黃仁勛預言成真？2026物理AI炸裂開場，中國玩家硬剛?cè)蚓揞^
光錐智能 | 02-03
23712
文｜劉俊宏
編｜王一粟
2026年，被視為“物理AI”的元年。
在今年的CES上，作為全球AI領(lǐng)域的引航者，英偉達CEO黃仁勛用了90分鐘的時間，核心只講了一句話——“物理AI的‘ChatGPT時刻’已經(jīng)到來”。隨后，英偉達宣布更新Cosmos模型，正式從單純的芯片供應(yīng)商轉(zhuǎn)型為物理AI的基建者，開啟奔赴自動駕駛的大時代。
英偉達轉(zhuǎn)身背后，AI大模型技術(shù)正在發(fā)生一場關(guān)鍵轉(zhuǎn)折。從Cosmos模型的升級中可以看到，英偉達不再只是教AI如何識別障礙物，而是嘗試讓AI理解整個世界的物理法則。技術(shù)方向的切換，也印證著黃仁勛的判斷：自動駕駛是這一輪AI大模型技術(shù)躍遷最先大規(guī)模落地場景。
就在全球巨頭們集體尋找“物理AI答案”之際，1月28日，中國自動駕駛公司文遠知行正式發(fā)布了自研通用仿真模型——WeRide GENESIS，給出了解法。
WeRide GENESIS不僅是仿真工具，更是一套為物理AI時代準備的、完整的自動駕駛研發(fā)與驗證操作系統(tǒng)。文遠知行利用生成式AI技術(shù)，貫通現(xiàn)實物理世界與虛擬仿真世界，快速構(gòu)建高度真實的仿真城市環(huán)境，模擬各種極端長尾場景，完成場景反饋、參數(shù)調(diào)優(yōu)、部署驗證的閉環(huán)，進而降低傳統(tǒng)道路測試所需的時間與成本。
巧合的是，GENESIS一詞（全稱為Generative Engineered Neural Environment for Simulated Intelligence in Self-driving），與《圣經(jīng)·舊約》首卷“創(chuàng)世記”一詞同名。這似乎也在隱喻著自動駕駛行業(yè)正迎來“創(chuàng)世時刻”——誰能更精準在云端復刻物理定律，誰就將掌握自動駕駛的絕對話語權(quán)。
在這場物理AI全球浪潮中，文遠知行用實際行動回應(yīng)了黃仁勛的預言。仿真模型的進化，正在推動自動駕駛跨越長尾問題的“最后一公里”，將物理AI具象化為可落地的產(chǎn)業(yè)實踐。
物理AI的“奇點”為什么仿真模型是必經(jīng)之路？
短短兩年，自動駕駛技術(shù)的進化幅度比過去幾十年還要快。
在2025年，我們看到了L2+高階ADAS方案激烈內(nèi)卷，L3、L4牌照密集發(fā)放，頭部Robotaxi玩家車隊規(guī)模陸續(xù)突破千輛，自動駕駛技術(shù)正以前所未有的速度闖入現(xiàn)實世界。然而，這種加速度背后，卻隱藏著行業(yè)對數(shù)據(jù)瓶頸的焦慮。
在自動駕駛上一輪的發(fā)展中，“端到端”被普遍認為是通往無人駕駛終局的技術(shù)答案。它拋棄了傳統(tǒng)規(guī)則堆疊的繁瑣，直接從數(shù)據(jù)提煉駕駛決策能力，推動自動駕駛系統(tǒng)在廣泛場景中快速落地。
但對數(shù)據(jù)的依賴，也成了“端到端”的“阿喀琉斯之踵”。真實車隊在物理世界中“跑街”采集數(shù)據(jù)，根本無法覆蓋概率極低卻致命的長尾場景，比如火災(zāi)、地震、道路掉落物、極端天氣下的多車交互……這些場景往往需要百萬甚至千萬公里才能偶遇一次，單純依賴路測，永遠補不上模型進化的數(shù)據(jù)缺口。
為了彌補這部分缺少的數(shù)據(jù)，全球科技大廠都選擇在物理AI領(lǐng)域瘋狂投入。
