L4 的下一个“考场”，在世界模型里？

在物理AI领域，世界模型可谓今年最热的词之一。

热到什么程度？能生成视频的产品、能搭建三维空间让人漫游的系统、能根据动作推演环境变化的模型，都被冠以世界模型之名。

但名字相同，标准却并不统一。

近日，百度Apollo在深圳AI Day・Apollo专场首次披露智能体驱动的全模态世界模型Apollo World，同时给出一套“2+3”判断标准。

在百度的技术逻辑里，世界模型不应止步于生成几段以假乱真的视频，也不该满足于搭建一个能走能看的虚拟空间，其最终要回答的问题是：能不能支撑自动驾驶这类高安全要求的智能体，在仿真环境里完成从出发到抵达的完整行程，并对真实世界的物理规律与交互反馈负责。

如果用IDG首席研发架构师、IDG技术委员会主席王亮的话来说，也即“世界模型仿真不是‘生成视频的画师’，而是‘验证无人驾驶安全的考官’。”

换句话说，让L4级自动驾驶在虚拟世界里接受一场又一场接近真实的考验，才是Apollo World真正要做的事。

回放式仿真不够用了，L4需要一个会“回应”的考场

历经十余年发展，L4级自动驾驶已经从实验室里的前沿项目，走向城市公开道路上的常态化运营。

据百度最新统计，萝卜快跑已在全球落地28座城市，累计完成超2300万次出行服务，自动驾驶总里程突破3.5亿公里，其中全无人驾驶里程超过2.4亿公里。

但广泛落地，不等于大规模商业化已经完成。

王亮在演讲一开始就坦言，无人驾驶至今仍没有真正跨过规模化的门槛，卡点在于一个“不可能三角”：极致的安全保障、类人的驾驶体验，以及在不同城市和道路环境里的全场景覆盖。

为什么这三个目标难以同时做到？

王亮认为，症结在于过去十多年的技术架构：传统分层架构把感知、预测、决策规划拆成不同模块，误差层层叠加，又依赖人工规则，很难同时兼顾三个目标。

而要验证新的端到端架构能不能跨过这道坎，绕不开仿真，可旧的仿真本身也有局限。

在自动驾驶领域，仿真不是新鲜事。过去十多年，工程师们习惯把真实道路上的场景和传感器数据采回来，在虚拟环境里一遍遍重跑。

这种方式确实显著推进了自动驾驶的早期研发，但天花板同样明显。

王亮指出，回放式仿真的本质，是把某一次真实驾驶完整“录像”存下来，再让系统在虚拟环境里重放。但问题在于，录像里的行人和车辆只会沿着当时的固定轨迹走，不会根据被测车辆的新动作做出任何改变。

他举了一个例子。车端版本更新后，新模型可能更聪明，比如比原来提前一秒变道。按照真实交通的逻辑，周围车辆本该重新避让、重新选择路线，可回放系统里的其他车辆仍按老轨迹行驶，整个场景对不上，测试数据随即失效。

换句话说，被测车辆的动作只要和原来不一样，仿真出来的世界就不可信。

更何况，真实驾驶从来不是放录像，而是司机与周围环境一来一回的互动。踩一脚刹车、让一次行，周围车辆的选择都会跟着变。测试环境不回应，就验不出系统在动态交通里的真实水平。

图片来源：百度Apollo

或许有人会说，那就回到真实道路上测。可真实路测的成本和风险，同样卡着脖子。

“平均来说，我们每次模型的迭代都要在背后经历超过70万公里的真实路测，只有在经历70万公里有人类安全员的真实路测，还没有遇到任何路上危险场景之后，才会交给乘客使用。”百度世界模型负责人杨泽表示。

70万公里是什么概念？相当于绕赤道接近18圈，而这只是一个版本的门槛。真实情况是，每进入一个新城市、每扩展一片区域，类似的验证都要重来一遍。

如果只靠真实路测，每进一个新城都重走一遍这套流程，显然支撑不起今天28城、3.5亿公里的运营规模。

更关键的是，真实道路容不下试错。

王亮在现场算了一笔安全账：自动驾驶车辆接近两吨，叠加几十公里的时速，模型推理一旦出现偏差，很可能就是无法承担的严重事故。

在他展示的日常案例里，有情侣吵架突然躺在车辆盲区，有摔倒在盲区的行人，有孩子横穿马路，这些场景要求系统在约1/30秒内做出决策。

此外，真实路测还有一个绕不开的难题：鬼探头、突然闯入的骑行者、滑向车道的雪糕桶这类极端场景，本身不可复现、不可预定，更不可能为了验证系统，让真实车辆一遍遍去冒险。

旧的回放不回应，真实路测又昂贵且危险，长尾场景无法按需复现。

Apollo World要补的，正是这块缺口：把测试成本和试错风险，先在虚拟世界里消化。

世界模型的及格线，不在画质在“硬功夫”

