華為乾崑先找到了那條終局之路

第一電動大牛作者汽車之心 2025-09-08 18:15

一個觀察，智駕走不走 VLA 路線業(yè)界還沒有共識，但對世界模型這種訓練方式，頭部玩家達成了一致。

今年上半年，華為乾崑、小鵬、理想等玩家都采用了世界模型作為云端訓練方式。所謂世界模型，就相當于在智駕系統(tǒng)的云端大腦里搭建了「虛擬沙盤」，能動態(tài)模擬周圍車、人、路以及周邊環(huán)境的狀態(tài)。

一個能給智駕「開副本」的世界模型，被看作 L2+躍入 L3 的關鍵跳板。

但能不能把世界模型的功能發(fā)揮到極致，得看根基。華為乾崑進入到了智能汽車的「雙百萬」階段：搭載華為乾崑智駕的車輛超過 100 萬輛、華為乾崑的激光雷達發(fā)貨量超過 100 萬部。

話說明白點，融合了世界模型的華為乾崑智駕 ADS 4，殺傷范圍更大。

8 月底，汽車之心搶先體驗了 ADS 4 的更新。在超過 2 個小時的上海核心城區(qū)的深度智駕體驗中，我們發(fā)現(xiàn)了 ADS 4 最大的提升——徹底區(qū)分了「接管率」和「智駕完結(jié)率」。

媒體測評角度的「接管率」，和用戶真實使用智駕的場景截然不同。

媒體測評雖然專業(yè)細致，但往往會留給智駕更多時間，等待它決策。用戶視角才是試金石，一旦智駕稍微不滿足預期，就會接管，過一會打開再用。這也導致大量用戶的城區(qū)智駕體驗都是「不連續(xù)的」。

這不是用戶的問題，而是智駕不好用的問題。華為乾崑智駕 ADS 4 最大的進步就是，復雜城區(qū)內(nèi)用戶的智駕完結(jié)率趨近于 100%。

這背后是 ADS 4 大版本更新采用了 WEWA 的技術架構(gòu)。WE 即云端的世界引擎，讓 AI 訓練 AI，WA 即車端的世界行為模型，相當于在車端生成多能專家，給人更安心的駕駛體驗。

如果沒有意外，WEWA 將會成為華為乾崑沖擊 L4，甚至 L5 的技術架構(gòu)。

華為乾崑智駕 ADS 4 采用 WEWA 架構(gòu)，也打響了一場無比殘酷的資源賽，為行業(yè)明確了三個賽點：

其一，仿真數(shù)據(jù)會成為主流。背后的仿真能力涉及到 AI 資源，甚至是推理卡的數(shù)量競爭。

其二，智駕競爭中后期，模型數(shù)據(jù)越積累越多，沉沒成本越來越大，越發(fā)考驗技術堅定性。

其三，用戶視角的「智駕完結(jié)率」，將會代替媒體視角的「接管率」。

以上三個賽點說的其實是一件事：一家公司必須找到不隨意改變、能支撐其走到終局的技術價值觀。

01、世界模型，為端到端「解渴」

智駕領域曾經(jīng)出現(xiàn)過三個進化階段。

第一個階段就是規(guī)則時代，類似于人類進化歷史中的「猿人」階段。

規(guī)則時代純粹是手敲代碼，寫出車輛通行的規(guī)則和邏輯。

最典型的就是 if 路口紅燈、then 車輛停，if 路口綠燈、then 車輛前進。路上的障礙物，更是千奇百怪。即便工程師已經(jīng)將各種大型車輛輸入白名單，但如果路上出現(xiàn)一個環(huán)衛(wèi)工人推著四個輪子的垃圾桶。

一個移動垃圾桶，閣下又該如何應對？

在規(guī)則時代，工程師們在寫一本永遠寫不完的交通法典，就像猿人在森林中艱難生存，處處碰壁之后才能清楚生存法則。

直到第二個階段，進入端到端時代。

這就像智人時代，人類開始廣泛學會使用工具。在端到端階段，智駕玩家開始琢磨用統(tǒng)一的 AI 模型將傳感器數(shù)據(jù)映射為車輛的控制指令。

一層提升在于重塑智駕系統(tǒng)的底層架構(gòu)，減少了模塊之間的數(shù)據(jù)損失和傳輸時延。另一層在于體驗提升，一段式端到端可以讓系統(tǒng)模仿人類學習開車提升體驗。