其中，特斯拉構(gòu)建了Dojo超算，用“暴力計算”承載模擬場景訓練所需的算力。英偉達則是用Cosmos模仿物理法則，讓自動駕駛理解真實世界的運動規(guī)律。Waymo推出了自動駕駛模擬軟件Simulation City，用以生成極端場景、訓練自動駕駛系統(tǒng)。
不難看出，大廠們切入物理AI的角度大致相同，都是在虛擬世界構(gòu)建一個既遵循真實物理法則，又能無限生成復雜場景的“數(shù)字宇宙”。
同樣，文遠知行推出的WeRide GENESIS也是如此。不同于傳統(tǒng)靜態(tài)的仿真模型，WeRide GENESIS更像一個動態(tài)、可進化、可擴展的“游戲引擎”。
基于生成式AI，WeRide GENESIS只需幾分鐘即可構(gòu)建出厘米級保真的虛擬城市環(huán)境，能復刻全球不同地區(qū)的路網(wǎng)結(jié)構(gòu)、交通習慣、基礎(chǔ)設(shè)施、氣候條件與法律法規(guī)差異。對應(yīng)現(xiàn)實中難以高頻獲取的極端長尾場景，WeRide GENESIS能系統(tǒng)性生成并回放演練，就像是在不斷“開一局高難度游戲”，讓自動駕駛系統(tǒng)在虛擬環(huán)境中完成高強度、高密度、高風險的訓練與驗證。
更重要的是，WeRide GENESIS還能結(jié)合實際采集的數(shù)據(jù)不斷豐富虛擬世界的多樣性。這對于本來就有量產(chǎn)落地的玩家來說，無疑相當于“數(shù)據(jù)越用越多”。
很顯然，文遠知行將物理AI與生成AI技術(shù)真正融合并落地。在WeRide GENESIS的架構(gòu)下，仿真不再是靜態(tài)的沙盤，而是動態(tài)的生態(tài)。利用生成式技術(shù)，仿真環(huán)境能生成無數(shù)個符合物理邏輯的復雜路況，從而填補“端到端”算法缺乏長尾數(shù)據(jù)的“拼圖”。
跨越真實與虛擬GENESIS重構(gòu)自動駕駛訓練場
事實上，從2024年開始，就陸續(xù)有自動駕駛玩家開始借用“3D世界重構(gòu)+類Sora”的生成式AI來打造自動駕駛的仿真“訓練場”。但很快，行業(yè)就遇到了“二律背反”難題。
從邏輯上說，如果仿真模型更依賴物理建模，那真實世界的復雜性就不可能完整保留。因為虛擬建模不可能保留真實世界所有的變數(shù)，類似夜間的燈光反射、雨雪天氣對傳感器數(shù)據(jù)的干擾等精細數(shù)據(jù)很難還原。如果更側(cè)重于生成式AI，那大模型的“幻覺”問題就沒法避免。例如擴散模型就常常生成前后邏輯不一致的畫面，前一刻道路上的車輛正常向前，下一刻就變成倒退，這在物理世界根本不可能發(fā)生。
如何讓仿真模型兼具物理世界的“保真度”和生成模擬場景的“準確性”？
WeRide GENESIS的答案是將仿真模型拆解為四個相互協(xié)同的AI模塊，即AI場景、AI主體、AI指標、AI診斷。四大模塊協(xié)同驅(qū)動，形成了一個從場景生成到性能優(yōu)化的完整閉環(huán)。
AI場景模塊負責構(gòu)建各類關(guān)鍵情境。它能在數(shù)分鐘內(nèi)搭建出高度擬真的虛擬城市場景，復現(xiàn)全球各地路網(wǎng)設(shè)施、動態(tài)氣候、環(huán)境細節(jié)與多樣化交通行為。同時，根據(jù)文遠知行在公開道路上采集到的極端案例，仿真模型能系統(tǒng)性模擬自動駕駛車輛可能遇到的極少數(shù)事件，生成例如臨車侵入、火災(zāi)地震、道路受阻、極端天氣等場景。
簡單來說，AI場景就是確保自動駕駛模型能在熟悉的道路上，碰上“緊張又刺激”的稀有事件，從而實現(xiàn)自動駕駛算法完成極端情況的“專項訓練”。