要讲清楚Apollo World，得先厘清一个更基础的问题：到底什么样的模型才算世界模型。

王亮坦言，团队一度也被这个问题绕进去过：每家公司都在讲，却没有统一标准。

百度Apollo最终给出的答案是“2+3”：“2”是决定算不算世界模型的基础门槛，“3”是衡量模型能力高下的进阶指标。

第一道门槛是因果性。

为什么必须有因果性？因为世界模型要模拟的是真实世界，而真实世界里的事情有先有后，已经发生的过去决定接下来的未来。

如果一个模型可以像剪辑视频一样，先看到后面的结果，再回头修改前面的画面，生成的世界就不符合真实的因果规律，拿这样的世界做驾驶测试，得出的结论没有意义。

值得关注的是，这点并非百度一家的判断。在具身智能领域，不少企业都把表达因果关系，视为世界模型必须具备的基本能力。

第二道门槛是交互性，简单说，就是车辆的动作要能真正改变这个虚拟世界。

自动驾驶虚拟测试的核心，是观察车辆在不同动作下会得到什么结果。如果虚拟世界对车辆动作毫无反应，测试就变成单向播放，无法验证系统在动态交通里的真实表现。

只有当每一次转向、每一脚刹车都能改变周围环境的走向，这个虚拟世界才真正具备测试价值。

当自车减速时（上），当自车超车时（下），图片来源：百度Apollo

比如上图中，同一辆白车在支路准备汇入，自车如果上高架、给白车留出空间，白车就驶入主路；如果走地面、占住汇入空间，白车就停车等待。

道路还是那条道路，车辆还是那辆白车，只是因为自车动作不同，其他交通参与者的反应就不同，未来也被推向不同方向。

在王亮看来，跨过这两道门槛，才算拿到世界模型的入场券。

至于模型能力强不强，还要看三项增益属性。

其一是物理准确性。模型不能只看起来没破绽，物理上也必须成立。

图片来源：百度Apollo

比如同样一道刹车指令，晴天和雨天的结果完全不同，雨天地面摩擦系数下降，路面积水会打滑，刹车距离自然变长。

杨泽展示的细节更能说明问题：雨天激光雷达发射的射线，很多会被雨水吸收，雷达画面里出现大片没有返回点的区域，车辆溅起的雨水同样会被雷达捕捉；雪天地面有积雪，树木没有叶子，画面里就不该出现绿色。

这些不是美术效果，而是传感器在真实天气里的成像规律。世界模型如果连这些规律都还原不了，画面再好看也没有测试价值。

其二是持久性，也叫世界恒常性。实际运营中，Robotaxi一单短则五分钟，长则两小时，模型要在整个行程里不漂移、不失忆。

以SLAM技术为例，机器人一边移动一边构建地图、确定自身位置，可当机器人走了很远再回到原点，过程中累积的定位误差，可能导致画出的地图首尾接不上，也就是所谓的“闭不上环”。

王亮指出，世界模型长时间运行也会遇到类似问题，每一帧的误差不断累积，虚拟世界里的物体就会逐渐偏移、变形。

Apollo World给出的办法是长注意力机制：模型生成每一帧时，都能参考行程开始以来的全部信息，而不是只记得最近几帧，从而把误差控制在很小的范围内。

其三是实时性。

世界模型要真正用于车辆测试，不能只在实验室里慢慢生成画面。真实车辆行驶中每秒都要连续做出多次决策，生成速度必须跟得上决策节奏，才能和车端模型形成实时的一来一回。

如果生成一帧要等很久，闭环测试就跑不起来，大规模虚拟路测更无从谈起。

Apollo World一帧画面背后，是10路摄像头的900万RGB像素数据、4路激光雷达约30万点的几何坐标，换算下来，模型每秒要处理24帧。

要判断这个数字的分量，可以找一个横向坐标：2025年8月，Google DeepMind的Genie 3已经能做到24帧/秒、720p分辨率，并在几分钟内保持一致。

单看帧率，Apollo World并不占优。

但两者生成的东西不是一回事。Genie 3输出的是给人看的画面，Apollo World输出的是给车端模型用的全量传感器数据，帧率相同，负载完全不同。

这背后，百度Apollo的做法是知识蒸馏，让能力强但开销大的教师模型把本事教给规模小、采样快的学生模型，由学生模型上车实时生成。

五项标准拼在一起，是百度对世界模型的完整回答。

但标准怎么定可以各讲各的，背后的难题却绕不开：物理规律还原得准不准、长时间运行会不会漂移、生成速度跟不跟得上实时决策，换谁来做都躲不过。

概念可以一夜之间人人都讲，工程积累却没有捷径。

图片来源：百度Apollo

世界模型的真价值，在行程闭环里

标准只是图纸，能不能把模型开发出来，是另一回事。

具体而言，Apollo World在技术上做了三个关键创新：赋予虚拟世界里的交通参与者独立判断能力，也就是多智能体驱动；让不同传感器生成的数据彼此对得上，也就是多模态一致；让车辆和虚拟世界能够持续互动，也就是行程闭环。

