世界模型：自动驾驶的“仿真利器”还是终极答案？
文｜肖漫
编辑｜李勤
过去两三年，车企谈及智能驾驶时，总会抛出各类新颖技术名词。
世界模型是继端到端、VLA之后，智驾领域最热门的概念。不同企业还给它赋予了独特名称——小鹏推出“世界基座模型”、蔚来提出“端到端世界模型”、华为打造“世界行为模型”（WA）。此外，地平线、理想、元戎启行、Momenta等企业也在布局世界模型相关技术。
但仅看企业发布会，很难分辨这些“世界模型”是否为同一技术；它究竟解决什么问题，又在智能驾驶架构中处于什么位置？
从广义语境来看，“世界模型”本质是在虚拟空间重建真实世界，让人工智能能像人类一样理解现实，认知物理规律、事物因果关系及环境动态变化的技术。
世界模型被多数科学家和科技公司视为“物理世界AI”发展的关键。斯坦福大学教授李飞飞曾表示，空间智能是AI的下一个十年，而世界模型是构建空间智能的核心技术。
前沿科学家和企业仍在探索，但中国汽车行业已用各类新颖概念占据了赛道位置。
实际上，当前智驾行业的“世界模型”只是名词表述不同，技术路径差异不大。它是对原有仿真工具的技术范式升级，通过还原度、颗粒度更高，场景更丰富、自由度更强的虚拟世界，解决端到端模型的测试与验证问题，最终目标是训练出更高效、更拟人化的端到端智驾模型。
简单来说，智驾厂商和车企并非打造完整的数字物理世界，只是用世界模型的思路构建仿真器。
尽管各家对世界模型的期待不同，但据了解，目前智驾行业的世界模型仅应用于云端，尚未实现在汽车端的部署。
端到端普及，暴露传统仿真器不足
过去两三年，头部智驾方案从规则栈转向AI驱动，在形式上实现统一：将感知、预测、规划尽可能整合到一个网络中，搭配更大模型和更高算力。正如车企发布会上常说的，“端到端后的智驾更像人开车”。
但实际应用中出现了反直觉现象：端到端后的新版本OTA不一定更优，甚至可能“退步”。
问题核心并非模型变差，而是AI驱动让评估与回归更困难。
此前许多智驾从业者认为，只要前端训练足够好，车辆就能像人一样驾驶。这条路径初期效果显著，让从业者震撼，但端到端的“黑盒”特性也带来副作用：模型出错时，研发人员难以知晓原因，也无法证明下次不会再犯。
模型优劣不再仅取决于“训练规模和数据量”，更在于能否发现、定义和验证问题。厂商逐渐意识到，需要更优的仿真器在模型验证阶段评估其表现。
头部企业大多将世界模型作为仿真器应用。为让理想VLA在仿真环境中进行强化学习，理想在2025年提出包含自车和他车轨迹的驾驶世界模型，充当“打分老师”；小鹏虽对外提及“世界基座模型”这一与世界模型本质无关的名词，但据36氪汽车了解，其也在利用世界模型进行仿真测试，评测新版本模型算法能力。
端到端的普及凸显了传统仿真器的短板。“以前端到端未普及，验证成本不高，还能分段验证系统。但端到端后无法分段验证，仿真器的问题就暴露了。”一位业内研发人员表示。
在规则时代，车企做仿真主要服务两件事：一是重现半路接管的问题，回放路测中出现问题的片段；二是通过仿真器增加corner case的数据丰富度，在模拟器中搭建典型路口、横穿行人、加塞车辆等脚本场景，让系统运行测试。
当时的仿真器更像“放大镜”，但端到端后，模型责任难以拆分，也难以系统性生成更细致、可控的corner case，更无法支撑端到端所需的大规模闭环验证——这正是引入世界模型的原因。
端到端时代，世界模型是智驾模型的“教练”
“目前国内车企世界模型的水平与特斯拉存在一定差距，但相差不到一年时间。”一位业内人士称。
特斯拉未使用“世界模型”概念，而是提出“世界模拟器”（去年ICCV上由特斯拉自动驾驶副总裁Ashok Elluswamy首次提及）。该模拟器基于特斯拉自建的海量数据集训练，能根据当前状态和下一步动作生成未来状态，与车端端到端基础模型形成闭环，进行真实效果评估。
一位业内人士指出，特斯拉更倾向用神经网络“拟合”世界，渲染过程通过计算生成，尽量减少显式物理规则堆叠；素材库并非完全由人预定义，而是保留了概率权重与组合空间，这样能增强模型的泛化能力。
国内车企多选择更“可控”的路线。与36氪汽车交流的一家供应商表示，理想采用3D高斯重建——这也是目前多数车企采用的方式之一。
