圖片系 AI 生產(chǎn)

近日，CVPR 2026 在美國丹佛開幕。作為計算機視覺領域最重要的學術(shù)會議之一，CVPR 一直被視為 AI 技術(shù)演進的風向標。今年，一個明顯變化是，AI 的焦點正在從“識別世界”進一步轉(zhuǎn)向“理解世界、預測世界并與世界互動”。

這一趨勢在自動駕駛領域表現(xiàn)得尤為直接。今年 CVPR 首次開設具身智能基座模型部署研討會，特斯拉 AI 軟件副總裁 Ashok Elluswamy、小鵬集團通用智能中心負責人劉先明等來自產(chǎn)業(yè)一線的技術(shù)負責人，分享了各自團隊在具身智能和自動駕駛基座模型上的進展。

Ashok Elluswamy 重點討論的是特斯拉如何構(gòu)建面向機器人的基座模型，包括大規(guī)模多模態(tài)模型的架構(gòu)、數(shù)據(jù)與訓練，以及從像素輸入到執(zhí)行控制的端到端 “pixels-to-actuation” 方法，同時也涉及評測協(xié)議、安全考量和真實世界可靠部署。

相比學術(shù)概念本身，更值得關(guān)注的是車企對 AI 智駕底層能力的重新定義。當模型不再只是識別車輛、行人和車道線，而是直接從視頻流、導航指令等輸入中輸出駕駛動作，車企該如何判斷它真的懂得開車？又該如何在低成本、可復現(xiàn)、可控的環(huán)境中驗證它的安全邊界？

這也是世界模型在這次 CVPR 上被推到前臺的背景。

VLA 之后，AI需要理解“世界的變化”

過去一年，VLA 是自動駕駛領域最熱的技術(shù)關(guān)鍵詞之一。它試圖把視覺、語言和動作統(tǒng)一到同一個模型框架中，讓系統(tǒng)直接從視頻流、導航指令等輸入中生成駕駛動作。簡單說，VLA 就像是在學習人類司機會怎么開車。

劉先明去年曾在 CVPR 介紹正在研發(fā)中的第二代 VLA 模型；不到一年后，基于該模型的輔助駕駛軟件已經(jīng)進入量產(chǎn)，并在推送首月實現(xiàn)輔助駕駛里程占比超過 50%。

但端到端智駕越往前走，另一個問題越突出：模型可以模仿人類駕駛，卻未必真正理解每個動作之后的物理后果。比如此刻選擇變道，旁車會不會逼近？前車突然減速時，系統(tǒng)是否還能平穩(wěn)處理？

世界模型要補上的，正是這層能力。

劉先明在演講中提到，小鵬物理世界基座模型既包括第二代 VLA，也包括世界模型。二者不是路線之爭：VLA 學習“如何行動”，世界模型學習“行動之后世界會如何變化”。

這背后是自動駕駛 AI 范式的變化。過去模型主要依賴人類駕駛數(shù)據(jù)進行行為學習，但人類動作信號相對稀疏，只能告訴模型“最后怎么做”。世界模型則通過預測下一幀、下一狀態(tài)或未來表征，從海量視頻中學習交通環(huán)境的運動規(guī)律、空間關(guān)系和因果結(jié)構(gòu)。

X-World：讓 AI 在視頻空間里模擬未來

小鵬此次重點展示的 X-World，是其世界模型體系中的代表性技術(shù)。根據(jù)論文描述，X-World 是一個可控的多攝像頭生成式世界模型。它的輸入包括歷史多視角攝像頭視頻、未來自車動作，以及可選的動態(tài)交通參與者、靜態(tài)道路元素、天氣和時間等條件；輸出則是未來一段時間內(nèi)車輛多路攝像頭可能看到的視頻畫面。

更直白地說，它不是簡單生成一段“像道路”的視頻，而是在回答一個駕駛問題，如果車輛接下來執(zhí)行某個動作，周圍世界會變成什么樣？

X-World 使用七路環(huán)視攝像頭，包括前窄角、前魚眼、前左、前右、后左、后右和后視攝像頭，形成 360 度環(huán)繞視野，這決定了它要解決的是多攝像頭一致的視頻仿真。

