文遠發(fā)布物理AI大模型WITT：讓每一公里都變成模型能力

杰西卡 發(fā)自 副駕寺
智能車參考 | 公眾號 AI4Auto

自動駕駛跑出的里程越多，模型就越聰明？

不見得。

一輛測試車，每天可以產(chǎn)生數(shù)小時道路視頻，一支千輛規(guī)模的車隊，積累的數(shù)據(jù)量更是難以估算。但其中大部分是重復(fù)發(fā)生的日常場景，還混雜著人為接管、無效片段和識別錯誤。

真正能推動模型進化的，往往只是少數(shù)長尾數(shù)據(jù)。

問題是，從幾萬小時視頻中找出“施工區(qū)域內(nèi)行人突然橫穿”“雨天低能見度下車輛壓線”“窄路會車時異常減速”，無疑是一項龐大的工程。

即便大模型能夠看懂視頻，也可能遺漏目標、弄錯時序，甚至生成現(xiàn)實中并未發(fā)生的情節(jié)。

文遠知行剛剛發(fā)布的物理AI認知基礎(chǔ)大模型WITT，瞄準的就是這一層瓶頸。

在VLM基礎(chǔ)上，WITT首次引入了“最小物理事實單元”概念，把連續(xù)變化的真實道路場景拆解成可被識別、驗證的事實單元，重構(gòu)AI對物理世界的理解框架。

官方稱，WITT最高能夠?qū)?shù)據(jù)處理效率提升200倍，單卡單日處理1萬分鐘車輛運行視頻；在自動駕駛場景中，每段視頻的平均事實錯誤率約為通用大模型的三分之一。

這就是文遠在做的事：是讓自動駕駛車輛跑過的每一公里，都有機會真正進入模型的進化鏈路。

文遠WITT：把道路視頻拆成“物理事實”

文遠知行剛剛發(fā)布的WeRide WITT（World Intelligence Toward Truth），意為“以可信事實建立世界認知”，致敬了哲學(xué)家維特根斯坦提出的“世界是事實的總和”。

這個寓意落到自動駕駛研發(fā)里，可以理解為一個更具體的目標：先確認道路上究竟發(fā)生了什么。

文遠為此提出了“最小物理事實單元”的概念，將連續(xù)、復(fù)雜的道路視頻，轉(zhuǎn)化成模型能夠直接使用的結(jié)構(gòu)化信息。

據(jù)文遠透露，之所以做這件事，和自動駕駛數(shù)據(jù)形態(tài)的變化直接相關(guān)。

過去，自動駕駛公司的車隊規(guī)模有限，核心任務(wù)是盡可能多地采集真實道路數(shù)據(jù)。誰的測試里程更長、覆蓋城市更多，往往意味著見過的場景更多。

隨著Robotaxi車隊擴大、L2輔助駕駛車型規(guī)模上車，數(shù)據(jù)開始迅速堆積。但一公里道路數(shù)據(jù)和另一公里道路數(shù)據(jù)，價值可能相差很大。

正常直行十公里，未必比一次施工區(qū)突然橫穿更值得學(xué)習(xí)；一段車輛接管視頻，也未必代表自動駕駛系統(tǒng)出現(xiàn)問題，可能只是安全員提前干預(yù)。

未經(jīng)理解和驗證的數(shù)據(jù)直接進入訓(xùn)練，無法穩(wěn)定推動模型進化，甚至?xí)彦e誤信號帶入模型。高價值長尾場景，則很容易淹沒在海量視頻中。

工程師想查找“低能見度下前車壓線”，傳統(tǒng)方式依賴預(yù)先設(shè)計的標簽。標簽體系沒有覆蓋這個維度，數(shù)據(jù)即使已經(jīng)存在，也很難被快速找到。

圍繞這些問題，WITT形成了事實提取、事實推理、事實驗證、事實編排四大核心能力，貫通從識別道路場景、歸因關(guān)鍵事件，到檢查數(shù)據(jù)質(zhì)量、安排學(xué)習(xí)路徑的完整流程。

首先是事實提取。WITT會從標準駕駛行為、多主體交互和復(fù)雜物理條件等維度，識別視頻中的“最小物理事實單元”。

一段車輛在雨夜通過城市路口的視頻，可以被拆解為自車右轉(zhuǎn)、城市道路、交叉路口、信號燈狀態(tài)變化、低能見度，以及周圍交通參與者動作等多個事實。

每一項事實都可以獨立檢索，并追溯到對應(yīng)的視頻畫面和時間點。

基于這些事實單元，WITT內(nèi)置的視頻數(shù)據(jù)引擎，還允許工程師通過關(guān)鍵詞或自然語言檢索道路視頻。

例如輸入“尋找施工區(qū)域內(nèi)行人突然橫穿的片段”，WITT可以直接定位相關(guān)視頻、目標主體和發(fā)生時間，不再要求工程師逐段查看，也不必提前為所有復(fù)雜場景設(shè)計標簽。

