百度Apollo World：无人车日测10万公里虚拟路测

无人驾驶领域已经卷到这种程度了？

现在无人车不只跑真实道路，还能开进由 AI 搭建的虚拟城市，一天就能跑完 10 万公里虚拟路测。

虚拟城市里，前车说刹就刹，旁边的车随时可能并线，行人也会从遮挡物后面冒出来。无人车得看清四周，再决定往哪走。它一减速、一加速或者一变道，周围的车和人也会跟着改动作。

11 月 3 日，百度 Apollo 第一次对外公开具身世界模型 Apollo World。有了它，无人车能在虚拟环境里跟 AI 智能体控制的交通参与者一直互动，同一类驾驶场景可以反复经历。

有行业人士分析，Apollo World 每天的虚拟路测里程能到十万公里。折算一下，一天虚拟测试的量，差不多等于一辆带安全员的真实路测车连跑约三年。

这好比给无人车请了一位 AI 教练，还配了一位随时换考题的考官。

Apollo World 管的是搭建虚拟城市：道路环境不断切换，车流和交通参与者的行为不断调整，为萝卜快跑的端到端驾驶系统出不同的驾驶任务。无人车在里面一遍遍出发，碰上变化的路况就作判断、采取动作，再照环境反馈改下一步策略。平时通行也好，突发状况也好，都能反复拿来练、拿来验。

无人驾驶的经验获取方式，正随着「AI 在自己造的世界里教 AI 开车」出现新的可能。

无人驾驶技术面前横着一个「不可能三角」，得靠 AI 来破局。

表面上看，开车有清晰的道路、车道和交通规则可循。可对一辆去掉安全员的无人车而言，规模化运营的第一道门槛就是安全。光安全还不够，它得足够聪明：既要读懂周围交通参与者的意图，也要随路况变化作出合理判断。车队规模一大、开进更多城市，系统还得应付更复杂的道路环境和交通状况。

安全、智能、规模三者构成「不可能三角」，靠真实路测去填，投入和速度都跟不上。长尾场景另有一道天然难关——出现频率太低。一辆车跑完几十万公里，重复的普通路况见了一大堆，研发人员想测的特殊交互却可能一次都没撞上。里程数往上加，智能水平未必跟着涨。

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

传统仿真其实已经替无人驾驶企业分担了一部分难题。回放式仿真把真实道路场景录下来，让不同版本的驾驶系统一遍遍跑。问题在于场景始终沿历史轨迹走，无人车就算改了动作，周围车辆也不会跟着变。还有一类方案用预设规则去驱动其他车辆，开放道路里那些复杂多变的交通交互，它很难覆盖。

「AI 创造驾驶经验」要解的正是这个。世界模型把 AI 智能体拉进来，跟着无人车的每个动作实时调整交通环境。一个真实路口，能推演出多种不同的交通局面，无人车也就有了反复试不同驾驶策略的机会。

这套虚拟驾驶要站得住，先得回答一个问题：无人驾驶到底需要什么样的世界模型。近一两年，视频生成、三维场景构建、环境模拟、智能体交互，各路技术都挂上了世界模型的名头。可画面逼真不等于真懂世界，能还原场景也不等于能推演交互之后会怎么变。

概念越铺越宽，百度的做法是从无人驾驶的实际需求倒推：先明确世界模型该达到哪些要求，再拿它指导系统设计和技术验证。「2 +3」判断标准就是这么来的——因果性、交互性是两个基石门槛，物理准确性、持久性、实时性则是三项增益属性，由此给无人驾驶世界模型划出一套更清晰的能力标准。

踩下刹车，得能推演出后面会发生什么；踩下油门，得能牵动周围车辆一起变。这两样，考的是因果性和交互性。雨天里制动距离被拉长，连续经过多个路口时状态还不能断，这考的是物理准确性和持久性。所有变化还得跟得上驾驶节奏，实时性不能掉链子。

