賈浩楠 發自 副駕寺
智能車參考 | 公眾號 AI4Auto

2026自動駕駛最熱黑科技——世界模型，開年第一個進展，來自中國明星企業文遠知行。

當自動駕駛圈關于世界模型該放在車端還是云端爭論不休時，文遠知行給出了一個大膽的答案——為什么不直接做“上帝”呢？

這正呼應了黃仁勛此前預言的物理AI“ChatGPT 時刻”已至——通過仿真構建可學習、可交互的虛擬世界，正成為自動駕駛進化的關鍵路徑。從特斯拉的世界模型到英偉達借高精仿真打造的虛擬試驗場Cosmos，行業已清晰指向：誰能構建并掌控高度擬真的數字世界，誰就能加速駛向泛化與落地。

文遠知行發布的WeRide GENESIS是一個“通用仿真模型” ，它構建起物理AI（Physical AI）與生成AI（Generative AI）之間的融合橋梁：

可以無限生成、回放和變化“長尾場景”的虛擬世界系統，可以在任何時間、任何地點、任何天氣，準確還原物理世界的法則、因果——如同黑客帝國中的Matrix世界。

但WeRide GENESIS又超越行業常見的“自動駕駛版Sora”內涵，在構建世界之外，還給這個世界配齊了一整套自動化的反饋、調參、部署、驗證工具。

簡單地說，“上帝”創造、修改虛擬世界的方式，也AI起來了。

WeRide GENESIS，是什么？

文遠知行剛剛公布的WeRide GENESIS，是一個自動駕駛仿真平臺，但更加強調通用。

這意味著和以前常見的自動駕駛卡車、Robotaxi、物流小車等專用仿真環境不同，WeRide GENESIS可以支撐各種自動駕駛產品研發。

這本身就與文遠知行“搏二兔”——既有量產L2+，又有無人化L4——的戰略契合。對應不同產品，WeRide GENESIS既可以模擬量產一段式端到端的L2+車輛，也能模擬Robotaxi，當然還有各種無人小巴、清掃車等等。

通用的另一個含義，是WeRide GENESIS本身對于環境的精準構建，幾乎能“一句話”無限生成、回放和變化“長尾場景”：

△WeRide GENESIS可模擬任意空間內的位移，自動生成新視角仿真，指數級擴大仿真世界范圍

你可能會聯想到3D游戲開發引擎，實現各種以假亂真的視覺效果：

從“渲染場景”這個角度，它的確和游戲引擎有相似之處，但除基本場景外，其他完全不同：WeRide GENESIS不關心材質、紋理細節，也不需要“光追”級別的計算資源，更加關心的首先是場景環境的物理法則：

包括光照、重力、雨霧、碰撞力學等等。

第二點，則是事物、事件之間的因果關系，生成的環境場景連續、低時延、可解釋，仿真測試中的任何bad case或good case，都能反映真實情況，而且能夠根據WeRide GENESIS的反饋數據迅速歸因。

一句話概括：無限生成、回放和變化“長尾場景”，系統性地驗證算法能力。

WeRide GENESIS的核心包括四大AI模塊，首先是AI場景，負責構建各類關鍵情境，模擬自動駕駛車輛可能遇到的多種場景，包括臨車侵入、無保護左轉、緊急避險、行人騎手闖入、火災地震、道路受阻、極端天氣以及其他稀有事件，全面覆蓋了數十億公里的自然駕駛數據。

更重要的是，文遠知行超八年來從公開道路上采集的海量長尾和極端案例，也都成為WeRide GENESIS的“創作素材”。

第二個模塊是AI主體，針對駕駛員、行人、騎手等不同交通參與者構建了智能行為模型，能夠模擬從日常駕駛到高風險行為的全譜系反應，也就是讓模擬環境中發生的事永遠在真實范圍內，避免產生離譜的數據影響模型行為。

如對比視頻所示，在左側“原始算法+無AI主體”的組合下，自車表現猶豫，直至對向車輛完全通過后才開始通行，無法滿足效率要求；在中間“新算法+無AI主體”的模擬中，自車僅按預設軌跡行駛，缺乏對周邊車輛行為的預測，最后發生碰撞，無法滿足安全要求；在最右側“新算法+AI主體”的加持下，自車能夠實時判斷周邊車輛的行駛意圖，在確保安全的前提下流暢通過，實現了效率和安全雙重保障。

高精度的智能實體建模其實是行業公認的技術難題，核心在于超越“平均化”的交通參與者行為模型，真實反映客觀世界中復雜且難以預測的交互行為，例如人類駕駛員突然魯莽加塞到自動駕駛車輛行駛的車道等場景：