這相當于讓自動駕駛道路視頻，也擁有了類似文本的搜索能力。過去已經(jīng)采集、卻很難被找到的長尾數(shù)據(jù)，開始能夠被重新調(diào)用。

但找到視頻只是第一步。同樣一次自車異常減速，可能由前車急剎、行人靠近道路、車道變窄引起，也可能來自自動駕駛策略過于保守。

這對應(yīng)了WITT第二項能力——事實推理。

WITT還會分析場景中的主體關(guān)系、關(guān)鍵事件、風(fēng)險變化和后續(xù)演化趨勢，進一步判斷問題為何發(fā)生。

自動駕駛工程師得到的不再只是一段“出現(xiàn)異常”的視頻，還包括事件發(fā)生前后的事實鏈路。

這能解決研發(fā)過程中另一個常見痛點：視頻已經(jīng)找到了，問題仍然難以定位。

第三項能力是事實驗證。

通用大模型在理解道路視頻時，也可能出現(xiàn)幻覺、遺漏和時序錯誤。它可能沒有識別到畫面邊緣的騎行者，也可能顛倒車輛減速和行人出現(xiàn)的先后順序。

在日常視頻問答中，這類錯誤或許只會影響答案質(zhì)量；進入自動駕駛訓(xùn)練鏈路后，錯誤描述可能導(dǎo)致樣本被錯誤分類，進一步影響模型訓(xùn)練和評測。

WITT為此從弱勢道路使用者、自車行為、他車行為、場景理解、事實完備性和交通設(shè)施六個維度，對模型輸出進行評估，同時引入事實置信度，并調(diào)用外部物理證據(jù)反向驗證結(jié)論。

文遠將這套機制稱為“6+1事實驗證”。

通過追蹤事實錯誤、幻覺、遺漏和時序錯誤，WITT可以在數(shù)據(jù)進入訓(xùn)練之前，先判斷模型究竟有沒有看錯。

據(jù)文遠內(nèi)部測試，WITT在自動駕駛垂類場景中的平均每片段事實錯誤率，約為通用大模型的三分之一。

完成識別、推理和驗證后，最后一步是事實編排。

不同道路視頻，學(xué)習(xí)價值并不相同。WITT會根據(jù)數(shù)據(jù)的稀缺程度、可信度和訓(xùn)練價值，對視頻進行智能分流：

稀缺長尾場景被送入文遠自研世界模型GENESIS，用于生成更多仿真場景和訓(xùn)練樣本；高頻日常場景用于強化學(xué)習(xí)和流程優(yōu)化；存在異常或置信度不足的片段則進入人工復(fù)核。

這一步讓W(xué)ITT超出了單純的視頻理解工具。它開始介入自動駕駛的數(shù)據(jù)閉環(huán)，決定每一段視頻具有什么學(xué)習(xí)價值，以及應(yīng)該進入訓(xùn)練、仿真還是復(fù)核鏈路。

至此，WITT的四項能力形成了一條完整鏈路：

事實提取負責確認發(fā)生了什么，事實推理負責解釋事件如何形成，事實驗證負責檢查判斷是否可信，事實編排則決定這些數(shù)據(jù)接下來如何被模型學(xué)習(xí)。

支撐這套數(shù)據(jù)鏈路規(guī)模運轉(zhuǎn)的，是WITT的工程處理效率。

文遠披露，WITT相較百B級通用大模型，在同類任務(wù)中可以節(jié)省98%的Token成本，單卡單日處理1萬分鐘車輛運行視頻，最高實現(xiàn)200倍數(shù)據(jù)處理效率提升。

