智駕行業正在經歷一場極其詭譎的“集體失速”。

表面上看，數據量在暴漲，算力卡在成倍堆疊，端到端（End-to-End）已經成了各家PPT上的標配。但關掉電腦，每個智駕負責人心里都有一本賬：為什么哪怕堆了幾千塊H100，系統在面對復雜路口的“靈性”依然像是在抽獎？為什么我們解決了99%的場景，剩下的1%卻像幽靈一樣，永遠消滅不完？

大家開始意識到，我們可能撞上了一堵無形的墻：算法的紅利正在邊際遞減，而系統的“智力”水平，被鎖死在了反應式架構的邏輯里。

這種焦慮背后，指向的是同一個終極命題：自動駕駛的下半場，拼的不再是誰的感知更準，而是誰能讓機器擁有“常識”和“推演能力”。

這就是為什么“世界模型（Driving World Model）”在這個節點被推向神壇。它不是又一個用來融資的術語，而是行業在撞墻之后的集體突圍方案。

讀完這篇文章，你會拿到關于世界模型的四樣東西：

世界模型到底是什么？

世界模型在自動駕駛里究竟在解決什么本質問題？

當前世界模型應用技術卡在哪里卡得有多真實？

對決策者、從業者、研究員而言，現在最值得押注的判斷是什么。

一、它不是"更好的感知"，是一種不同的駕駛認知

世界模型（Driving World Model，DWM）經常被混同于"更強的感知模塊"或"更精準的預測算法"。這個理解會導致錯誤的資源分配。

世界模型解決的，是一個更上游的問題：如何讓系統在行動之前，先在腦子里把結果跑一遍。

傳統端到端模塊化架構的信息流是單向的——感知輸出給預測，預測輸出給規劃，每一步的不確定性在傳遞中不可逆地損耗。系統的本質是反應式的：它處理"現在發生了什么"。

世界模型把這個邏輯反轉了。它構建的是一個內部物理引擎，讓系統能夠向時間軸的未來推演：周圍這輛車接下來3秒會去哪、如果我現在變道它會怎么反應、哪條決策路徑在10種可能的未來里風險最低。這是預見式的（anticipatory），不是反應式的（reactive），例如我們之前文章《智駕定型之戰：一文看透自動駕駛“端到端”的底層邏輯與架構演進》分享到的典型端到端算法就是反應式的。

這個區別在工程上的表現是：反應式系統在遭遇訓練數據之外的情況時，傾向于失效；預見式系統因為理解了物理世界的運行規律，具備更強的泛化能力——它能推斷沒見過的情況，而不只是匹配見過的模式，當然我們之前文章《一文看懂視覺語言動作模型（VLA）及其應用》介紹的VLA也是增強算法泛化的一種方式，當然他還附贈了一個語言的人機交互。

功能上，DWM承擔四個相互耦合的角色：

對動態元素的多步軌跡和意圖進行聯合建模（不只預測"會去哪"，還推斷"為什么這么走"）；

在執行任何操作前先做反事實推演，評估多條平行路徑的風險；

生成高保真的極端場景數據，解決長尾覆蓋的數據稀缺問題；

以及融合大語言模型的常識推理，處理純視覺模型的結構性盲區——比如路邊冒煙的車意味著什么，警察手勢背后的交通邏輯是什么。

二、三道真實存在的墻

坦率說：世界模型距離大規模量產，仍有三個沒解決的系統性問題。這不是悲觀，是判斷資源投入時必須正視的現實。

第一道墻：感知和決策還是兩張皮。

以精細場景預測為目標的模型，和以行為規劃為目標的模型，至今沒有真正融合成統一的駕駛認知。前者通過像素變化隱式反映意圖，缺乏顯式的駕駛邏輯；后者專注策略，但對復雜視覺場景的細粒度感知嚴重不足。

端到端（End-to-End）架構是目前最被看好的打通路徑。但它帶來了一個新的工程難題：黑盒系統如何通過安全驗證？Waymo的co-CEO明確說過，純端到端"入門容易，但距離全自動駕駛的安全標準還遠"。這個判斷在行業內仍有爭議——但值得每一個在押注端到端路線的團隊認真對待，而不是繞過去。

第二道墻：預測時間越長，誤差越失控。

預測未來3秒，準確率尚可。預測10秒，誤差開始指數級放大。根本原因是誤差的多步傳導：在t時刻對某輛車速度的微小估計偏差，經過n步推演后會釀成完全錯誤的位置預判。

這在高速場景和復雜城市路口尤為致命——而這恰好是最需要提前規劃的兩類場景。不確定性建模（uncertainty-aware prediction）和多模態軌跡預測有所進展，但工程可用性距量產標準仍有差距。這道墻目前沒有系統性解法。

第三道墻：仿真練出來的能力，真實路面上會打折。

Sim-to-Real Gap不是玄學，是有物理原因的：路面材質的微觀差異、雨天傳感器的噪聲模式、強側光對攝像頭的干擾——仿真器對這些細節的簡化，是系統性的。Domain Randomization和數據校準是當前主流應對手段，但效果上限明顯。

更根本的方向可能是：用世界模型本身生成更真實的仿真環境，以自舉方式逐步收窄鴻溝。這條路目前仍在早期。還需指出的是，純視覺方案在高速場景下對3D幾何和時序動態的精確感知，面臨結構性挑戰——這是當前主流視覺路線必須正視的局限，不是能靠堆數據解決的問題。

