百度给无人车造了一座「黑客帝国」：世界模型一天跑完三年的路，路人还有自己的想法

一辆 L4 无人车要在真实道路上跑满 100 万公里，按每天 150 公里算，需要 6600 多天；即便投入上百辆测试车同时上路，也要两个多月。而真实道路上最值得研究的那些意外，偏偏最难按计划出现。

一分钟速览

• 百度 Apollo 披露世界模型 ApolloWorld，用 AI 构建可持续变化的虚拟交通环境
• 交通参与者被建模为独立智能体，会根据自己的目标和他车动作改变决策
• 支持“完整行程级”虚拟路测，覆盖深圳滨海大道、香港机场等场景
• 官方称一天虚拟里程，约等于一辆配安全员的实车连续跑三年
• 已用于萝卜快跑的全球化测试与验证，业务覆盖 28 座城市

为什么“回放”不够用

自动驾驶仿真不是新东西。过去主流做法是把真实道路数据录下来，在虚拟环境里回放。问题在于，这种回放是“非响应式”的：无人车就算改变了策略，周围车辆仍按原轨迹行驶，环境不会做出反应。

可真实驾驶是一场持续博弈。高架入口处，旁车要不要汇入，取决于无人车让不让；无人车一变道，后车的减速、跟车距离、甚至路线选择都会变。回放环境测不出这种连锁反应，也就很难验证系统在动态交通里的真实表现。

ApolloWorld 的解法是把每个交通参与者都变成智能体：有自己的目的地和行为逻辑，会观察其他参与者并调整决策。车流密度、驾驶风格（谨慎或激进）也可以由测试者设定。于是同一个初始场景，可以推演出多条不同的未来。

闭环：AI 教 AI 开车

完整流程是一个闭环：世界模型根据当前状态和车辆动作，预测下一时刻的交通变化并生成相机、激光雷达的观测数据；驾驶模型读取这些观测，输出转向、加速、制动；动作再反馈给世界模型，继续推演。

难点在速度。生成式模型通常比决策模型慢，如果环境响应跟不上，闭环就断了。百度提到用知识蒸馏等方法加速推理，让虚拟环境能实时响应车辆动作。这一点比“画面逼真”更关键——训练场的第一要求是能跑起来，而不是好看。

另一项能力是可复现。如果系统在某个场景判断失误，研发人员可以保留相同初始条件重跑，只调整周围车辆行为，观察结果差异。这比在真实道路上“等一个事故”高效得多，也让问题定位从经验判断变成可追溯实验。

“世界模型”需要一把尺子

“世界模型”这个词如今被用得很宽：能生成逼真视频的叫世界模型，能构建三维空间让人漫游的也叫世界模型，能根据动作推演环境变化的还是世界模型。三种能力并不在同一层次。

百度提出一套“2+3”评价框架：因果性与交互性是两项基础条件，物理准确性、持久性、实时性是三项工程指标。翻成大白话：环境要能按因果推演，外部动作要能改变结果，物理要合理，长时间运行不能崩，响应要跟得上。

这套标准是否能成为行业共识还早，但它至少回答了一个常被回避的问题：世界模型不是用来“看”的，是用来“承担任务”的。目标不同，能力要求就不同。

趋势判断

自动驾驶的竞争，正在从“车队规模”转向“仿真保真度与迭代速度”。谁能用更少的实车里程覆盖更多长尾场景，谁就能更快把系统推向新城市。世界模型因此从演示视频变成了训练基础设施。

但仿真永远替代不了全部真实路测。sim-to-real 的差距、传感器的真实噪声、极端天气下的物理退化，仍然要靠实车兜底。虚拟城市能加速，但不能签字。