標簽?zāi)Ｊ较拢琖ITT一次請求可以輸出100多個動態(tài)標簽。可見WITT方向已經(jīng)很明確——

WITT追求的并非把視頻描述得更生動，而是用更低成本，把更多真實道路數(shù)據(jù)送進模型迭代。

但這套能力能否真正產(chǎn)生價值，還需要兩個條件：

前端要有足夠多、足夠復(fù)雜的真實道路數(shù)據(jù)；后端也要有承接這些數(shù)據(jù)的模型和量產(chǎn)產(chǎn)品。

這恰好和文遠目前同時推進的兩條業(yè)務(wù)線對應(yīng)上了。

3000輛L4車隊，開始接入量產(chǎn)智駕

根據(jù)文遠披露，目前其自動駕駛產(chǎn)品已經(jīng)落地12個國家、40多座城市。

其L4自動駕駛車隊規(guī)模超過3000輛；其中，Robotaxi已在廣州、北京、阿布扎比和迪拜等城市，開展常態(tài)化純無人商業(yè)運營。

這些車輛長期運行，意味著文遠每天都會獲得大量來自真實道路的數(shù)據(jù)。

但車隊規(guī)模本身，并不會自動轉(zhuǎn)化成模型能力。

L4車輛在道路上遇到一次復(fù)雜場景，工程師還需要找到這段視頻、確認具體問題、驗證識別結(jié)論，再將它轉(zhuǎn)化成可以訓(xùn)練的樣本。

WITT負責的就是完成這條鏈路的前半段。它從真實道路視頻中提取、推理和驗證事實，篩選出值得訓(xùn)練的場景。

負責后半段的，則是文遠此前發(fā)布的世界模型GENESIS：根據(jù)這些真實事實，生成更多高保真仿真場景和長尾變體。

例如，一輛Robotaxi在雨天施工路段遇到行人橫穿。WITT會先識別道路條件、行人行為、自車動作和風(fēng)險變化，再將這一稀缺場景送入GENESIS。

GENESIS可以在原始場景基礎(chǔ)上，改變雨量、道路寬度、行人速度、橫穿位置和周圍車輛數(shù)量，生成更多相似但不完全相同的訓(xùn)練樣本。這些樣本隨后用于訓(xùn)練車端模型，再部署回真實車輛。

文遠將這套循環(huán)稱為物理AI飛輪。

從其公布的架構(gòu)看，WITT和GENESIS共同位于云端，前者理解和驗證真實世界，后者負責擴展和生成場景，最終協(xié)同訓(xùn)練L4與L2++車端模型。

這套飛輪最直接的意義，是文遠正在把L4和L2++之間的“反哺”路徑進一步具體化。

行業(yè)一直在講L4降維量產(chǎn)、Robotaxi數(shù)據(jù)反哺輔助駕駛，但具體如何反哺，往往只停留在技術(shù)路線層面。

WITT發(fā)布后，這條路徑被拆成了更清楚的步驟：

L4車隊負責產(chǎn)生高復(fù)雜度真實場景，WITT負責提煉和驗證，GENESIS負責擴展，最終同時訓(xùn)練L4和L2++車端模型。

文遠的L2++一段式端到端方案WRD 3.0，正是這套能力的另一個出口。

按照文遠披露，WRD 3.0目前已經(jīng)獲得近30個車型定點，并量產(chǎn)上車奇瑞星途星紀元、廣汽埃安N60等車型，同時進入德國、法國和日本等市場。

這意味著，L4車隊積累的數(shù)據(jù)不再只服務(wù)于Robotaxi，也可能進入更大規(guī)模的量產(chǎn)輔助駕駛體系。兩條業(yè)務(wù)的數(shù)據(jù)特征又剛好互補。

L4車隊規(guī)模相對有限，但運營場景復(fù)雜，能夠積累更高價值的長尾數(shù)據(jù)；L2++量產(chǎn)車型覆蓋范圍更廣，可以帶來更多城市、道路和用戶駕駛習(xí)慣。

WITT與GENESIS如果能夠同時處理兩端數(shù)據(jù)，文遠就有機會形成雙向循環(huán)：

L4提供復(fù)雜場景，L2++擴大數(shù)據(jù)覆蓋；云端模型完成理解和生成，車端產(chǎn)品繼續(xù)產(chǎn)生新的真實數(shù)據(jù)。

相比只在數(shù)字環(huán)境中處理文字和圖像的通用大模型，自動駕駛系統(tǒng)需要持續(xù)面對真實道路中的物理約束。

車輛運動、行人行為、道路規(guī)則和風(fēng)險變化，都不能只靠語言層面的相關(guān)性進行推測。模型必須理解真實世界發(fā)生了什么，還要讓結(jié)論經(jīng)得起物理證據(jù)驗證。

自動駕駛，恰好是物理AI較早進入規(guī)模商業(yè)驗證的領(lǐng)域。車輛已經(jīng)在道路上長期運行，模型的每一次判斷都會轉(zhuǎn)化為真實動作，錯誤也會直接暴露在現(xiàn)實環(huán)境中。

這使得文遠有機會用L4車隊和L2++量產(chǎn)業(yè)務(wù)，驗證WITT究竟能否提高數(shù)據(jù)利用率、縮短模型迭代周期。

未來衡量自動駕駛公司的核心資產(chǎn)，可能也會出現(xiàn)一個新的尺度：

每一公里真實道路，究竟需要多久，才能變成下一版模型的能力