五项标准归到一处，问题只有一个：无人车开进这座虚拟城市之后，整个世界能不能像真实道路那样转起来？百度 Apollo World 围绕的就是这件事。

AI 造了一座城

无人车进去练车

一辆无人车驶进 Apollo World，一堂特别的「教学」就开场了：

造一座会自行运转的虚拟城市

Apollo World 先要做的，不是把城市「画出来」就完事，而是让它自己转起来。

车辆、行人这些角色，被它建模成有感知、能决策的 AI 智能体，各自带着行为逻辑和目标行动，并非按预设脚本跑动的背景角色。

效果一眼能看出来：换一个驾驶动作，整个交通局面都可能跟着变。无人车选择驶上高架，旁边车辆可以汇入；无人车要是走地面道路，旁边车辆则可能停下来等待。

同一段路，只因为无人车做了不同选择，后面的交通局面就可能走向不同结果。支撑这一点的是 Apollo World 对自车和周围交通参与者的联合建模：

模型拿到无人车的方向盘、油门、制动等控制信号和当前场景信息，推演下一步动作，再据此生成新的交通状态，当作下一轮交互的起点。

更关键的是，这套环境并非一成不变。工程师能继续往上抬难度：车流调密一些，周边车辆设得更激进一些；反过来也行，让它们更保守、更守规矩。这样一来，同一条路线、同一个起点，也能跑出截然不同的交通压力。

在这座虚拟城市中，无人车要应对的，其实是一场更贴近真实道路的连续博弈。

让萝卜快跑开进虚拟世界

Apollo World 先做的是把一座虚拟城市「跑起来」，下一步则是让萝卜快跑的端到端驾驶系统「开进去」。

真实无人驾驶系统靠摄像头和激光雷达感知道路，Apollo World 也得配一套能直接上手的「感官系统」：相机画面和激光雷达点云。

拿到这套观测，驾驶系统就能像在真实道路上一样干活。它读取相机画面和激光雷达数据，判断周围路况，再输出加速、制动、转向等动作。这些动作又回灌给 Apollo World，推着虚拟环境继续往前走：道路状态刷新，周围车辆和行人的行为随之改变，新的相机画面和点云也生成出来，重新交回驾驶系统手中。

这个世界还能随时「换皮」。

同一段道路，一键就能切到完全不同的外部环境：热带雨林、沙漠、极光道路、海岸、隧道，甚至雪林。道路本身相对稳定，变的是周边环境、光照条件、天气氛围，连感知信号也跟着变。

这样一来，结构相似的道路上，无人车能反复碰到完全不同的驾驶条件。原先只够测一种环境的路线，转眼就成了难度各异的多个考场。驾驶系统因此积累起更多不同条件下的经验，价值不难想见。

要稳定地生成这个世界，Apollo World 底层用的是因果自回归的多模态生成模型。按时间顺序一帧一帧把未来往前推，是它的做法：上一刻的世界状态，叠加当前输入的驾驶动作，决定下一刻发生什么。它并非把未来直接「拼」出来，而是在持续演化一个有因有果的过程。

更直白地说，不同传感器在 Apollo World 里能共同「看见」同一个未来。做到这一步，萝卜快跑才不只是停在虚拟世界里「看一看」。

从一个路口，开完一整趟 Robotaxi 行程

不过，能在一个路口应对突发情况，离真正学会开车还差得远。

一辆 Robotaxi 真正的任务，是把乘客从 A 点安全送到 B 点。途中要经过几十个路口，碰上不同的车辆和行人，各种交通变化也得持续应对。一次变道做得漂亮，不代表后面都能开得稳。

所以世界模型得记住之前发生过什么，让交通参与者和道路状态在长时间推演中保持连贯。世界模型的「持久性」意义正在这里：生成时间和空间上都连贯的未来状态，让周围车辆的状态接得住此前的动作，再继续影响后续场景。

如今，工程师能给萝卜快跑安排一整趟 Robotaxi 任务：从虚拟城市里任意一个起点出发，穿过不同道路和交通环境，把接单、接乘客、送达目的地全程走完。无人车于是能在一趟完整行程里，接受连续的驾驶训练和检验。

还有更有意思的：多辆虚拟车辆可以同时跑不同的出行任务，凑成一支虚拟车队，并行做路测。

这套本事不只对某座城市、某类道路管用。测试路线铺到了不同城市和区域，海滨道路、机场附近、林荫大道、学校周边都跑过，让无人车早早在各类区域接受规模化测试。Waymo 与百度