无论哪种路线，世界模型在工程上最终指向同一方向：车企将其作为端到端时代的“验证与反证系统”，在云端重放、改写、扩增现实驾驶中可能出现的情境，检验车端大模型输出是否稳定、可复现，并让“哪里错、为什么错”重新成为可追踪的证据链。
世界模型的角色类似教练员，优秀的教练能培养出优秀的运动员。“随着云端世界模型不断增强，理论上车端模型的能力也会越来越强。”一位研发人员说。
世界模型的核心能力主要有两方面：一是对物理世界的数字化建模与抽象；二是基于建模，对物理世界进行合理想象和预测，比如通过给定图片预测未来世界的变化。
世界模型的好坏取决于能否在云端生成足够真实、多样的数据。“如果车企只是用采集的真实数据做仿真，那不是在做世界模型，只是一套回放数据的流程。”一位供应商产品经理表示。
世界模型需要从物理世界数据中学习运行模式，因此训练数据质量会显著影响生成质量。极佳视界产品线负责人毛继明提到：“对于世界模型这类生成模型，生成结果最终会对齐输入数据的特征分布规律。在真实商业化过程中发现，如果数据质量只有60分，基于此的世界模型生成数据质量可能只有55分。”
借助世界模型，车企在云端做仿真时，可从各维度无限生成所需场景，还能根据指令生成视频作为训练数据。“效率比真实采集后再训练高很多，模型迭代速度会实现断代式领先。”一位供应商研发人员称。
但这些都是理想化结果。“世界模型相比智驾用的仿真器，或不用仿真信息仅用离线数据验证，已是很大升级，但距离理想仿真器还有差距。”
世界模型算法尚未成熟，仍存“幻觉”问题
行业目前普遍处于起步阶段。
一位车企研发人员告诉36氪汽车，国内厂商基于世界模型最长能生成30-60秒的视频片段，但动态物体的一致性不佳，时空一致性和多视角一致性都存在较大问题。
世界模型底层是生成式模型，天生存在“幻觉”风险。“目前世界模型最难的是保证生成内容的真实性，比如生成的人，其行为、轨迹要符合真实世界逻辑。”一位供应商产品经理表示，“如果世界模型生成错乱，会导致模型学到错误信息，进而让车端模型效果变差。”
一个极端例子：如果云端生成的车都是横着走的，模型会认为左前方的车会瞬间移动到右前方，实际驾驶中可能做出刹车动作。
若仿真器无法逼近现实世界的关键因果关系，比如湿滑路面对制动距离的影响、逆光下静止物体的误检概率、并线时对方车辆的博弈策略等，生成的“corner case”可能是虚假的；在假问题上优化，等于浪费研发资源在幻影上。
很多人认为世界模型的瓶颈在数据与算力，但前理想汽车辅助驾驶“端到端”模型负责人夏中谱更认同Lecun的观点：“世界模型算法层面没有大突破，图像模型的自监督训练还未找到像语言模型那样顺畅的范式。”
语言模型能快速规模化，原因之一是语言信息密度高，每个词都有明确语义约束。而图像信息密度低，对“驾驶决策”而言，有用信息占比极小。
例如，模型无需预测正后方远处车辆的轨迹，也无需预测远处建筑物的变化，这些都是噪声数据；但必须预测本车道前车是否会急刹、旁车是否会抢道、行人是否会横穿，模型要先知道“该关注什么”。
“目前智驾算法无法提取足够对驾驶有用的图像信息。”夏中谱说。一张图像可能有上百万像素点，但与决策相关的仅20多个，其他都是噪声，模型需先学会从噪声中抓取1‰甚至1‱的有效信号，再将信号组织成可用于推理和预测的结构。
在夏中谱看来，世界模型算法尚未突破，更谈不上数据是否足够、算力是否充足的问题。正因基础技术无明确突破，车企投入多为研究性质，部分车企老板对此也很迷茫。
若世界模型足够好且算力支撑，是可以部署到车端的。“国内现在基本把世界模型当仿真系统用，对智驾决策层面的技术理解还不够。”夏中谱表示。
这也解释了一个表面矛盾：为何各家都在讲世界模型，但用户体感差异不明显——因为多数企业的世界模型仍停留在“训练与验证”的第一阶段，尚未进入“支撑决策规划”的第二阶段。
“在车端部署世界模型是最难的。”夏中谱说。
目前尚无企业在车端应用世界模型。他同时指出：“用大模型方法建模物理世界，通过与物理世界交互预测发展变化，进而通过决策让世界朝有利方向发展。若世界模型能做到这一步，自动驾驶和机器人相关问题都能解决。”
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com