百度 Apollo 发布世界模型 Apollo World，用于无人驾驶训练

用 AI 教 AI 开车，百度 Apollo World 世界模型亮相

IT之家 11 月 3 日消息，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 据IT之家了解，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： 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。 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： 百度称，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。