百度ApolloWorld：虚拟路测提升无人驾驶测试效率
100万公里——这大约是地月平均距离的2.6倍，足够沿着赤道绕地球25圈。对于一套L4级无人驾驶系统来说，要完成如此规模的真实道路测试，意味着什么？按单辆车每天行驶150公里计算，相当于连续行驶超过6600天；即便投入上百辆测试车同时上路，也要耗时两个多月。更何况，真实道路上的复杂情况往往不会按测试计划出现，这一度是无人驾驶规模化发展面临的现实难题——每一次车队运营范围扩大、驾驶系统更新，都要伴随大量需要验证的交通场景。
如今，这种在真实世界中费时费力的验证方式有了新的思路。百度正式披露了全新的世界模型ApolloWorld，它能利用AI构建持续变化的虚拟交通环境，让无人车在其中经历不同天气、道路和交通参与者，完成一整趟Robotaxi行程。无人车的加速、减速或变道，都可能改变周围交通参与者的选择，进而演化出不同结果，看起来就像自由度很高的交互式游戏。
这座虚拟城市已经有了实际用途：ApolloWorld已开始应用于无人车的全球化测试与验证，把更多原本需要在真实道路上完成的训练和验证放到云端进行。最直观的变化是效率——按披露的数据，ApolloWorld一天完成的虚拟路测里程，相当于一辆配备安全员的真实测试车连续行驶大约三年。这意味着，过去需要大量车辆、人员和时间积累的部分测试任务，现在借助计算资源就能并行开展。
与之配合的车端技术也有进展：新一代L4端到端模型架构，已在国内一定规模的车辆上投入实际运营，正逐步替换传统方案。简单来说，世界模型提供虚拟训练和验证环境，驾驶模型在其中反复接受考验，再进入真实道路运行，就是用AI来教AI开车。
对于业务覆盖全球28座城市的无人车服务来说，这套技术体系恰好出现在全球化扩张加快的阶段。随着无人车走进更多城市，研发需要应对的交通环境愈发复杂，而真实道路上最值得研究的意外，往往最难遇见。看过《黑客帝国》的朋友，大概对那个由程序构成的世界印象深刻，如今二十多年过去，这类虚拟世界已从电影走入现实。
ApolloWorld生成的是各种供无人车行驶的虚拟城市，不同之处在于，虚拟城市里的交通参与者还能根据环境自行作出判断。比如，一辆无人车行驶到高架入口，旁边支路上的汽车正准备汇入主路：如果无人车选择驶上高架，支路车辆获得足够空间就会顺势驶入；如果无人车改变路线沿右侧辅路行驶，占据汇入空间，另一辆车就会减速停车等待。
相关负责人介绍，这套系统采用多智能体驱动的技术方案，虚拟道路上的车辆、行人等交通参与者，都被建模为具有决策和互动能力的AI智能体。每个智能体有自己的行动目标和行为逻辑，也会根据其他交通参与者的动作调整决定。不仅是交通参与者，虚拟城市的交通状况也能自行调整，比如设置不同车流密度，或者改变其他车辆的驾驶风格，让其更谨慎或更激进。
类似的复杂交互，以往需要无人车反复上路、等待特定情况出现，现在都可以主动组织到虚拟环境中。不过，要完成Robotaxi任务，仅实现变道、避让等操作还远远不够——真实情况下，一趟行程可能持续二三十分钟，经过数十个路口，无人车每一次决策都可能改变后续交通情况，需要在连续变化的环境中完成整段驾驶任务，与大量参与者交互，前一次决策还可能影响后续行程。ApolloWorld此次展示的正是完整行程级别的虚拟路测。
支撑这套系统运行的，是智能体交互建模、多视角多模态生成，以及完整驾驶闭环等技术的协同。简单理解，世界模型根据已有环境状态和车辆动作，预测下一时刻的交通变化；驾驶模型读取生成的传感器数据后，做出转向、加速或制动决策，再把动作反馈给世界模型。为了让生成速度跟上驾驶决策，还通过知识蒸馏等方法加快模型推理，使虚拟环境能实时响应车辆动作。
一套AI负责构建道路环境、提供新的驾驶考验，另一套AI则在其中反复练习，两者的关系就像教练与学员，如此循环，无人车就能在持续变化的环境里完成驾驶任务。如果驾驶系统在某个场景下作出错误判断，研发人员还可以保留相同初始条件复现，调整周围车辆行为，观察系统在不同情况下的表现。没有固定剧本、可交互、可纠错、可溯源，这样的虚拟城市具备了成为无人车训练场的条件。