虚拟世界，两家各造各的

各家团队造虚拟世界的路数并不一样。Apollo World 搭出来的虚拟世界是什么样，前面应该已经有了直观感受；放到整个世界模型行业里看，方向和方法却各家有别。

一类长于生成画面，代表是 OpenAI 已经关停的 Sora；一类能交互式模拟，代表是 Google DeepMind 的 Genie 3。

还有一类专做三维空间构建。李飞飞 World Labs 的首款产品 Marble 就属此类，生成的三维空间高保真、观感酷炫，人也能在其中自由探索。Apollo World 的能力又往前走了一步：虚拟世界里的车、行人这些主体能自己行动，还能实时交互、实时响应。

李飞飞 Marble 的展示

Waymo World Model 同样盯着无人驾驶这个垂直方向，也是此次 Apollo World 的重要参照。

不过两家的技术切入点并不相同。

Waymo World Model 是在 Google DeepMind 的 Genie 3 基础上做无人驾驶适配的，借通用世界模型的生成能力，再针对 Waymo Driver 的传感器和驾驶任务做优化。

它最抓眼球的，是把现实中很难碰上的场景搬进虚拟世界。车辆撞上龙卷风、道路被洪水淹没，甚至大象、狮子冷不丁出现在路上，都算。这些情况日常运营里极少遇到，更不会为了测试专门去造。

场景控制上，Waymo 也给了多种方式。工程师用自然语言 Prompt 就能改天气、改时间、改周边环境，也能调道路布局、交通信号，以及其他道路参与者的位置和行为。

但从公开的资料看，Waymo 的场景交互还是靠工程师来设定居多，完整订单行程的推演也尚未展示出来。

左边是 Waymo World Model，右边是 Apollo World。

Waymo 的长处在于给无人车出新的难题，百度 Apollo World 的着力点却在另一头：虚拟世界里的交通参与者要自己拿主意，而非照着工程师预设的轨迹走。

和 Waymo 比，Apollo World 还多一层优势——无人车要过一场覆盖完整任务流程的「上岗考试」。

虚拟城市还得够真，光靠模型凭空生成不行，要有真实道路作参照。萝卜快跑已经落地全球 28 座城市，累计完成超过 2300 万次出行服务，无人驾驶总里程突破 3.5 亿公里，其中全无人驾驶里程超过 2.4 亿公里。这些跑在真实道路上的经历，成了 Apollo World 的场景素材库。

真实道路上的驾驶经历就这样进了虚拟世界，变成能反复推演的考题；虚拟测试里发现的问题再回到车端，推着驾驶系统迭代。改好的系统重新投入真实运营，又带回新的数据。真实道路和虚拟世界来回「喂养」，转成一个持续运转的数据飞轮。

Robotaxi 正走向规模化运营，Apollo World 的这套做法因此更有现实意义：世界模型进一步嵌入无人驾驶的实际研发链条，虚拟测试的价值也落到了驾驶系统的持续进步上。

无人驾驶的下一场较量。

在虚拟世界

把视线从 Apollo World 挪开，放到整个无人驾驶行业来看，世界模型首先可能改变的，是研发环节的做法。以前系统出了问题，工程师得去真实道路记录里翻线索，再想办法复现、设计实验、验证改动是否有效。碰上那些出现频率低、风险又高的场景，想等它再出现一次，往往要耗上很久。

世界模型给出的新路子是：测试条件可以由研发人员主动造出来，同一个问题能反复做对照实验。过去只能等真实道路送上门的驾驶经验，如今有机会在虚拟世界里主动生成、慢慢攒起来。

安全验证的路径同样会变。大批重复性测试和高风险场景的验证，可以挪到虚拟世界里先做完，真实道路则留着做最后那道检验。这一变化还会牵动商业化的节奏：无人车开进一座新城市，如果能先把当地的虚拟环境搭起来，驾驶系统就能提前在里面认路、经历复杂交互，再针对暴露的问题迭代。真到运营那天，企业拿到的就不是一张完全陌生的卷子，前期测试成本和部署风险都有望降下来。

再往远处看，这套打法还能用到无人驾驶之外的物理 AI 领域，机器人就是一例。它们面对的难题很像：智能体在真正接手复杂任务之前，怎么拿到更多可控、可重复的训练和验证机会，又怎么把攒下的经验带回现实世界。

换句话说，世界模型的产业价值未必止于生成场景。模型在交互、预测和物理模拟上越做越强之后，它有可能成为物理 AI 研发的一层基础设施，把真实世界的数据、虚拟环境里的训练与测试，以及最后的现实验证串到一起。