精华速览

11月3日，百度在深圳AI Day·Apollo专场上首次披露面向物理AI的智能体驱动全模态世界模型Apollo World，并提出世界模型“2+3”判断标准。该模型可生成遵循现实规律、能回应无人车动作的虚拟视频，支持驾驶系统从起点连续行驶至终点。在Apollo World构建的虚拟城市中，车辆、行人等交通参与者均为具备决策和交互能力的AI智能体，而非固定脚本道具；模型还能实时生成相机画面、激光雷达点云等多模态观测数据，形成感知、决策、行动、反馈的端到端闭环。百度称，该模型已用于萝卜快跑全球化测试与验证，后者覆盖全球28个城市，累计自动驾驶里程超3.5亿公里。

要点透视

  • 11月3日，百度在深圳AI Day·Apollo专场首次披露Apollo World世界模型，定位为面向物理AI的智能体驱动全模态世界模型。
  • 百度提出世界模型“2+3”判断标准：“2”为基础门槛，包括因果性和交互性；“3”为进阶指标，包括物理准确性、持久性和实时性。
  • Apollo World中的交通参与者由具备决策和交互能力的AI智能体构成，无人车采取不同动作会引发虚拟世界相应变化，而非按固定脚本运行。
  • 该模型可实时生成相机画面、激光雷达点云等多模态观测数据，天气变化时两类数据同步改变，支撑感知、决策、行动、反馈的端到端闭环。
  • Apollo World支持无人车在虚拟城市中从任意起点驶向任意终点，连续经过不同道路和交通场景，完成接单、载客到送达的完整出行任务。
  • 百度称萝卜快跑是中国唯一以端到端技术规模化运行L4无人驾驶的出行平台，已覆盖全球28个城市，累计自动驾驶里程超3.5亿公里，其中全无人驾驶里程超2.4亿公里。
  • Apollo World已用于萝卜快跑全球化测试与验证，测试结果反哺系统迭代，形成数据飞轮。

文章拆解

Apollo World的推出，本质上是百度试图用生成式世界模型替代或补充传统路测与仿真测试。无人驾驶长期受制于真实道路测试成本高、长尾场景难复现、极端风险不可控等问题。百度从真实数据中提取高价值场景，把复杂路况和风险转化为可重复的虚拟测试，让驾驶系统在虚拟世界中反复演练，再回到真实道路验证，这一思路与行业近年从规则驱动转向数据驱动的趋势一致。

其核心逻辑在于“智能体化”的虚拟环境。传统仿真中的交通参与者多按预设脚本行动，难以真实回应无人车的每一次决策；Apollo World将车辆、行人等设为具备决策和交互能力的AI智能体，使虚拟世界能随无人车动作动态演化。叠加多模态观测数据的实时生成，模型试图让驾驶系统在虚拟环境中获得接近真实道路的感知输入，从而形成端到端闭环。百度提出的“2+3”标准，实际上是把因果性、交互性作为入门线，把物理准确性、持久性和实时性作为衡量模型能否真正用于训练和测试的进阶尺度。

对行业而言，若世界模型能在物理准确性和长时间运行稳定性上达标，将显著提升无人驾驶测试效率，降低对实车路测的依赖。对萝卜快跑来说，Apollo World已用于其全球化测试与验证，覆盖28个城市、累计超3.5亿公里自动驾驶里程的数据积累，为模型提供了真实场景来源，而模型生成的测试结果又反哺系统迭代，形成数据飞轮。

值得关注的变量包括：世界模型生成的虚拟场景与真实物理世界之间是否存在难以消除的偏差，即“仿真到现实”的迁移效果尚待确认；持久性指标下长时间运行是否出现物体和细节漂移，直接影响测试可信度；实时性能否在场景复杂度增长时保持低时延，决定其规模化测试的可行性。此外，百度称萝卜快跑是中国唯一以端到端技术规模化运行L4无人驾驶的出行平台，该表述为企业单方面说法，尚待第三方验证。潜在风险在于，若模型过度依赖自身生成的数据闭环，可能放大系统性偏差，真实道路的最终检验仍不可替代。

查看原文