三、反直覺的真相：你的用戶正在成為你最重要的研發資產

這里有一件事，是整個行業還沒完全想清楚的。

大多數主機廠衡量智駕業務的核心指標，是滲透率和功能使用率。這個衡量框架已經過時了。

真正決定世界模型能力上限的，是訓練數據的質量和多樣性。而規�；�部署的用戶車隊，是獲取這類數據最高效、最低成本的方式。

特斯拉的"影子模式"是理解這個邏輯最好的案例。新版本算法在用戶車輛上后臺運行，不接管方向盤，只記錄AI判斷與人類實際操作之間的差異。這套機制將500萬輛用戶車輛，轉化成了一個持續運行的大規模行為偏差數據集——用戶在不知情的情況下，完成了AI系統的全球A/B測試。每年500億英里的真實駕駛數據持續涌入，每分鐘新增10萬英里。

Waymo的判斷更進一步：存在一類數據，是任何仿真器和任何人類駕駛數據都無法替代的——系統完全自主運行、沒有人類接管時積累的經驗。只有當AI在真實復雜路況中獨立應對，并將這些經驗回流到訓練系統，自動駕駛才能真正突破人類駕駛水平的天花板，并實現可量化的安全證明。這是Waymo將Robotaxi運營與技術研發綁定的底層邏輯，不是商業包裝。

這兩個案例指向同一個結論，也是本文最想讓決策者記住的一句話：

市場份額正在轉化為數據資產，數據資產正在轉化為模型能力，模型能力正在轉化為下一輪市場份額。這個飛輪，晚進入者面對的不只是技術差距，而是數據積累量級上的結構性差距。

對產品策略的直接推論有三條。

其一，搭載智駕功能的車輛，其戰略價值不應只以銷量衡量，更應以數據回流的質量和多樣性衡量。偏遠地區、極端氣候、特殊路況的駕駛數據，可能比高密度城區數據更有訓練價值——因為它覆蓋的是模型的長尾盲區。

其二，用戶駕駛數據的權益邊界，正在成為監管關注的新議題。如何在數據采集、隱私保護和模型訓練之間建立可持續的授權機制，是需要前置布局的合規課題，而不是出了問題再處理。

其三，數據飛輪邏輯對純軟件供應商同樣成立。沒有規�；�終端部署的智駕方案，將在迭代速度上持續落后于有車隊支撐的競爭對手。這個差距會隨時間擴大，不會自動收窄。

四、它的邊界比你想的要寬：從汽車到物理世界的AI化

自動駕駛之外，世界模型的技術框架正在向具身智能（Embodied AI）全面遷移。

工廠機械臂在執行精密裝配前，在內部模型中預演操作結果；倉儲機器人在規劃路徑時，預判動態障礙物的運動意圖；手術輔助系統在介入前，評估每一步操作的后果概率。這些場景的底層邏輯，與自動駕駛世界模型高度同構——在行動之前，先在虛擬世界里把結果跑一遍。

自動駕駛是這個技術范式的主戰場，原因是結構性的：公路場景提供了規模最大、多樣性最高、物理復雜度最接近真實的訓練環境，商業壓力迫使迭代速度遠超學術節奏。在這里驗證的能力，具備向其他物理場景遷移的基礎。

對已經或正在考慮進入機器人、工業自動化領域的整車廠：當前投入自動駕駛世界模型的研發資源，其回報邊界不應只以自動駕駛市場來計算。這是一個值得納入戰略規劃的變量。

五、判斷框架：現在應該押什么

綜合以上，給三類讀者各提煉一個最值得帶走的判斷。

決策者：數據戰略的優先級已經超越了算法本身。如果你的智駕系統沒有持續的真實數據回流機制，你在用一個會隨時間相對衰減的資產參與一場飛輪競爭。窗口期是有限的——當市場格局固化，后來者的追趕成本將以數量級計。

從業者：端到端與模塊化混合架構，在近期內仍將并行存在。當前最務實的路徑，是以世界模型為中間層連接感知與規劃，而非徹底替換現有架構。三個最值得投入的技術方向：統一感知-決策建模、不確定性感知的長時程預測、以及基于世界模型的自舉式仿真校準。

研究員：感知與決策的建模割裂、長時程預測的誤差累積、Sim-to-Real Gap——這三個方向是當前頂會投稿最密集的區域，也是距離真正工程可用性差距最大的地方。能在這三者中任何一個上取得系統性突破的工作，都具備直接改變產業路線的潛力。

世界模型的本質，是讓機器第一次真正理解物理世界的運行規律，而不只是記住見過的模式。

這個能力一旦成熟，它改變的不只是自動駕駛——它是整個物理世界AI化的底層基礎設施。

汽車，只是第一個被打通的入口。而誰先在這個入口建立起數據飛輪，當然數據飛輪不能建錯了，誰就在未來那場更大的競爭里，提前占住了位置。

參考資料以及圖片

The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey Sifan Tu1, Xin Zhou1, Dingkang Liang1, Xingyu Jiang1, Yumeng Zhang2, Xiaofan Li2, Xiang Bai1 1Huazhong University of Science and Technology, 2Baidu Inc.

文章創意和結構skills 來自于MIT Patrick Winston的公開課how to speak

*未經準許嚴禁轉載和摘錄

       原文標題 : 自動駕駛的下半場，讓機器擁有“常識”和“推演能力”的世界模型