但模仿人是有局限性的。過去一年，頭部智駕公司都在抱怨同一件事兒：智駕數(shù)據(jù)的質(zhì)量太差了。

有的公司要么花大價錢請來優(yōu)質(zhì)司機組建一支幾百人車隊，為系統(tǒng)收集數(shù)據(jù)。要么在海量用戶數(shù)據(jù)里研發(fā)一套系統(tǒng)精挑細選高質(zhì)量數(shù)據(jù)，費時費力。

兩個方法都殊途同歸，費時、費力、費錢，效果一般。就像智人已經(jīng)學會了使用各種工具提高生存效率，可以適應環(huán)境，但遠遠無法改變環(huán)境，其中欠缺的就是對于環(huán)境和未來的想象力。

第三個階段到了世界模型，核心在于理解力和想象力。

所謂想象力，就是 AI 給系統(tǒng)打造了一個接近于真實的平行世界。

理解能力就是讓系統(tǒng)學一套百科全書：石頭是硬的、泡沫是軟的、雨天駕駛要注意防滑等等。

世界模型可以基于理解能力在推演「如果... 會...」的問題。如果右側(cè)車道的車靠得太近，車輛靠左行駛，會不會更安全一點？如果車輛加速通過遠離右側(cè)車，這樣的決策是不是更好？

世界模型就相當于云端訓練場，為智駕帶來了三個能力的提升：

第一重能力在于生成仿真數(shù)據(jù)，解決了過去智駕數(shù)據(jù)稀缺的問題。

如果智駕只用真實駕駛數(shù)據(jù)訓練，千奇百怪的高難度場景，一年到頭都碰不到幾次。而世界模型一箭雙雕，不僅可以降本，而且能生成現(xiàn)實世界里很難收集到的場景數(shù)據(jù)。比如極端場景下的近距離加塞、施工前車急剎、鬼探頭等等。

第二重能力在于世界模型具備一定可解釋性與泛化性。

世界模型的決策過程不是依靠直覺，而是通過因果關系推理得出的。

世界模型融合了世界運轉(zhuǎn)的基本規(guī)律，依賴的是物理世界「第一性原理」，因此世界模型中系統(tǒng)的決策可以追溯和還原。這種可解釋性為智駕帶來更好的可控性。

第三重在仿真世界中訓練智駕，可以達到 AI 訓練 AI 的效果。

世界模型所構(gòu)建的沙盤，也是復雜的智駕試驗場。

智駕系統(tǒng)可以在同一個場景里反復測試不同參數(shù)下的智駕效果，在網(wǎng)絡環(huán)境中對車輛做獎懲制度，從而來提升模型性能。比如在復雜路口博弈場景中，人類司機無法一次性在現(xiàn)實場景中就作出最優(yōu)策略，但在世界模型里系統(tǒng)可以「無限重開」，直到得出最優(yōu)策略。

所以世界模型具備了兩個與人類認知機制一致的特征：理解、想象，但卻比人多了「重開」的能力——在數(shù)次反復訓練中，用最短時間找到最優(yōu)解策略。

這也是世界模型能從類人到超人的根本邏輯。

02、老師傅配合大專家，訓出 AI 老司機

盡管世界模型成為自動駕駛未來發(fā)展的「最大公約數(shù)」，但不是所有玩家都能走好這條路。

橫亙在世界模型面前的，還有兩道工程化難題：

其一，平行時空帶來的不真實性。現(xiàn)實交通并不是簡單的幾何建模，而是一場復雜的物理實驗，任何偏差如果未被世界模型捕捉到，都會被放大成系統(tǒng)誤判，最終在真實道路上穿幫。

其二，自由度過高帶來的不確定性。生成式 AI 一旦時長過長，AI 的幻覺詬病就會使得系統(tǒng)放飛自我，車輛如果在失真場景中訓練，就容易輸出脫離實際路況的危險控制指令。

華為乾崑沒有回避這兩個問題，而是通過一種精密的架構(gòu)設計給出答案。

在 WEWA 架構(gòu)上，云端與車端形成明確分工：

云端的 WE（World Engine，世界引擎）是 AI 訓練的基本盤，負責在虛擬世界里不斷淬煉駕駛智慧；
車端的 WA（World Action Model，世界行為模型）則是專為智能駕駛打造的一段式端到端架構(gòu)，把云端學到的能力高效落地到真實道路。

WE 要完成兩件事：一是真實，二是可控。

關于真實，華為乾崑依托云端充沛的算力與自研仿真工具鏈，打造出平行時空的「微觀級」復刻，確保 AI 在虛擬世界學到的每一個制動動作，都能在現(xiàn)實中精準復現(xiàn)。