這兩個模塊配合，可復刻任意路況、可編寫任意場景、可合成任意不同傳感器位置視角、可適配任意傳感器套件、可模擬任意大范圍街區……

另外兩個模塊分別是AI指標和AI診斷，前者建立了一套覆蓋安全、合規、舒適、效率等維度的量化評估體系，能夠將駕駛行為轉化為可對比、可分析的數據表現，從而自動判定算法迭代的實際效果。

后者則能夠自動捕捉不理想的駕駛行為、分析其根本原因，并提供可執行的改進方案。

四大模塊協同，WeRide GENESIS構建了完整的閉環迭代體系：

• 自動生成高價值場景、自動量化性能瓶頸、自動定位弱點環節、自動給出優化方向。

以經典科幻IP打個比方，文遠知行扮演了《黑客帝國》中“建筑師”的角色，創造了一個供AI司機訓練、實戰的無限武器庫、訓練道場：

AI司機在其中的體驗、經驗，和在現實世界沒有任何不同，一顆“藍藥丸”就能快速部署到實際任務中：

不過，從基本能力來看，WeRide GENESIS算得上是熱門前沿的世界模型嗎？

實際上，自動駕駛、智能汽車領域關于世界模型一直有爭論：有玩家認為世界模型就是單純后端的模擬器，用于數據生成仿真訓練。

尤其是端到端、數據驅動成為共識后，訓練數據的分布、質量直接影響模型能力，但關鍵少數的困難場景數據又很難在道路實測中碰到，所以世界模型的生成能力，被認為是解決corner case，降低接管率最重要的手段。

但是，也有另一派玩家把車端的系統直接叫世界模型，任務是進行實時環境認知與決策，強調的車端“平行世界推演”能力，相當于“腦內小劇場”。

其實，兩派并沒有根本矛盾，屬于工程落地與宣傳上側重點不同，因為AI行業對于世界模型是有階段性共識的：

• 從海量數據中自主提煉物理與社會規律，形成對世界運作方式的抽象理解。

從這個定義出發，WeRide GENESIS當然是世界模型。

只不過文遠知行的WeRide GENESIS，意義又超越常見的“自動駕駛版Sora”。

WeRide GENESIS給“Robotaxi第一股”上分

家家都說世界模型，但大部分玩家都把重點放在“生成”能力，比如XX秒連續視頻、XX種目標模擬等等，不自覺對齊OpenAI宣傳Sora的套路。

但對于自動駕駛而言，容易被忽略的重點其實是WeRide GENESIS后兩個模塊——AI指標、AI診斷。

因為這是“真·數據驅動”的最直接證據。

也不瞞各位，自動駕駛圈很多數據閉環，其實是“偽閉環”。

一種稍微好點的，是各個算法團隊內部的“小閉環”，代表這支團隊完成了“模型化”，但還沒有構建起統一基座模型能力。

這種模式最可能出現的場景是：用戶吐槽+工作群截圖，引發老板的不滿……接到投訴反饋的研發，連夜加trigger試圖把bad case撈上來。

這是問題驅動數據，而不是數據自動發現問題。

真正的數據閉環應該是這樣的：首先系統能從海量運行的數據里自動發現異常行為，然后將問題自動歸類、建成數據集，再針對性自動進行訓練/仿真，出了解決方案后，系統還能自動評估效果。

數據能不能回來不是關鍵，而是bug、問題能自動走完從“被發現”到“被解決并被驗證”的路徑。

比如現實中因急剎車引起的乘客不適，這一行為可在WeRide GENESIS仿真中被AI指標模塊，量化為具體的舒適度評分，并實時反饋給算法團隊，推動針對性優化與快速復驗。

再比如，當自動駕駛車輛遇到復雜交互場景中識別感知延遲或預測偏差問題，WeRide GENESIS可通過“AI診斷”功能快速修復問題，并重新進行場景驗證，確保車輛行為始終符合預期標準。

