11月3日，在深圳举行的百度AI Day·Apollo专场上，百度Apollo首次对外披露面向物理AI的智能体驱动全模态世界模型Apollo World，同时配套提出世界模型“2+3”判断标准，为自动驾驶虚拟仿真测试建立起可量化的技术标尺。目前这套全新的世界模型已经投入萝卜快跑的全球化测试与验证环节，为无人驾驶技术的规模化落地提供核心支撑。

　　长期以来，无人驾驶行业的规模化落地始终绕不开海量道路测试的现实需求，真实道路测试不仅成本高、耗时长，那些数年都难以偶遇一次的极端长尾场景，依靠实车里程慢慢积累几乎无法完成覆盖。此前行业普遍采用的传统仿真训练模式，大多将交通参与者设置为固定脚本运行的道具，无法还原真实道路中复杂的动态交互过程，训练出的无人驾驶系统往往只能应对预设好的固定场景，面对真实道路上的突发状况很难做出准确反应。

重构虚拟训练逻辑 打造动态交互仿真环境

　　Apollo World完全打破了传统仿真系统的运行逻辑，它将虚拟城市场景内的所有交通参与者，包括机动车、非机动车、行人全部建模为具备自主决策能力的AI智能体，每一个虚拟角色都能根据周边交通环境的实时变化调整自身行动轨迹。当虚拟空间里的无人车做出减速让行、变道超车、紧急避让等不同动作时，周边的其他交通参与者会随之产生符合现实逻辑的动态反馈，有的行人可能会停下脚步示意车辆先行，有的社会车辆可能会顺势加速通过路口，完全还原真实道路上的博弈场景。

　　这套模型还支持按照任意出行订单实时生成全程的传感器数据，包括相机拍摄的画面、激光雷达采集的点云信息等全模态感知内容，甚至可以模拟出雨雪天气、昼夜光线变化等各类复杂环境条件，让无人驾驶系统在虚拟空间里就能完成从接单、行驶到最终送达的完整出行流程训练。按照行业人士的测算，Apollo World一天就能跑完十万公里的虚拟测试里程，这个工作量相当于一辆配备安全员的真实路测车连续不间断测试约三年时间，大幅压缩了无人驾驶模型的迭代周期。

　　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表示，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，支持无人车在虚拟城市的任意起终点之间自由通行，打造出可以提前验证“无限未来”的虚拟场景订单。这种完全动态的训练环境，彻底避免了传统仿真模式下训练出的“背板大师”问题，让无人驾驶系统的应变能力得到实打实的打磨。

提出“2+3”评判标尺 建立行业量化评价体系

　　在本次专场上，百度Apollo同步提出的世界模型“2+3”判断标准，为整个行业厘清了世界模型的核心定义，把此前行业普遍以视觉画面相似性为核心的评价逻辑，提升到了可量化的技术指标层面。其中“2”是判定一款产品是否属于合格世界模型的两项基础门槛，“3”则是衡量世界模型能力高低的三项进阶增益属性，五个维度共同构成了完整的评价框架。

　　两项基础门槛分别是因果性和交互性。因果性要求模型严格遵循时间单向性逻辑，由过去的状态决定未来的走向，基于当前的实时状态推演下一刻的场景变化，而不是通过拼凑零散画面反向推导过去的场景。交互性则要求模型能够动态响应外部输入的干预动作，当无人车向环境注入新的操作动作时，整个虚拟世界的后续状态会随之发生相应改变，而不是继续按照预设脚本一成不变地运行。

　　三项进阶增益属性分别对应物理准确性、持久性和实时性。物理准确性指的是模型模拟出的各类状态要完全贴合现实世界的物理规律，在虚拟空间里训练得到的驾驶策略，放到真实物理世界中依然能够正常生效，不会出现虚拟里运行顺畅、实车上完全无法适配的情况。持久性要求模型长时间连续运行时保持稳定，场景里的各类物体细节、物理参数不会随着运行时长增加出现信息漂移，避免长时间测试后场景逻辑出现混乱。实时性则强调模型的低时延推理能力，即便生成的虚拟场景复杂度不断提升，模型的推理耗时也不会随之明显增长，始终保持极高的模拟测试效率。

　　百度智能驾驶事业群组(IDG)首席架构师、IDG技术委员会主席王亮表示，世界模型不能只做“生成炫酷视频的画师”，更要成为验证无人驾驶安全性的“考官”。无人驾驶从来不是具身智能的简单模式，它身处完全开放的公共道路环境，持续和海量不可预判的交通参与者进行博弈，一台近两吨重、以几十公里时速行驶的车辆，每一次判断和动作都直接关系到道路交通安全，开放世界里的容错空间几乎为零，安全决策周期要严格限定在1/30秒内，这就要求世界模型不能只满足于画面看起来和现实相似。

依托海量运营数据 形成虚实联动数据闭环

　　目前已经落地全球28座城市的萝卜快跑，累计完成的出行服务次数已经超过2300万次，自动驾驶总运营里程突破3.5亿公里，其中全无人驾驶的运营里程超过2.4亿公里，覆盖了左舵、右舵等不同交通规则的多元市场。这些在真实道路上积累下的海量运营数据，构成了Apollo World天然的训练题库，运营过程中遇到的各类复杂路况、极端场景都会被提取出来，复现到虚拟仿真空间中，让无人驾驶系统可以在虚拟环境里反复演练对应的驾驶策略。

　　这种模式形成了从真实业务数据采集，到虚拟空间模型迭代，再回到日常真实运营中接受检验的完整数据闭环，也就是行业常说的“现实采集难题、虚拟反复训练”的数据飞轮效应。虚拟测试中打磨完成的新算法，会被部署到真实的无人车上投入日常运营，在真实道路中遇到的新问题又会再次回流到Apollo World中进行针对性训练，整个技术迭代过程完全不需要依赖大量新增的实车路测投入，就能持续提升无人驾驶系统的综合能力。

　　当前全球头部无人驾驶出租车企业，都已经将世界模型视为下一阶段的核心竞争战场，通过搭建能力完善的世界模型，企业可以自主生成千变万化的训练环境，在虚拟空间里完成绝大多数极端场景的测试打磨，不需要在每一个新进入的城市都从零开始积累实车里程，就能快速适配不同城市的本地交通特性，为当地用户提供一致的高质量出行体验。

　　摩根士丹利将世界模型视为AI的“想象引擎”，它让AI智能体可以在采取实际行动之前，先在虚拟空间里完成完整的推演过程，实现“先思考、后行动”的运行模式。随着物理AI相关技术的快速发展，Apollo World这套成熟的技术栈未来还可以拓展到服务机器人等更广泛的物理AI场景中，为更多需要和真实物理世界交互的智能体提供虚拟训练环境，推动整个具身智能行业的技术迭代速度不断加快。

　　行业人士分析，依托世界模型带来的能力跃升，叠加持续运转的数据飞轮效应，无人驾驶行业接下来将呈现强者恒强的发展格局，这一趋势也正把整个行业推向等待已久的“AGI时刻”。不过目前行业内依然存在不少待解的开放性问题，比如世界模型生成的极端场景是否能完全覆盖现实中所有的潜在风险，大规模部署世界模型后的算力成本是否能控制在商业化可接受的范围内，这些问题都还需要整个行业在后续的技术落地过程中逐步探索解答。

(编辑：徐松丽)