编辑｜杜伟 无人驾驶的世界已经这么疯狂了吗？ 无人车除了在真实道路上接受测试，如今还可以进入 AI 构建的虚拟城市，一天完成 10 万公里的虚拟路测。 在这里，前车可能突然刹车，旁边车辆随时准备并线，行人也可能从遮挡处出现。无人车观察周围情况，判断下一步怎么走。它一旦减速、加速或变道，周围车辆和行人也会随之改变行动。 11 月 3 日，百度 Apollo 首次向外界披露具身世界模型 Apollo World，它能够让无人车在虚拟环境中与 AI 智能体驱动的交通参与者持续互动，反复经历不同的驾驶场景。 行业人士分析，Apollo World 每日虚拟路测里程可达十万公里。换算下来，一天的虚拟测试量，相当于一辆配备安全员的真实路测车连续测试约三年。 这相当于给无人车安排了一位 AI 教练，也配了一位随时改变考题的考官。 Apollo World 负责搭建虚拟城市，不断切换道路环境、调整车流和交通参与者的行为，为萝卜快跑的端到端驾驶系统设计不同的驾驶任务。无人车在其中一次次出发，面对变化的路况作出判断、采取行动，再根据环境反馈调整下一步策略。无论是日常通行还是突发状况，都可以被反复拿来练习和检验。 当 AI 开始在自己创造的世界里教 AI 开车，无人驾驶获取驾驶经验的方式也有了新的可能。 无人驾驶技术的「不可能三角」 需要 AI 破局 开车这件事，看起来有明确的道路、车道和交通规则。但对一辆没有安全员的无人车来说，要实现规模化运营，首先要过安全这一关。此外，无人车还要足够智能，既能理解周围交通参与者的意图，也能根据不断变化的路况做出合理判断。随着运营车队扩大、进入更多城市，系统还需要面对更加多样的道路环境和交通状况。 面对安全、智能与规模这样的「不可能三角」，真实路测的投入和速度很难满足。另外，长尾场景还有一个天然难题：发生频率低。一辆车跑过几十万公里，可能遇到大量重复的普通路况，却未必碰上研发人员想测的特殊交互。单纯增加行驶里程，并不意味着智能水平能够同步提升。 百度智能驾驶事业群组 (IDG) 首席架构师、IDG 技术委员会主席王亮博士 传统仿真可以帮助无人驾驶企业解决了一部分问题。比如回放式仿真将真实道路场景记录下来，供不同版本的驾驶系统反复测试。但场景始终按照历史轨迹运行，无人车即使改变动作，周围车辆也不会随之响应。另一些方案通过预设规则驱动其他车辆，却难以覆盖开放道路中复杂多变的交通交互。 这正是「AI 创造驾驶经验」的用武之地。 世界模型让 AI 智能体参与其中，根据无人车的每一次动作实时调整交通环境。一个真实路口，就能被推演出许多不同的交通局面，无人车也由此获得反复尝试不同驾驶策略的机会。 要让这样的虚拟驾驶成立，首先得弄清楚，无人驾驶需要的究竟是什么样的世界模型。近一两年，从视频生成、三维场景构建，到环境模拟和智能体交互，不同方向的技术都被冠以世界模型之名。但画面逼真不代表真正理解世界，能够还原场景也不代表能够推演交互后的变化。 面对越来越宽泛的概念，百度选择从无人驾驶的实际需求出发，明确世界模型需要达到哪些要求，再以此指导系统设计和技术验证。这也是百度提出「2 +3」判断标准的出发点：以因果性、交互性作为两项基石门槛，再以物理准确性、持久性和实时性作为三项增益属性，给无人驾驶世界模型划定一套更明确的能力标准。 刹车能推演后果，加速能改变周围车辆行为，考验因果性与交互性；雨天制动距离更长、连续路口状态保持连贯，考验物理准确性与持久性；所有变化还要跟上驾驶节奏，满足实时性。 五项标准最终指向一个挑战：当无人车驶入这座虚拟城市，整个世界能否像真实道路一样运转？ 百度 Apollo World，正是围绕这一问题展开的一次探索。 AI 造了一座城 无人车进去练车 当一辆无人车驶进 Apollo World 的世界，一场特殊的「教学」就此开始： 造一座会自行运转的虚拟城市 Apollo World 要做的第一件事， 不单单把城市「画出来」，更要让它自己运转起来。 它将车辆、行人等建模为具备感知和决策能力的 AI 智能体，拥有各自的行为逻辑和目标，而不是按照预设脚本行动的背景角色。 效果很直观，换一个驾驶动作，整个交通局面都可能跟着改变。无人车选择驶上高架，旁边车辆可以汇入；而如果无人车选择走地面道路，旁边车辆则可能停下来等待。 同一段路，仅仅因为无人车选择不同，后续交通局面就可能走向不同的结果。这背后是 Apollo World 对自车和周围交通参与者的联合建模： 模型接收无人车的方向盘、油门、制动等控制信号以及当前场景信息，推演下一步动作，并据此生成新的交通状态，作为下一轮交互的起点。 更重要的是，这套环境不是固定不变的。工程师可以继续往上加难度：把车流调得更密一点，把周围车辆设得更激进一点，或者反过来，让它们更保守、更遵守