础门槛：一是因果性，即模型必须像真实物理世界⼀样，由已知的过去推导下⼀秒；二是交互性，说的是运行中改变动作，环境能随之更新。
3，是判断世界模型好不好用的标准，包括物理准确性、持久性和实时性。
物理准确性是指模拟的状态有多可靠，是否符合世界规律，学习获得的能力回到物理世界还能不能用；持久性指的是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；实时性是说低时延，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。
总之，如果所谓的世界模型，只能复刻现实道路参与者和物理规律中的一小部分，测试结果是否真实可靠，就需要打个问号了。
一座可信的驾驶考场，如何搭建？
百度提出“2+3”的世界模型定义和评价标准，让环境真正回应驾驶系统，但怎样才能在虚拟世界搭建堪比真实世界的考场？
来看一段百度最近展示的两段画面：
左边，无人车驶上高架，给支路来车留出了空间，对方顺势驶入主路。右边，无人车改走高架旁的辅路，两车交会的空间变小，支路上的车便停下来等。
两段画面从同一个地点开始，无人车走了不同的路，支路上的车也作出了不同的选择。
下一组画面里，更换的变量是天气。同一条路、同样的初速和制动指令，晴天车停得更早，雨天则多滑了一段。
雨水改变了路面反光、能见度和激光雷达回波，也改变了这一脚刹车的结果。
再把镜头拉长到一整段行程。百度在虚拟环境里，把香港机场附近的万豪酒店设为共同起点，给测试车安排了不同的目的地。即便起点和终点都不变，把车流从低密度调到高密度，车辆也要应付更多交互，行程随之变慢。
这三组演示都来自近期百度披露的世界模型ApolloWorld。百度世界模型负责人杨泽介绍，百度把虚拟道路上的交通参与者建模为有各自目标、能感知周围变化的AI智能体，会根据周围的变化决定是走是停，它们的动作也会影响无人车接下来怎么开。
但有了会作出反应的车辆，还得让驾驶系统看得见并看得懂这些变化。ApolloWorld会根据同一时刻的路况生成相机画面和激光雷达点云。比如下图画面中的货车，在点云中也出现在对应位置。不同的相机视角、相机和激光雷达之间都会交换信息。
多模态联合生成的目的，就是让不同的观测共同描述眼前的同一个世界。至于如何生成这些观测画面，ApolloWorld会把上述状态作为条件交给生成模型，然后通过文本等条件控制天气、光照，再用数字孪生提供场景的几何结构和外观信息，保证生成的画面有明确的约束，而非凭空想象。
世界模型生成观测画面后，驾驶模型据此踩油门、刹车或打方向，主车和其他交通参与者的响应动作放在一起，就形成了世界的下一个状态。把这个新的状态送回模型，继续推演变化，交通场景就会持续地发展下去。
两套模型在云端配合完成测试，经过迭代的驾驶模型再部署到车上，相当于AI在教AI开车。
今年2月份，Waymo也公布过可响应驾驶动作、生成相机与激光雷达观测的世界模型，和百度的思路不同的是，Waymo主要展示了怎样改变道路条件，生成洪水、龙卷风等罕见场景，没有展示完整的长段行程。
百度的重点则是周围的其他交通参与者怎样回应自车，以及系统怎样按设定的目的地从头到尾跑完一整段行程。
相比之下，百度的ApolloWorld更贴近Robotaxi的实际运营流程，验证覆盖了从接单、接客到送达的完整任务。目前ApolloWorld百度展示的案例中，车辆都能顺利避让，给出的是成功的结果。不过，在研发人员眼里，没避开的情况也有其价值，虚拟考场的用处，正在于把这些容易被漏掉的条件找出来，一遍遍试错。
值得一提的是，虽然考场可以反复出题，但哪些题值得一考，仍要到真实道路上找答案。尤其当无人车驶向一座新城市，路况和开发都可能不同。百度过去跑过的那些路，能为下一座城市的测试提供什么？
当车队开向更多城市，测试资源怎样跟上？
不同城市的道路布局、车流和当地人的开法也都可能不同。但驾驶系统的安全边界需要将各类情况囊括其中，这就意味着不断增加的验证需求。
然而，测试车辆和安全员是有限的，验证需求却会随着业务扩张不断增加。
百度利用ApolloWorld，将一些原本要占用实车、人手和道路时间的测试搬到云端并行跑。按百度测算，它一天行驶的虚拟里程，约相当于一辆配备安全员的实车连续测试三年的里程。
虚拟里程能跑多快取决于算力，但跑哪些场景则要看车在真实道路上遇到过或可能会遇到什么情况。
百度在上千辆萝卜快跑上积累的道路经验，怎样进入世界模型呢？
据百度披露，萝卜快跑累计自动驾驶里程已超过3.5亿公里，其中全无人驾驶超过2.4亿公里。团队从运营中找出值得复现的问题，再结合地图和驾驶数据构建场景。通过改变车流密度、参与者激进程度和驾驶动作，同一个场景可以衍生出不同的测试条件。
王亮博士介绍，百度和特斯拉是全球仅有的两家将端到端技术用于规模化L4无人驾驶的企业，其中百度的端到端模型全无人运营里程超过了百万公里。
但端到端上车之后，真正的考验才刚刚开始。
无人驾驶要走向规模化，必须同时兼顾安全、智能与规模，而这三者之间存在着一个 “不可能三角”。
ApolloWorld的存在，把一部分原本非常依赖实车的训练和验证过程搬到云端，对百度来说意味着多了一种更高效率的安全验证方法。
进入新城市前，团队结合当地地图和采集数据构建场景，在云端并行测试，再把需要确认的问题交给实车验证。
这样一来，验证范围扩大的同时，对测试车和安全员的需求却不必再按同样的比例增加，百度的无人驾驶业务也就能快速开拓新城市、进行全球化布局。
由此可见，百度的世界模型，正在定义新的仿真标准，并助推无人驾驶抵达属于它的AGI时刻。
无论是路上可能突然出现的锥桶、行人，还是最开始提到的发生在徐浦大桥的重大事故，研发人员都很难等到它在同一个地方再出现一次。
但在ApolloWorld打造的虚拟世界里，无人车多了一次次“重生”的机会，哪怕只是做出细微的改变，可能都会影响众多道路参与者的终局。无数的虚拟世界经验最终向现实流动，现实之中人与车的安全性、通行效率也会由此改变。
往后，衡量一家无人驾驶公司的扩张能力，不止要看车队规模、里程数等等，还要看它能用多快的速度把一辆车遇到的偶然难题，变成整个庞大的车队都能学到的经验。
2026-09-17
2026-08-10
