世界模型——從端到端到自我認知的躍遷

導言

很多宣傳把世界模型講得像“車能理解世界”，聽上去仿佛系統突然長了大腦。其實它更像一幅隨時更新的小地圖，把前后幾秒的變化連成一段，讓系統別被一幀畫面牽著走。這篇想把世界模型從神話里拉回來，講清它到底在解決什么，又在哪些地方還做不到。

要理解世界模型，先得看清過去的系統是怎么“卡殼”的。只有知道舊鏈路里哪里不連貫，世界模型為何出現、能改變什么、又改不了什么才會變得清楚。

從反應到連貫

早期自動駕駛系統更像一臺忙個不停的反應機。感知、決策、控制被拆成幾個模塊，攝像頭和雷達把畫面推上來，系統根據當前這一幀迅速給出動作。每個模塊單看都不算慢，可數據在各個環節之間反復轉譯，細小的延遲疊在一起，最后就變成駕駛者能感到的那一點猶豫。方向盤輕輕晃一下，剎車比想象中更早點一下，很多時候都來自這種鏈路內部的不連貫。

不同目標的軌跡預測

后來端到端方法出現，把這條鏈路拉直了。信息不再繞大圈，車輛動作更干脆，很多人會據此覺得“系統聰明了”。工程師知道，它只是把路徑縮短了，模型仍然是盯著一幀一幀的畫面做映射。看到什么就做什么，靠的是反饋速度，而不是理解能力。問題在于，人類駕駛從來不是一幀一幀地看，而是把整段路當成一個有節奏的過程。我們會在前方氣氛變緊的時候提前松油，也會在某個行人突然停下腳步時多留一點距離。這種節奏感建立在“連續”之上，而不是一連串切開的畫面。

工程團隊在海量道路數據里發現，只要系統不被鎖死在“當前這一下”，而是能把前后幾秒串起來看，動作就會穩定很多。世界模型正是這種需求下的產物，它試圖為系統搭一個內部的連續環境，讓系統不再只對瞬間做出反應，而是基于一段過程作判斷。它不是讓車突然變聰明，而是給了它一點“連貫”的能力。

世界模型改變了什么

世界模型聽上去很科幻，實際上是一種新的學習方式。它讓系統在內部搭建一個簡化世界，把車道線、信號燈、行人和車輛軌跡重新組織成可以推演的場景。系統不只盯著現在這一幀，而是會順著前后的變化推一推，判斷“下一秒更可能出現哪幾種情況”。

規劃感知軌跡預測

比如，前車輕輕松油，人類司機往往能很快感到節奏變了，知道它可能在觀察路況或者準備換道。傳統系統必須等到速度明顯變化才有所反應。有了世界模型，系統可以在內部試著推幾種可能的軌跡，估計對方是在整理節奏、遇到擁堵，還是準備變道。動作的提前量就來自這種內部的小推演。

這種推演不是思考，它完全建立在海量數據上。邏輯有點像天氣預報根據歷史氣象數據預測降雨，只是這里換成了位置、速度和加速度。它不研究“為什么要這么做”，而是學會“在這種情況下大多數人通常這樣做”。外界看到的是“它好像會預判了”，工程師看到的是一堆損失曲線和訓練樣本，它們在告訴系統“過去類似場景里，大致應該怎么表現”。

軌跡預測模型

世界模型帶來的最大改變，并不是讓系統多出悟性，而是讓動作少一點突然。它幫系統把很多本來會被當成偶然的變化，變成可以提前準備的趨勢。車輛在城市擁堵、高速并線、復雜路口這些場景里的表現會更平滑，少一點“突然踩一下”的感覺。這種順暢并不神秘，本質上是系統在內部多看了一眼前后因果。

理解世界不等于理解人

當系統有了一個內部世界，工程師很快意識到它仍然只能看到“結果”，很難觸及“原因”。它可以預測前車軌跡，但理解不了禮讓的意圖；可以識別行人的動作，卻讀不懂那是不是一種“請先走”的示意。對系統來說，世界主要由速度、位置和方向構成，人與人之間那些輕微而關鍵的溝通太難量化。

連續幀處理提取關鍵幀

真正的駕駛決策，有相當一部分和物理量無關。十字路口一個小小的點頭，外賣車騎手突然加快幾步的節奏，孩子緊握大人手指的動作，這些都在影響人類司機的判斷。我們會把過去的經驗、對他人處境的想象和當下的風險評估揉在一起，做一個在當下看來“合理”的選擇。系統沒有這層能力，它只能從圖像和軌跡里揣摩模式，無法理解其中的意圖和情緒。

即便工程師不斷往訓練數據里塞進更多姿態、表情和行為，模型也很難真正讀懂這些背后的含義。對它來說，這些只是更多需要擬合的模式。它所謂的“理解世界”，其實是在經驗范圍之內找到一個穩定動作的能力。一旦遇到超出經驗之外的組合，它就會顯得陌生，表現得更保守或者更遲疑。

行人軌跡預測結果

從這個角度看，“世界模型讓車理解世界”這句話并不準確。更貼切的說法是，它讓系統在已知世界里少一些慌張，能以一種更連貫的方式處理變化。規則、意圖和情緒這些層面，仍然是明顯的空白。

工程現實比概念更硬

世界模型被講得越浪漫，工程現場就顯得越樸素。為了讓系統掌握足夠多的“世界”，測試車要在不同城市、不同天氣、不同時間反復跑，采集視頻、雷達和車輛狀態數據。采集回來的數據要被拆分、篩選、標注，剔除噪聲和錯誤，才有資格成為模型的“教材”。

訓練往往需要持續數周，算力集群日夜不停地跑，工程師每天盯著損失函數的變化，觀察模型在新舊數據上的表現差異。訓練看上去順利，并不代表可以立刻上路。雨夜、高速大彎道、擁堵路段這些場景，才是最容易暴露問題的地方。一旦模型在某一種場景的表現不穩定，就必須回到數據和結構上重新檢查。

法規同樣給出了明確要求。《智能網聯汽車道路測試與示范應用管理規范（試行）》強調自動化決策必須具備可追溯能力，也就是系統的關鍵動作都要能被還原。世界模型的結構層級本來就多，一旦出現異常，工程師必須沿著內部鏈路一層層追溯來源，這會在可還原的要求下顯著增加檢查成本。因此在模型之外，工程團隊通常還要額外搭建審查鏈路，讓關鍵節點的判斷能夠被清晰復盤。

不同企業對架構的選擇也各有取舍。有的押注集中式算力，希望通過統一平臺獲得穩定的一致性；有的堅持分布式控制，把部分權力交給各個控制單元，換取局部的靈活和冗余。兩條路都合理，本質上是成本、安全和開發節奏之間的平衡。

從外面看，世界模型讓車更像“會預判”；從工程視角看，它每一點進步，都是人類把細節一處處補齊之后的結果。它所謂的“理解”，大多是工程團隊把碎片拼成體系，再讓模型在這個體系里穩穩運行。

結語

界模型的價值，在于把“當下這一幀”變成“前后幾秒的一段”，讓車輛行動更連貫、更少突然。請對消費者說人話，它不是讓車長出思考，而是讓系統把幾秒鐘連起來看，少做點盲算，多一點穩妥。

歡迎線上購買《汽車之友》雜志

北京時尚

成都雜志鋪

掃碼進店，線上購買，快遞到家

獲取更多圖文資訊，歡迎關注《汽車之友》微信公眾號

獲取更多視頻資訊，敬請關注《汽車之友》視頻號