百度Apollo World亮相：以AI教AI，世界模型“2+3”标准出炉

11月3日，深圳百度AI Day·Apollo专场上，百度Apollo首次对外披露Apollo World。这是一套面向物理AI的智能体驱动全模态世界模型，百度同时抛出世界模型的“2+3”判断标准。

按百度Apollo的说法，用于无人驾驶的Apollo World不光是画面逼真，还得把现实世界怎么变化推演准确。围绕这一点，百度给出了“2+3”判断标准。

“2”是基础门槛：

• 一是因果性。世界模型要遵循时间的单向性，过去决定未来，依据当前状态预测下一刻，而不是把画面拼凑起来、反推过去。

• 二是交互性。外部干预要能动态响应，注入动作可以影响未来的世界状态。

“3”是进阶指标：

• 物理准确性：模拟出来的状态有多可靠，是否合乎世界规律，学到手的能力回到物理世界还管不管用。

• 持久性：能不能长时间稳定运行，跑久了物体和细节会不会漂移。

• 实时性：时延要低，世界复杂度往上走，模型推理时间不能被拖长，模拟测试效率才上得去。

在Apollo World搭出的虚拟城市里，车辆、行人这些交通参与者不是按固定脚本走的“道具”，而是能决策、能交互的AI智能体。

同样的交通场景，无人车动作不一样，虚拟世界也跟着变：

Apollo World还能实时生成相机画面、激光雷达点云等多模态观测数据，无人驾驶系统感知周围环境，跟跑在真实道路上一样。

驾驶系统拿到这些信息，做出转向、加速或减速的决定，再把动作传回Apollo World。后者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。

感知、决策、行动、反馈这样一轮轮循环下去，端到端闭环就形成了。这个闭环并不局限在某一个路口或某一段路。

无人车在虚拟城市里可以从任意起点驶向任意终点，连续穿过不同道路和交通场景，把接单、载客到送达的完整出行任务跑完。

Apollo World从真实数据里挑出高价值场景，把复杂路况和风险变成可重复的虚拟测试。无人车在虚拟世界里反复演练、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，持续优化的闭环就这样转起来。

一条持续循环的数据飞轮由此形成：

按照百度的说法，萝卜快跑是眼下国内唯一把端到端技术用于L4无人驾驶规模化运营的出行平台。从数据看，其服务已落地全球28个城市，自动驾驶总里程突破3.5亿公里，全无人驾驶这一块也超过2.4亿公里。

目前Apollo World已用于萝卜快跑的全球化测试与验证，助力无人驾驶规模化落地。