首先，是给交通参与者赋予智能。

传统仿真里，其他车辆和行人更像按脚本运行的道具，什么时候出现、走哪条线，都提前写死。

Apollo World把每一个障碍物都建模为具备感知、决策与交互能力的AI智能体，这些智能体有自己的目的地和行为逻辑，会根据周围变化实时调整动作。

“通过这种设计，我们的世界是按照物理的剧本播放的，我们的每个动作都会影响到这些Agent的行为，进一步影响到未来世界的走向。”杨泽表示。不仅如此，场景信息和测试动作也可以人为输入。

这些复杂交互，过去要开着车在路上等，现在都能主动组织进虚拟环境。

其次，是多模态传感器生成。

无人车靠相机和激光雷达等传感器感知世界，世界模型要同时生成对应的画面和点云，并且数据要能对得上：同一个物体，在相机画面里出现在哪个位置，在激光雷达点云里也必须出现在同一位置。

如果两个“眼睛”看到的东西对不上，车端模型就会产生歧义，不知道该信哪个。

为此，Apollo World生成每一帧画面时，只参考已经生成的过去信息，不会提前读取未来的Token，信息在时间方向上是单向的。

不仅如此，不同视角、不同模态的Token还会相互交换信息，以保证生成跨模态一致、跨视角一致的世界，而不是彼此独立的画面。

最后，也是Apollo World最看重的一点：通过让AI教AI开车，实现行程闭环。

图片来源：百度Apollo

世界模型先生成观测画面，交给车端端到端模型；端到端模型根据画面输出方向盘和刹车的控制信号，再回传给世界模型；世界模型响应动作、更新状态，生成下一帧画面。如此循环，车辆每动一步，世界就回应一次。

这和视频生成模型有本质区别：视频模型一次生成整段画面，中间没法编辑，也不会回应；闭环模式下，每一次动作都会影响环境，环境的响应又会影响下一个决策，和真实驾驶的逻辑完全一致。

在杨泽看来，现在行业里多数世界模型还停留在单场景模拟，比如机器人抓一个杯子、切一个菜，但发展到最后，一定是支持智能体完成完整任务。

他用大语言模型的演进作参照：过去评价语言模型，看的是能不能回答好一个问题，现在更看能不能调用工具、规划步骤、执行完整任务。

在他看来，物理AI会走同样的路：自动驾驶的目标不是处理好某一个独立场景，不是通过某一个路口、完成某一次超车，而是把乘客安全地从任意A点送到任意B点。

在Apollo World里，这样的行程级模拟已经可以完整跑通。

在深圳，虚拟订单从滨海大道开往A8大厦，相机画面、雷达点云、智能体交互全部由世界模型生成，不是提前采集的城市漫游片段。

图片来源：百度Apollo

在香港，同一地点出发的虚拟订单驶向四个不同目的地，在路口分岔后各自演化。固定一条路线，还能调节低、中、高三档车流密度，模拟早晚高峰和夜间，验证系统在不同拥堵程度下的反应。

那些高风险场景也能按需复现。

鬼探头的车辆，可以设置成冲出，也可以设置成留在原地；突然闯入的骑行者，可以急刹应对，也可以让骑行者沿斑马线平行离开；冲到路面的小狗，可以停车等候，也可以让小狗调头返回，自车只做防御性减速。

同一个初始条件，演化出多种平行世界，系统在每一种可能里反复接受检验。

支撑这套体系的底座，是百度Apollo十余年自动驾驶研发、加上数年真实运营积累的数据。真实运营里的高价值场景会被提取出来，进入世界模型推演，虚拟测试结果再反哺车端迭代。

由此构成一个相互放大的循环：运营带来数据，数据训练世界模型，世界模型训练车端模型，更强的车端模型再投入运营。

但发布会上的演示再充分，这个循环目前还缺一组可核验的数字：70万公里路测是真金白银的成本，世界模型能替掉多少？新城市开城的验证周期，能从几个月缩到几周？单城投入的人力和安全员，能省出几成？

这些问题，发布会上没有给出答案。

机制讲清楚了，机制带来的收益还没有被量化。

结语

虚拟世界里的每一次推演，最终都要回到真实道路接受检验。

世界模型可以“日行十万公里”，可这十万公里的含金量，取决于物理规律还原得准不准、闭环跑得通不通。

杨泽在结尾说，要“把可能的未来提前开一遍，让真实驾驶经验延伸到更多可能的未来”。

未来能不能被准确预演，答案不在画面里，而在物理世界的每一次刹车和转向中。