共计 1100 个字符，预计需要花费 3 分钟才能阅读完成。
11 月 3 日, 百度在深圳举行的 AI Day·Apollo 专场上首次对外披露 Apollo World——一个面向物理 AI、由智能体驱动的全模态世界模型, 同时抛出世界模型的“2+3”判断标准。比起生成一段好看的视频, 百度更想回答的是: 虚拟世界能不能按现实规律运转, 并且对无人车的动作做出回应。
📌 不是放视频, 而是造一个会互动的城市
按百度的描述,Apollo World 构建的虚拟城市里, 车辆和行人并非按固定脚本行动的“道具”, 而是具备决策与交互能力的 AI 智能体。无人车做出不同动作, 交通环境会随之改变; 模型还能同步生成相机画面与激光雷达点云, 天气一变, 两类传感器数据一起变。
驾驶系统依据这些观测转向、加速或减速, 动作再回传给世界模型 , 模型更新环境与其他智能体行为, 输出下一刻的观测。感知、决策、行动、反馈如此循环, 形成端到端闭环, 并且支持车辆在虚拟城市里从任意起点开到任意终点, 连续跑完接单、载客、送达的完整任务。
🔍“2+3”标准拆开看
- 因果性 : 遵循时间单向性, 由过去推未来, 而不是拼凑画面反推过去;
- 交互性 : 能动态响应外部干预, 让动作真正影响世界状态。
- 物理准确性 : 模拟状态是否可靠, 学到的能力回到现实还能不能用;
- 持久性 : 长时间运行后物体和细节会不会漂移;
- 实时性 : 复杂度上来后推理时延是否仍然可控。
💡 观察: 世界模型正变成自动驾驶的训练场基建
这套思路的价值不在“像”, 而在“可重复”。真实道路上难以复现的复杂路况与风险, 可以被提取成虚拟场景反复演练, 测试结果再反哺系统迭代, 更新后的驾驶系统回到真实道路接受检验, 形成数据飞轮。
如果世界模型足够可靠, 自动驾驶的竞争焦点会从“跑了多少公里”部分转向“能高效构造多少高质量场景”——里程仍是基础, 但场景生产效率决定迭代速度。
百度给出的落地数据是: 萝卜快跑已覆盖全球 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 已用于其全球化测试与验证。对出海而言, 先在虚拟环境里适配陌生城市的路网与交通习惯, 再落地实车, 是一条成本更可控的路径。
📊 几个值得关注的看点
- 标准能否被行业接受:“2+3”目前是百度提出的框架, 仍需更多同行与第三方验证;
- 仿真与现实的差距: 物理准确性说得再好, 最终仍要看实车表现;
- 规模化效率: 实时性与持久性直接决定单位时间能跑多少测试。
🚀 总结
围绕“用 AI 教 AI 开车, 百度 Apollo World”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
