百度Apollo世界模型提升无人车测试效率

100万公里——大约是地月平均距离的2.6倍，足够沿着赤道绕地球25圈。 一套L4无人驾驶系统，如果要完成如此规模的真实路测，意味着什么？ 按照单辆车每天行驶150公里计算，相当于连续行驶超过6600天。 即便投入上百辆测试车同时上路，也要耗时两个多月。 何况真实道路上的复杂情况，很多时候也不会按照测试计划出现。 很长一段时间内，这都是无人驾驶规模化发展面临的一道现实难题。 每一次车队运营范围扩大、驾驶系统更新，往往都伴随着大量需要验证的交通场景。 但如今，这种在真实世界中费时费力的验证方式，有了新的思路。

刚刚，百度Apollo正式披露了全新世界模型ApolloWorld。 它能够利用AI构建持续变化的虚拟交通环境，让无人车在其中经历不同天气、道路和交通参与者，完成一整趟Robotaxi行程。 无人车的加速、减速或者变道，都可能改变周围交通参与者的选择，进而演化出不同的结果。 这座虚拟城市，如今已经有了实际用途。 据介绍，ApolloWorld已开始应用于萝卜快跑无人车的全球化测试与验证，把更多原本需要在真实道路上完成的训练和验证，放到云端进行。 最直观的变化就是效率。

按照百度披露的数据，ApolloWorld一天完成的虚拟路测里程，相当于一辆配备安全员的真实测试车连续行驶大约三年。 这代表一度需要依靠大量车辆、人员和时间积累的部分测试任务，现在借助计算资源就能并行开展。 与之配合的车端技术也有了进展。 百度新一代L4端到端模型架构，已在国内一定规模的车辆上投入实际运营，正逐步替换此前的传统方案。 世界模型提供虚拟训练和验证环境，驾驶模型在其中反复接受考验，再进入真实道路运行，直观理解就是用AI来教AI开车。

对于业务覆盖全球28座城市的萝卜快跑而言，这套技术体系恰好出现于全球化扩张加快的阶段。 随着无人车走进更多城市，研发需要应对的交通环境愈发复杂。 而在真实道路上，最值得研究的那些意外，却常常最难遇见。 一座没有剧本的虚拟城市，跑一天抵三年看过电影《黑客帝国》的朋友，大概都对那个由程序构成的世界印象深刻。 不管是街道、建筑、车辆还是行人，看起来都和真实世界毫无二致，其背后却是一套庞大的计算系统在运转。 没想到只是二十多年过去，这套剧本中的虚拟世界，真的从电影走入了现实。

百度展示的ApolloWorld，生成的就是各种供无人车行驶的虚拟城市。 不同之处在于，虚拟城市里的交通参与者还能根据环境自行作出判断。 比如一辆无人车行驶到高架入口，旁边支路上的汽车正准备汇入主路。 如果无人车选择驶上高架，支路车辆获得足够空间，就会顺势驶入主路。

但如果无人车改变路线，沿右侧辅路继续行驶，占据了原本的汇入空间，另一辆车也会改变决定，减速停车等待：百度智能驾驶事业群组杰出架构师、世界模型负责人杨泽博士介绍，在这套系统中，世界模型团队采用了多智能体驱动的技术方案，虚拟道路上的车辆、行人等交通参与者，都被建模为具有决策和互动能力的AI智能体。 每个智能体都有自己的行动目标和行为逻辑，也会根据其他交通参与者的动作调整决定。 不仅是交通参与者，虚拟城市的交通状况也能自行调整，比如设置不同的稀疏、适中或密集的车流，或者改变其他车辆的驾驶风格，让其开得更谨慎或是更激进。

类似的复杂交互，以往可能需要无人车反复上路、等待特定情况出现，现在都可以主动组织到虚拟环境中。 不过真正要完成Robotaxi任务，仅仅是根据环境实现变道、避让等操作还远远不够。 真实情况下，一趟行程可能持续二三十分钟，途中经过数十个路口。 无人车每一次决策，都可能改变后续遇到的交通情况。 它需要在连续变化的环境中完成整段驾驶任务，需要与大量交通参与者交互，前一次的驾驶决策还可能影响后面的行程。 ApolloWorld此次展示的，正是完整行程级别的虚拟路测。

在深圳滨海大道、香港机场附近等不同场景中，几辆无人车可以从同一地点出发，驶向不同目的地，周围交通参与者的行为、道路环境的变化，以及相机、激光雷达的观测数据，都由世界模型持续生成。 杨泽博士提到，支撑这套系统运行的，是智能体交互建模、多视角多模态生成，以及完整驾驶闭环等技术的协同。 简单理解，就是世界模型根据已有环境状态和车辆动作，预测下一时刻的交通变化； 驾驶模型读取生成的传感器数据后，做出转向、加速或者制动决策，再把动作反馈给世界模型。

为了让生成速度跟上驾驶决策，百度还通过知识蒸馏等方法加快模型推理，使虚拟环境能够实时响应车辆动作。 一套AI负责构建道路环境、不断提供新的驾驶考验，另一套AI则在其中反复练习，两者的关系就像教练与学员。 如此循环，无人车就能在持续变化的环境里完成驾驶任务。 如果驾驶系统在某个场景下作出错误判断，研发人员还可以保留相同初始条件进行复现，调整周围车辆的行为，观察系统在不同情况下的表现。 没有固定剧本、可交互、可纠错、可溯源，这样的虚拟城市，由此具备了成为无人车训练场的条件。 不过，能持续运转只是前提之一。