AI主體模塊負責為虛擬交通參與者“注入靈魂”。在傳統(tǒng)仿真模型中，交通博弈通常采用的是“平均化”模型。在這種模型的塑造下，道路交通往往呈現(xiàn)出相對理想的狀態(tài)，這導致虛擬交通流缺乏真實世界的不可預測性。例如所有行人都遵循“看燈過馬路”的行為模式，道路上也不會出現(xiàn)突然變道的車輛。
而AI主體模塊的任務(wù)，就是利用AI Agent技術(shù)為駕駛員、行人、騎手等不同道路參與者構(gòu)建全譜系的行為模型。完整模擬出道路場景中，從日常規(guī)范駕駛到高風險魯莽行為的所有可能性。以下圖為例，AI主體模塊就優(yōu)化了自車在調(diào)頭場景的決策能力。
按照常規(guī)模擬方式（左），自車的規(guī)劃路線（綠色線）一直防著右側(cè)車（黃色方塊）的侵入。結(jié)果就是仿真的小車跟自車都非常“慫”，遲遲不敢動身。如果讓自車快速通過（中），那仿真出來的小車由于沒有Agent能力，結(jié)果就是兩車同時起步，導致相撞。在為仿真小車添加了Agent能力之后（右），自車跟仿真小車的行為邏輯就正常了，自車能迅速起步，仿真小車能有序通過。
安全是自動駕駛的基石，但不是全部，乘坐體驗也是重中之重。
AI指標模塊，就是根據(jù)安全、合規(guī)、舒適、效率等多維度建立的一套量化評估體系，它能將自動駕駛的行駛數(shù)據(jù)轉(zhuǎn)化為可對比、可分析的指標。例如在道路被侵入的場景中，AI指標模塊就實時打出了乘客舒適度評分。評分反饋能直接可視化，訓練環(huán)節(jié)就能針對性優(yōu)化與復驗。值得一提的是，下圖的畫面、數(shù)據(jù)都是由WeRide GENESIS生成。目前行業(yè)要完成舒適性測試，基本都要靠真實場景測試完成。
最后是AI診斷模塊，這部分是仿真系統(tǒng)對自動駕駛行為的自動檢查，并提供問題溯源和修復建議。它能夠自動捕捉不理想的駕駛行為、分析其根本原因并提供可執(zhí)行的改進方案。修復后的算法可立即重新投入場景進行驗證，形成“測試–改進–驗證”的迭代閉環(huán)。這就能解決非常多技術(shù)開發(fā)人員自己都摸不著頭腦的“疑難雜癥”。
例如“幽靈剎車”這一自動駕駛領(lǐng)域非常棘手的難題，它出現(xiàn)的可能性很多，有可能是傳感器將陰影、塑料袋誤認成障礙物，也有可能是自動駕駛車輛對路錐、路標這些小型障礙物作出過度反應(yīng)。問題造成的結(jié)果就是汽車莫名其妙剎車，乘坐體驗非常差。AI診斷就能及時捕捉到這些異常的動作，然后自動分析改正，從而大幅減少模型迭代的時間。
總體來看，WeRide GENESIS的四大AI模塊構(gòu)成了能閉環(huán)的自動駕駛研發(fā)體系：自動生成高價值場景、自動量化性能瓶頸、自動定位弱點環(huán)節(jié)、自動給出優(yōu)化方向。
這套機制不僅讓自動駕駛算法的訓練、驗證與迭代實現(xiàn)在云端7×24小時不間斷運行，將原本需要數(shù)年積累的路測經(jīng)驗壓縮到數(shù)天的虛擬推演中。更是在物理AI與生成式AI之間，找到了真實與創(chuàng)造的“平衡點”。
更重要的一點是，WeRide GENESIS還具備極高的通用性。針對傳統(tǒng)自動駕駛訓練需要盡量保持傳感器數(shù)據(jù)一致的痛點，WeRide GENESIS可以兼容不同傳感器視角與汽車構(gòu)型配置。這意味著，無論是L2+的高階輔助駕駛，還是L4的Robotaxi、無人小巴、配送無人車，全都可以在一個平臺完成訓練，無需針對不同車輛重復開發(fā)仿真場景。這不僅優(yōu)化了研發(fā)資源配置，更讓文遠知行的技術(shù)迭代進入“加速飛輪”狀態(tài)。
