ARTICLE · 1303871
用AI教AI开车,百度Apollo World世界模型亮相
如果一辆无人车准备驶入一座新城市，能不能先在虚拟世界里，把从接单、载客到送达的完整行程跑一遍？🧐
今天，在深圳举行的百度AI Day·Apollo专场上，百度Apollo首次披露面向物理AI的智能体驱动全模态世界模型Apollo World，并提出世界模型“2+3”判断标准。
Apollo World可以生成一段相对真实的视频。↓
让虚拟世界遵循现实规律、回应无人车的动作，并支持驾驶系统从起点出发，一路开到目的地。↓
世界模型不只要像
还要符合现实规律
无人驾驶身处开放道路，需要持续应对车辆、行人、非机动车等交通参与者的变化。对一台2吨重、几十公里时速的车辆而言，开放世界容错空间几乎为零，安全决策周期要严格限定在1/30秒内。
因此，用于无人驾驶的Apollo World不仅要生成逼真的画面，还要准确推演现实世界如何变化。百度Apollo提出了世界模型“2+3”判断标准：
“2”是基础门槛：
◎ 因果性：世界模型应当遵循时间的单向性，由过去决定未来，基于当前状态预测下一刻，而不是拼凑画面、反推过去。
◎ 交互性：能动态响应外部干预，注入动作影响未来世界状态。
“3”是进阶指标：
◎ 物理准确性：模拟的状态有多可靠，是否符合世界规律，学习获得的能力回到物理世界还能不能用。
◎ 持久性：持续运行的时间和稳定性能不能跟上，长时间运行物体和细节是否发生漂移。
◎ 实时性：低时延，生成世界复杂度的增长不影响模型推理时间，获得高模拟测试效率。
在Apollo World构建的虚拟城市中，车辆、行人等交通参与者都不是按照固定脚本行动的“道具”，而是具备决策和交互能力的AI智能体。
例如，面对同样的交通场景，无人车采取不同动作，虚拟世界也会随之发生变化⬇️
当自车减速时
当自车超车时
世界会回应
还要让无人车“看得见”
Apollo World还可以实时生成相机画面、激光雷达点云等多模态观测数据，让无人驾驶系统像在真实道路上一样感知周围环境。
天气改变，相机和激光雷达同步变化
驾驶系统根据这些信息作出转向、加速或减速等决策，再把动作传回Apollo World。它会随之更新交通环境和其他智能体的行为，并生成下一刻的观测。
就这样，感知、决策、行动和反馈不断循环，形成端到端闭环。这个闭环也不只运行在一个路口或一段道路上。
Apollo World支持无人车在虚拟城市中从任意起点驶向任意终点，连续经过不同道路和交通场景，完成从接单、载客到送达的完整出行任务。
从虚拟测试到真实道路
持续验证和迭代
无人驾驶走向规模化，需要同时兼顾安全、智能与规模。
Apollo World从真实数据中提取高价值场景，将复杂路况和风险转化为可重复的虚拟测试。无人车可以在虚拟世界中反复演练、验证驾驶策略，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，形成持续优化的闭环。
一条持续循环的数据飞轮由此形成：
真实运营与虚拟验证就这样持续循环，让每一次上路都建立在更充分的提前演练之上。
萝卜快跑是中国唯一以端到端技术规模化运行L4无人驾驶的出行平台。数据显示，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。
目前，Apollo World已用于萝卜快跑全球化测试与验证，助力无人驾驶规模化落地。👍
END
点击👇关注，星标百度，了解更多精彩内容