△AI診斷模塊的工作流程遵循了功能路測→問題檢測→問題歸類→根因分析→算法改進→再測試與再驗證的閉環邏輯

數據閉環的真正含義，應該是安全/體驗/效率等指標被持續量化、某項指標異常偏離后，系統自動報警，以及自動聚類對應數據包，把相似問題聚成“問題簇”。

研發中“人”的作用，是定義和監管、決策，而不是自己徒手標注、調參、評估、部署……

“數據直接解決問題”，尤其是廣義端到端技術范式普及后，自動的數據處理、反饋能力成為持續迭代最關鍵的核心能力。

這看似簡單，實際是自動駕駛行業最稀缺的能力，會直接影響泛化性、效率、成本。

比如GENESIS實現的“生成場景-量化評估-診斷優化”完整閉環，可自動生成高價值場景、定位算法弱點、提供優化方向，將數百萬公里測試壓縮至數天的虛擬仿真中。

有“磨刀不誤砍柴工”的意思，高效數據閉環，直接影響的是自動駕駛玩家的產品泛化性、研發效率，以及整體運營成本。

文遠知行能成功融合特斯拉路線和Waymo路線，成為全球唯一實現L4級無人駕駛和L2+級輔助駕駛規模商業應用——創始人、CEO韓旭所說的“搏二兔”——除了算法能力之外，“數據閉環能力”也是關鍵因素。

所以，綜合四個模塊來看，WeRide GENESIS既是評價文遠知行研發能力現狀最好的指標，也是理解“Robotaxi第一股”的一個最直接切入點。

文遠知行從容“搏二兔”

眼下，文遠知行已經在全球10余座城市部署了超過1000輛Robotaxi，其中，北京、廣州、阿布扎比已實現純無人商業運營。

放眼整個L4賽道，蘿卜快跑2025年11月公布的所有Robotaxi的最新周訂單數是25萬單；小馬智行Q3財報顯示，其Robotaxi車隊數為961臺，廣州單臺車日均訂單量達到23單。

北美“一哥”Waymo，“被”披露的數據是車隊2500輛、每分鐘就能完成45單。

至于落地廣度，文遠知行則是整個L4賽道最早敏銳意識到海外需求和機遇的玩家，并且迅速付諸行動，率先在11個國家、40多座城市開展自動駕駛研發、測試及運營，也是行業唯一拿下8個不同國家自動駕駛牌照的科技企業。

截至目前，文遠知行既是中國Robotaxi出海No.1，同時還是整個自動駕駛行業落地Robotaxi場景最豐富的玩家。

另一邊，2023年文遠知行首次合作博世，幫助這家百年Tier 1追趕高階智能輔助駕駛方案：

落地量產奇瑞旗下的星途星紀元車型。

△奇瑞星途星紀元ES

2025年年末，文遠知行又發布了量產一段式端到端方案，同樣是幫助博世一夜間追趕上L2+最先進技術范式。

從這個層面看，文遠知行首先是整個L4賽道唯一有穩定量產智能輔助駕駛項目的玩家；另一個角度，文遠知行也是整個自動駕駛行業內，唯一一家L4、L2技術棧覆蓋，且都有成熟落地案例的公司。

從一段式量產節奏來看，文遠知行現在同樣也處于行業內的T0梯隊。

也就是說，文遠知行現在明明白白在“搏二兔”，而且搏成了行業領先。

L2+、L4落地場景、技術要求各不相同，海外迅速落地數十城，環境、路況、交通規則、基礎設施標準也各不相同。

這樣的泛化性，除了算法本身，背后離不開WeRide GENESIS構建的仿真測試、數據閉環體系——文遠知行“來時路”的一部分，現在終于清楚了。

更進一步，WeRide GENESIS也可以解釋文遠知行為何能“搏二兔”，在量產智能輔助駕駛和Robotaxi這兩個看似尖銳對立的陣營游刃有余。

L2陣營緊跟的端到端，本質不是一段式、兩段式、VLA，甚至不是絕對的模型化，而是數據驅動，是一種底層方法論。

數據驅動下，可以純視覺，可以融合感知，可以一段式，可以多段式，可以世界模型，也可以VLA，甚至也可以有規則存在。

所以對于L4陣營來說，探索世界模型根本談不上“轉軌”，甚至Waymo早就在做。

文遠知行無意參與行業爭論口水仗，只是默默開啟探索規則+模型多元技術體系，自證自動駕駛L4的安全性、L2的泛化性可以共存，符合一貫的“行勝于言”。

最后，從WeRide GENESIS，又能看出文遠知行未來的可能性。

數據閉環能力之外，再次回到“生成”：WeRide GENESIS本身是物理AI（Physical AI）與生成AI（Generative AI）之間的融合橋梁，真正打通“現實物理世界”與“虛擬仿真世界”之間的能力通道。

讓AI從海量數據中自主提煉物理與社會規律，形成對世界運作方式的抽象理解——而這是實現通用人工智能（AGI）的關鍵路徑之一。

黃仁勛預言物理AI的“ChatGPT 時刻”已至，從文遠知行的實踐來看，這個時刻很有可能最先出現在跑通通用自動駕駛的玩家身上。