當仿真模型推動技術(shù)研發(fā)進入到工業(yè)化時代，自動駕駛也來到了全球規(guī)?；涞氐碾A段。
以“平行宇宙”算力驅(qū)動全球規(guī)?；涞?/strong>
“毀滅你，與你何干?！?/p>
劉慈欣在《三體》中的一句話，點出了宇宙不同等級文明之間的鴻溝。在高等技術(shù)面前，落后者毫無還手之力。
現(xiàn)實亦是如此，技術(shù)上的高維突破，最終也將落地為商業(yè)上的降維打擊。
2026年，是全球自動駕駛玩家備戰(zhàn)規(guī)?；涞氐囊荒?。放眼L4賽道，特斯拉今年給出了可能“每月翻倍”的部署預期。坐擁2500輛車的Waymo，正在籌劃一筆高達160億美元的融資，以開啟全球規(guī)?；渴?。自動駕駛的行業(yè)競爭焦點已經(jīng)不再是比拼技術(shù)能不能跑起來，而是比拼全球復制能不能快起來。
作為“全球Robotaxi第一股”，文遠知行很早就意識到自動駕駛規(guī)模落地的重要性。
在過往的布局中，文遠知行拿到了中國、阿聯(lián)酋、新加坡、法國、美國、沙特、比利時、瑞士八國的自動駕駛牌照，自動駕駛產(chǎn)品落地全球11個國家超40個城市。文遠知行深刻地感受到不同國家、城市的路網(wǎng)結(jié)構(gòu)，交通習慣、氣候條件、法規(guī)要求之間的千差萬別，靠常規(guī)路測根本無法支撐自動駕駛快速落地。
WeRide GENESIS的出現(xiàn)，讓文遠知行的“AI司機”擁有了在虛擬世界中提前解鎖“環(huán)球旅行”的能力，為其在物理AI新紀元與全球巨頭扳手腕提供了底氣。
基于WeRide GENESIS的通用和快速迭代的特性，新一代的自動駕駛產(chǎn)品能夠擺脫對物理路測的線性依賴，無論是L2++輔助駕駛，還是L4級別的Robotaxi，都有能力在全球任一國家、任一城市落地運營。
這種全新的訓練模式，極大降低了全球擴張的邊際成本。落在現(xiàn)實世界中，就是無可比擬的落地速度與運營質(zhì)量。
比如，在L4 Robotaxi賽道，文遠知行的車隊數(shù)量突破1023輛，正式邁入“千輛時代”，已經(jīng)進入了全球10多座核心城市地區(qū)。尤其在中東阿布扎比，其規(guī)?；\營的純無人Robotaxi即將邁入單車盈虧平衡階段，率先跑通商業(yè)閉環(huán)。
這些運營成績給了文遠知行加速擴張的底氣，預計將在2030年全球落地數(shù)萬臺Robotaxi。
文遠知行不僅在L4自動駕駛領(lǐng)域持續(xù)領(lǐng)先，在L2++高階智駕領(lǐng)域同樣位居行業(yè)第一梯隊。其與博世聯(lián)合推出的L2+一段式端到端輔助駕駛系統(tǒng)“WePilot 3.0”，被公認為當前最先進的量產(chǎn)ADAS系統(tǒng)之一。搭載該方案的奇瑞星途星紀元ES，在第一電動網(wǎng)舉辦的智駕大賽中連奪臺州、溫州站冠軍，并“全程零接管”，印證了技術(shù)落地能力。
一切成果背后的技術(shù)支點正是WeRide GENESIS。因為只有在虛擬世界里窮盡了所有的不確定性，才能在現(xiàn)實世界里換取百分之百的確定性，這正是物理AI時代的終極邏輯。
讓AI從數(shù)據(jù)中自主提煉物理與社會規(guī)律，形成對世界運作方式的抽象理解，也正是實現(xiàn)通用人工智能（AGI）的關(guān)鍵路徑之一。
2026年的物理AI浪潮中，文遠知行已率先打通從虛擬到現(xiàn)實、從算法到商業(yè)的完整閉環(huán)。通過對“模擬世界”的推演，自動駕駛正在成為人類最先完善的物理AI。