更关键的问题在于，什么样的世界模型，才能真正承担起无人驾驶的训练与验证？ 给世界模型一个可验证的标准仿真技术原本就是无人驾驶研发的重要组成部分。 早在生成式世界模型成为行业热点之前，工程师就习惯于把真实道路上的交通场景记录下来，搬进虚拟环境中反复测试。 但这种研发方式存在一个长期难题。 长期以来，自动驾驶仿真中常见的一类方法，仍然依赖真实道路数据的非响应式回放。 简单来说，即便无人车改变了驾驶策略，周围车辆仍按照原始记录的轨迹行驶，交通环境不会作出相应调整。 这恰恰是问题所在。

真实道路上的驾驶是一场持续交互，无人车改变动作，其他车辆也可能跟着改变决定。 如果测试环境无法响应，便很难检验驾驶系统在动态交通中的真实表现。 而生成式世界模型解决的正是这种局限，让虚拟交通参与者根据无人车的动作重新作出判断，使驾驶系统能够在不断变化的环境中接受检验。 百度智能驾驶事业群组首席架构师、IDG技术委员会主席王亮博士，将其概括为“可交互的生成”。 这是百度从无人驾驶的实际需求出发，对世界模型的一种理解。 而放眼整个AI领域，“世界模型”这个词被用得越来越宽泛。 能够生成逼真视频的模型，可以叫世界模型；

能够构建三维空间、让人自由漫游的系统，也可以叫世界模型； 能够根据外部动作，持续推演环境变化的技术，同样被称为世界模型… … 几类技术看起来都在构建虚拟世界，实际具备的能力却不在同一个层次。 李飞飞团队曾将世界模型分为渲染器、模拟器和规划器三种类型，分别侧重视觉生成、环境状态推演以及行动规划，也从另一个角度说明了这个概念所覆盖的技术范围之广。 概念边界不断扩展，带来的问题也逐渐显现。 模型生成的世界足够逼真，是否就意味着它真正理解物理规律？

能够连续生成交通画面，是否就意味着它能根据无人车的动作，推演不同的驾驶结果？ 对于无人驾驶研发，这些差别可不是无关紧要的技术分类。 如果模型无法准确响应车辆动作，或者生成的交通变化不符合真实物理规律，即便画面再逼真，也很难成为可靠的训练与验证依据。 百度对世界模型标准的重视，恰恰源于这种实际需求。 在百度的技术思路中，世界模型需要什么能力，首先取决于它最终要承担什么任务。 既然目标是训练没有安全员的L4无人车，就必须明确模型需要理解怎样的交通关系、遵守哪些物理规律，以及能否支撑长时间、实时交互的驾驶任务。

先把目标任务、能力边界和工程要求想清楚，再围绕这些要求构建技术体系。 这种正向设计的思路，也让百度此次提出的世界模型，从一开始就有清晰的目标指向。 这种思路也有其现实背景。 李飞飞曾将无人驾驶汽车比作一个进行二维避障的方盒子，以此说明汽车与能够完成复杂三维操作的机器人之间的区别。 王亮博士则认为，无人驾驶的困难，远不止驾驶动作本身。 没有安全员的Robotaxi身处完全开放的道路，需要持续面对大量具有独立意图的交通参与者。 看似普通的变道决策，背后也可能涉及多辆车之间的判断与博弈。

而比动作复杂度更重要的，还有安全责任的变化。 王亮博士拿纪录片《徒手攀岩》作了一个类比。 影片中的攀登者挑战一面高约900米、近乎垂直的岩壁。 为了完成挑战，他经历了漫长而枯燥的练习。 在王亮博士看来，L2辅助驾驶就像有保护绳的攀岩。 攀岩者可以尝试漂亮、惊险的动作，因为保护措施仍然存在； 辅助驾驶车辆的主驾也有人，关键时刻能够接管。 然而L4无人驾驶就像是无保护攀登——“保护绳”被撤掉了，主驾空空如也。 驾驶动作看起来没有发生根本变化，背后的风险和安全要求，却已不可同日而语。

那些不在聚光灯下的反复训练、每一处细节的验证，最终都要为整套系统的可靠性负责。 王亮博士曾参与L2量产研发，又长期投入L4纯无人系统，对两者之间的鸿沟有切身体会。 也正因如此，在他看来，世界模型能否真正用于L4训练，需要一套更加严格、明确的判断方法。 百度提出了面向物理AI的“2+3”世界模型评价框架。 其中，“2”指的是因果性和交互性两项基础条件。 因果性强调模型能够根据已知状态推演后续变化； 交互性则要求外部动作能够持续改变环境，让不同的决定产生不同结果。

而“3”分别代表物理准确性、持久性和实时性，用于衡量模型能否真正承担物理世界中的任务。 毕竟世界模型再逼真，如果对真实物理规律的理解出现偏差，测试结果就可能失去参考价值。 雨天就是一个典型例子。 路面湿滑会改变车辆的制动距离，雨滴还会干扰激光雷达的回波，让点云出现大量噪点。 如果