而在可控層面，WE 給 AI 安排了一套「地獄級通關副本」。借助擴散生成模型，系統(tǒng)能夠?qū)⒁粋€極端場景無限擴散成高質(zhì)量、高密度的難例場景數(shù)據(jù)，包括鬼探頭、前車急剎、紅綠燈路口的混亂局面等，甚至可以把難例密度提高 1000 倍。

然后，讓 AI 通過「題海戰(zhàn)術」反復刷這些極端難題，把危險情境練到肌肉記憶。

在 ADS 4 體驗中，我們也實測了一把地獄場景，把車開進了上海逼仄的小巷，在違規(guī)臨停車占據(jù)部分單行道情況下，對向還遇到逆行電動車，放在日常，只有經(jīng)驗豐富的老司機才能從容應對，但 ADS 4 系統(tǒng)沒有任何猶豫，直接做到了絲滑避障。

而 WE 的另一層優(yōu)勢在于打通 L3。當很多車企還卡在 L3 路測關口時，華為乾崑已經(jīng)在世界模型里先行點亮了綠燈。

截至 2025 年 4 月，華為乾崑在世界引擎中完成了超過 6 億公里的高速 L3 仿真驗證。

也可以理解為，WE 相當于是一個 AI 老師傅，給 AI 不斷進行高強度訓練。此外，老師傅還在通過嚴厲的獎懲機制對違背物理規(guī)律的決策實時糾錯，始終教導 AI 安全優(yōu)先。這就相當于，AI 刷完題還得考試，知道丟分點在哪，才能不斷往滿分的標準靠攏。

而 WA 的使命很簡單：牢記師傅教的本領，在真實道路上完美執(zhí)行。

和行業(yè)里常見的「改造版」不同，很多輔助駕駛系統(tǒng)都是拿通用大模型改一改再上車，結(jié)果模型笨重，時延高，車端運行吃力。而 WA 是從零開始為智能駕駛打造的「原生基模型」，一出生就是為開車而生。

它能同時處理視覺、聽覺、觸覺等多種傳感器信息，把這些復雜的感知數(shù)據(jù)「翻譯」成統(tǒng)一的語言，再交給模型去理解和決策。

在架構(gòu)上，WA 采用了 MoE（多專家模型）。不同場景交給不同「專家」處理。比如遇到復雜路口，就由路口專家出手；在高速上突遇障礙，就交給避險專家來應對。

這樣的機制讓車輛既能精準下達控車指令，又能提前幾步預判其他車輛的動作。比如，當前方來車時，系統(tǒng)預判，按照當前速度會遇到博弈情況，于是選擇向左變道，保證行駛的效率與舒適性。

云端的「老師傅」和車端的「多能專家」形成合力，讓系統(tǒng)逐漸成長為懂得人類價值觀的老司機。數(shù)據(jù)層面，相比 ADS 3，在 ADS 4 加持下，系統(tǒng)端到端時延縮短了 50%，車輛反應更快、變道更順滑；無效變道明顯減少，整體通行效率提升 20%；具備了「預見式駕駛」能力，緊急重剎率下降 30%。

而這樣的智駕能力，才能跳出媒體視角下「接管率」的單一評價體系，直接接受用戶視角中「智駕完結(jié)率」的實際檢驗。

相當于，ADS 4 并非在媒體的反復測試中勉強達成任務，而是能讓用戶真正產(chǎn)生信任并愿意高頻使用，而這才是智駕產(chǎn)品的核心價值所在。

03、流水的技術浪潮，鐵打的華為乾崑 ADS

如果說過去十年的智能駕駛賽道是一場馬拉松，那么華為乾崑幾乎是唯一一個既能在技術上不斷「加速」，又能在安全性上始終「剎得住」的選手。

回顧華為乾崑 ADS 的進化脈絡，可以看到 ADS 走得極其穩(wěn)健，并且每一步都踩在用戶真實需求的鼓點上。

ADS 1 ：城區(qū) NCA 功能率先商用，將智能駕駛從高速限定區(qū)域推向城市街道；
ADS 2 ：實現(xiàn)「無圖+全國都能開」，并首發(fā)全向主動安全功能，徹底解決了「地圖畫不到的地方就開不了」的尷尬；
ADS 3 ：不再滿足于「全國都能開」，而是「全國都好開」，并推出「車位到車位」，補上最后一公里的體驗短板；
ADS 4 ：推開 L3 大門，帶來 WEWA 世界模型這套「技術內(nèi)功」，更用 CAS 4.0 全維防碰撞系統(tǒng)，把安全防護網(wǎng)織得更密。