不过，能持续运转只是前提，更关键的问题是，什么样的世界模型才能真正承担起无人驾驶的训练与验证？仿真技术原本就是无人驾驶研发的重要组成部分，早生成式世界模型成为行业热点前，工程师就习惯于把真实道路的交通场景记录下来，搬进虚拟环境反复测试。但这种方式存在长期难题：长期以来，自动驾驶仿真常用的一类方法依赖真实道路数据的非响应式回放，即便无人车改变驾驶策略，周围车辆仍按原始轨迹行驶，交通环境不会调整。
真实道路上的驾驶是持续交互的，无人车改变动作，其他车辆也可能跟着改变决定，如果测试环境无法响应，就很难检验驾驶系统在动态交通中的真实表现。而生成式世界模型解决了这种局限，让虚拟交通参与者根据无人车动作重新判断，使驾驶系统能在不断变化的环境中接受检验。相关负责人将其概括为“可交互的生成”，这是从无人驾驶实际需求出发对世界模型的理解。
放眼整个AI领域，“世界模型”一词用得越来越宽泛：能生成逼真视频的模型可以叫世界模型，能构建三维空间让人漫游的系统也可以叫，能根据外部动作推演环境变化的技术同样被称为。但几类技术看似都在构建虚拟世界，实际能力不在同一层次。有研究曾将世界模型分为渲染器、模拟器和规划器三种类型，分别侧重视觉生成、环境状态推演和行动规划，也说明了这个概念覆盖的技术范围之广。
概念边界不断扩展带来的问题逐渐显现：模型生成的世界足够逼真，是否意味着它真正理解物理规律？能连续生成交通画面，是否意味着它能根据无人车动作推演不同驾驶结果？对于无人驾驶研发，这些差别不是无关紧要的技术分类——如果模型无法准确响应车辆动作，或生成的交通变化不符合真实物理规律，即便画面再逼真，也很难成为可靠的训练与验证依据。
对世界模型标准的重视，源于无人驾驶的实际需求。在技术思路中，世界模型需要的能力首先取决于它要承担的任务：既然目标是训练没有安全员的L4无人车，就必须明确模型需要理解怎样的交通关系、遵守哪些物理规律，以及能否支撑长时间、实时交互的驾驶任务。先把目标任务、能力边界和工程要求想清楚，再围绕这些要求构建技术体系，这种正向设计思路，让此次提出的世界模型从一开始就有清晰的目标指向。
这种思路有现实背景：有学者曾将无人驾驶汽车比作进行二维避障的方盒子，说明它与能完成复杂三维操作的机器人的区别。相关负责人则认为，无人驾驶的困难远不止驾驶动作本身——没有安全员的Robotaxi身处完全开放的道路，需要持续面对大量具有独立意图的交通参与者，看似普通的变道决策，背后可能涉及多辆车的判断与博弈。
而比动作复杂度更重要的是安全责任的变化。相关负责人拿纪录片《徒手攀岩》类比：L2辅助驾驶就像有保护绳的攀岩，攀岩者可以尝试惊险动作，因为保护措施存在，辅助驾驶车辆主驾有人，关键时刻能接管；而L4无人驾驶就像无保护攀登，“保护绳”被撤掉，主驾空空如也，驾驶动作看起来没有根本变化，背后的风险和安全要求却不可同日而语，那些反复训练、细节验证，最终都要为整套系统的可靠性负责。
基于此，相关团队提出了面向物理AI的“2+3”世界模型评价框架。其中，“2”指因果性和交互性两项基础条件：因果性强调模型能根据已知状态推演后续变化，交互性要求外部动作能持续改变环境，让不同决定产生不同结果；“3”分别代表物理准确性、持久性和实时性，用于衡量模型能否真正承担物理世界中的任务。
毕竟，世界模型再逼真，如果对真实物理规律的理解出现偏差，测试结果就会失去参考价值。雨天就是典型例子：路面湿滑会改变车辆制动距离，雨滴会干扰激光雷达回波，让点云出现大量噪点，如果虚拟世界只有下雨画面，车辆却按晴天条件制动、感知，虚拟测试就失去意义。看似不起眼的细节，恰恰是世界模型研发最难啃的部分。
相关负责人判断，世界模型的概念并不稀缺，各家都能投入研发，真正可能形成壁垒的，是渲染速度、长时记忆、物理真实性等长期积累的工程能力。就拿激光雷达来说，激光遇到雨滴后的反射干扰涉及复杂物理现象，要让世界模型准确学会这些变化，远比生成视觉上逼真的大雨更费工夫。这类工程打磨被称为“脏活”，所谓技术壁垒，往往在这些问题被逐一解决的过程中慢慢显现。
“2+3”框架为世界模型进入L4研发划出了具体能力门槛，也为这套技术的设计、验证提供了清晰的工程路径。在世界模型定义仍模糊、技术路线不断分化的阶段，能给出这样一套面向真实任务的判断方法，本身就体现了长期L4研发积累的价值。另外，一趟完整Robotaxi行程可能持续数十分钟，世界模型必须在长时间推演中维持环境连贯，及时响应车辆动作，物理准确性、持久性和实时性最终都影响虚拟训练的价值。