論文顯示，自動駕駛世界模型的難點在于，畫面看起來真實遠遠不夠。它至少要滿足三個要求：動作可控、場景可編輯、多視角一致。

首先是動作可控。同一個初始場景下，如果輸入右轉(zhuǎn)、左轉(zhuǎn)、變道或直行，模型生成的未來畫面必須嚴格反映不同駕駛動作的結(jié)果。X-World 展示了這種能力：模型可以根據(jù)不同自車軌跡，生成右轉(zhuǎn)、左轉(zhuǎn)、車道保持和變道等不同未來視頻。

這對智駕評測非常重要。真實道路上，一輛車在一個路口只能做出一次選擇；但在世界模型里，同一個場景可以反復測試多種策略，例如等待、繞行、變道或剎停，從而觀察不同決策帶來的后果。

其次是場景可編輯。X-World 不只控制自車動作，還能控制動態(tài)交通參與者和靜態(tài)道路元素。動態(tài)對象包括車輛、行人、自行車，靜態(tài)元素包括車道線、道路邊界和交通標志。

這意味著，研發(fā)團隊可以主動制造長尾場景。比如在原本正常通行的道路視頻中，插入一個從遮擋車輛后方突然出現(xiàn)的騎行者，再測試自動駕駛系統(tǒng)是否能夠及時剎停。

第三是多視角一致和長時序穩(wěn)定。自動駕駛仿真不能只是前視畫面流暢，還要保證前視、側(cè)視、后視中的車輛、道路、邊界關(guān)系彼此一致。為此，X-World 在架構(gòu)上引入 view-temporal self-attention，同時建模時間維度和多攝像頭視角之間的關(guān)系，以保持跨視角幾何一致性、目標身份一致性和運動連續(xù)性。

小鵬的論文中，還展示了 24 秒多攝像頭長序列生成，強調(diào)模型可以在較長時間內(nèi)保持畫面穩(wěn)定，避免生成式模型常見的漂移問題。

AI 智駕的新分水嶺：路測之外，還要有仿真閉環(huán)

從行業(yè)角度看，世界模型的價值并不在于“視頻生成得多逼真”，而在于它可能成為端到端智駕的訓練場和考場。

這種趨勢并非小鵬一家車企的獨立判斷，特斯拉 AI 軟件副總裁 Ashok Elluswamy 也討論了特斯拉構(gòu)建機器人基座模型的原則和方法。這說明，全球頭部玩家正在形成類似共識：自動駕駛不再只是車輛功能競爭，而是具身 AI 在真實物理世界中感知、決策、行動和持續(xù)學習的問題。

差異在于路徑不同。特斯拉更強調(diào)以大規(guī)模車隊數(shù)據(jù)、端到端控制和機器人平臺打通能力；小鵬則試圖通過 VLA 與世界模型結(jié)合，補齊可控仿真、長時序推演和反事實測試這一層能力。

真實道路測試成本高、風險大、復現(xiàn)難，尤其難以覆蓋低頻危險場景。世界模型則可以通過反事實推演和場景編輯，讓同一場景被重復測試，罕見風險被主動構(gòu)造，模型在虛擬環(huán)境中暴露問題。

這說明，AI 智駕競爭已經(jīng)不只是單點算法比拼，而是模型、數(shù)據(jù)、算力、芯片、編譯器和工程效率的系統(tǒng)競爭。小鵬披露的數(shù)據(jù)顯示，其第二代 VLA 模型擁有數(shù)十億參數(shù)，使用上億視頻片段訓練，每版模型訓練量超過 4 萬億 Token；在截至今年 3 月的一年間，小鵬集群單 GPU 訓練效率提升 1010%，單任務訓練效率提升 4360%，GPU 硬件利用率從 40%提升到 90%。

當然，世界模型還不能被簡單等同于真實世界。生成視頻穩(wěn)定，不代表物理規(guī)律完全準確，尤其在極端天氣、復雜博弈、施工改道和非理性駕駛場景中，世界模型仍需要大量真實數(shù)據(jù)校準。

因此，它短期內(nèi)更像是真實路測之外的一層高效補充，用于構(gòu)造長尾場景、做反事實推演、開展閉環(huán)評測和強化學習訓練。未來的智駕競爭，不只看誰在路上跑得更多，也看誰能在云端造出更多真實、復雜、可復現(xiàn)的虛擬世界。（本文首發(fā)于鈦媒體APP，作者｜李玉鵬，編輯｜楊林）