不只如此，全球无人驾驶头部企业如今都在探索这一方向。今年，有企业发布了基于相关技术的世界模型，支持根据驾驶动作、场景布局和自然语言调整虚拟环境，生成相机和激光雷达数据。对比来看，若把世界模型看作无人车的考场，更注重制造复杂考题，而这套技术则展示了覆盖完整出行任务的考试体系，且已进入实际测试与验证流程。
由此，无人驾驶的测试开始逐渐减少对真实道路上随机出现的复杂交通情况的依赖，但新的考验也随之出现：究竟哪些偶然发生的情况，才值得被识别、理解并反复验证？
团队曾透露，在真实路测中遇到过一个特别案例：洒水车经过施工区域时，路边的锥筒在水流冲击下滑向无人车行驶路线，这些寻常道路元素碰到一起，造就了很难预料的场景。这类偶然情况，工程师很难提前写进测试脚本，即便真实发生过一次，也难按原条件重新安排，计划让世界模型重现类似场景，让无人车反复接受检验。
这个例子背后是无人驾驶研发中一个悬而未决的问题：真实道路上的风险千变万化，但不是所有交通情况都有相同研发价值，部分极为罕见的意外可能涉及严重安全风险，另一些寻常场景则会频繁影响通行效率和乘坐体验。虚拟城市能生成大量交通情况，却带来新的取舍：哪些问题值得重点研究？这个判断直接决定哪些场景能进入训练与验证过程，只能靠经验积累。
据披露，业务覆盖全球28座城市，累计完成超过2300万次出行服务，行驶里程突破3.5亿公里，其中全无人驾驶里程超过2.4亿公里。3.5亿公里的概念是，时速300公里的高铁要连续跑133年才能跑完，这是十年积累的数据，沉淀了不同地区的道路环境、交通习惯，以及长期运营中遇到大量复杂交互的经验。地图多年积累的道路与地理信息，也为不同区域的虚拟场景构建提供了基础。
伴随车队规模增长，这些真实交通经验持续进入世界模型，经过筛选、整理和推演，转化为更多训练与验证任务。针对同一段真实经历，研发人员可以改变车辆速度、周围交通流或道路条件，观察驾驶系统在不同情况下的应对，反复训练验证后，新的驾驶模型再投入实际运营；车队驶入更多城市，又会带回此前没遇到的情况，原本只发生过一次的交通经历，有了被反复研究、持续利用的价值。
真实运营不断积累，模型获得更多训练材料；驾驶能力提升，又能推动更快部署，扩大数据来源。运营积累越深，模型获得的有效训练材料越多；世界模型能力提升，又能提高驾驶系统迭代效率，推动实际运营规模扩大，规模与模型能力相互促进，缩放定律的增长逻辑逐渐显现，而十余年的无人驾驶积累，也在世界模型时代显现出新价值。
全球真正将新一代端到端驾驶模型推至百辆级纯无人运营的，只有两家企业，而ApolloWorld的加入，让这套真实运营体系获得了持续积累虚拟训练经验的能力，成为下一轮技术迭代可以持续利用的资源。规模优势带来的第一个变化是扩张效率：世界模型让已有经验能复用到更多区域，新城市不必再从头验证，无人驾驶由此有机会摆脱过去一城一城艰难扩张的模式，进入更高效率的规模化发展阶段。
世界模型让已有经验服务于更多区域，部分测试提前转移到云端，新城市的部署有机会减少重复摸索。一旦技术迭代速度能转化为开城扩区的速度，改变的不只是一家企业的研发效率，还有整个无人驾驶产业的扩张节奏。
资本市场对相关技术和产业能力的关注持续升温，有企业完成大额融资并发布世界模型，另一家专注于AI相关的企业完成收购，两笔交易涉及的商业路径不同，却共同折射出AI向物理世界延伸的产业价值。
真正具有跨时代意义的突破，往往不止于一项新技术的出现，还在于它改变了整个行业的发展方式。就像iPhone改变了智能手机，GPT改变了AI应用，对于无人驾驶，类似的分水岭或将出现在驾驶能力能被更高效地迁移、复制，支撑越来越多城市的规模化运营之时。
世界模型带来的想象空间，让无人驾驶获得更具体的技术基础，迎来属于自己的产业质变时刻。届时，真实道路上十余年的积累，将不再只是过去驶过的里程，也可能成为下一轮增长的起点。无人驾驶的新一轮产业变革正在酝酿，相关企业不仅站在变革发生的现场，也正成为推动它向前的重要力量。
