文远发布物理AI大模型WITT：让每一公里都变成模型能力

杰西卡 发自 副驾寺
智能车参考 | 公众号 AI4Auto

自动驾驶跑出的里程越多，模型就越聪明？

不见得。

一辆测试车，每天可以产生数小时道路视频，一支千辆规模的车队，积累的数据量更是难以估算。但其中大部分是重复发生的日常场景，还混杂着人为接管、无效片段和识别错误。

真正能推动模型进化的，往往只是少数长尾数据。

问题是，从几万小时视频中找出“施工区域内行人突然横穿”“雨天低能见度下车辆压线”“窄路会车时异常减速”，无疑是一项庞大的工程。

即便大模型能够看懂视频，也可能遗漏目标、弄错时序，甚至生成现实中并未发生的情节。

文远知行刚刚发布的物理AI认知基础大模型WITT，瞄准的就是这一层瓶颈。

在VLM基础上，WITT首次引入了“最小物理事实单元”概念，把连续变化的真实道路场景拆解成可被识别、验证的事实单元，重构AI对物理世界的理解框架。

官方称，WITT最高能够将数据处理效率提升200倍，单卡单日处理1万分钟车辆运行视频；在自动驾驶场景中，每段视频的平均事实错误率约为通用大模型的三分之一。

这就是文远在做的事：是让自动驾驶车辆跑过的每一公里，都有机会真正进入模型的进化链路。

文远WITT：把道路视频拆成“物理事实”

文远知行刚刚发布的WeRide WITT（World Intelligence Toward Truth），意为“以可信事实建立世界认知”，致敬了哲学家维特根斯坦提出的“世界是事实的总和”。

这个寓意落到自动驾驶研发里，可以理解为一个更具体的目标：先确认道路上究竟发生了什么。

文远为此提出了“最小物理事实单元”的概念，将连续、复杂的道路视频，转化成模型能够直接使用的结构化信息。

据文远透露，之所以做这件事，和自动驾驶数据形态的变化直接相关。

过去，自动驾驶公司的车队规模有限，核心任务是尽可能多地采集真实道路数据。谁的测试里程更长、覆盖城市更多，往往意味着见过的场景更多。

随着Robotaxi车队扩大、L2辅助驾驶车型规模上车，数据开始迅速堆积。但一公里道路数据和另一公里道路数据，价值可能相差很大。

正常直行十公里，未必比一次施工区突然横穿更值得学习；一段车辆接管视频，也未必代表自动驾驶系统出现问题，可能只是安全员提前干预。

未经理解和验证的数据直接进入训练，无法稳定推动模型进化，甚至会把错误信号带入模型。高价值长尾场景，则很容易淹没在海量视频中。

工程师想查找“低能见度下前车压线”，传统方式依赖预先设计的标签。标签体系没有覆盖这个维度，数据即使已经存在，也很难被快速找到。

围绕这些问题，WITT形成了事实提取、事实推理、事实验证、事实编排四大核心能力，贯通从识别道路场景、归因关键事件，到检查数据质量、安排学习路径的完整流程。

首先是事实提取。WITT会从标准驾驶行为、多主体交互和复杂物理条件等维度，识别视频中的“最小物理事实单元”。

一段车辆在雨夜通过城市路口的视频，可以被拆解为自车右转、城市道路、交叉路口、信号灯状态变化、低能见度，以及周围交通参与者动作等多个事实。

每一项事实都可以独立检索，并追溯到对应的视频画面和时间点。

基于这些事实单元，WITT内置的视频数据引擎，还允许工程师通过关键词或自然语言检索道路视频。

例如输入“寻找施工区域内行人突然横穿的片段”，WITT可以直接定位相关视频、目标主体和发生时间，不再要求工程师逐段查看，也不必提前为所有复杂场景设计标签。

这相当于让自动驾驶道路视频，也拥有了类似文本的搜索能力。过去已经采集、却很难被找到的长尾数据，开始能够被重新调用。

但找到视频只是第一步。同样一次自车异常减速，可能由前车急刹、行人靠近道路、车道变窄引起，也可能来自自动驾驶策略过于保守。

这对应了WITT第二项能力——事实推理。

WITT还会分析场景中的主体关系、关键事件、风险变化和后续演化趋势，进一步判断问题为何发生。

自动驾驶工程师得到的不再只是一段“出现异常”的视频，还包括事件发生前后的事实链路。

这能解决研发过程中另一个常见痛点：视频已经找到了，问题仍然难以定位。

第三项能力是事实验证。

通用大模型在理解道路视频时，也可能出现幻觉、遗漏和时序错误。它可能没有识别到画面边缘的骑行者，也可能颠倒车辆减速和行人出现的先后顺序。

在日常视频问答中，这类错误或许只会影响答案质量；进入自动驾驶训练链路后，错误描述可能导致样本被错误分类，进一步影响模型训练和评测。

WITT为此从弱势道路使用者、自车行为、他车行为、场景理解、事实完备性和交通设施六个维度，对模型输出进行评估，同时引入事实置信度，并调用外部物理证据反向验证结论。

文远将这套机制称为“6+1事实验证”。

通过追踪事实错误、幻觉、遗漏和时序错误，WITT可以在数据进入训练之前，先判断模型究竟有没有看错。

据文远内部测试，WITT在自动驾驶垂类场景中的平均每片段事实错误率，约为通用大模型的三分之一。

完成识别、推理和验证后，最后一步是事实编排。

不同道路视频，学习价值并不相同。WITT会根据数据的稀缺程度、可信度和训练价值，对视频进行智能分流：

稀缺长尾场景被送入文远自研世界模型GENESIS，用于生成更多仿真场景和训练样本；高频日常场景用于强化学习和流程优化；存在异常或置信度不足的片段则进入人工复核。

这一步让WITT超出了单纯的视频理解工具。它开始介入自动驾驶的数据闭环，决定每一段视频具有什么学习价值，以及应该进入训练、仿真还是复核链路。

至此，WITT的四项能力形成了一条完整链路：

事实提取负责确认发生了什么，事实推理负责解释事件如何形成，事实验证负责检查判断是否可信，事实编排则决定这些数据接下来如何被模型学习。

支撑这套数据链路规模运转的，是WITT的工程处理效率。

文远披露，WITT相较百B级通用大模型，在同类任务中可以节省98%的Token成本，单卡单日处理1万分钟车辆运行视频，最高实现200倍数据处理效率提升。

标签模式下，WITT一次请求可以输出100多个动态标签。可见WITT方向已经很明确——

WITT追求的并非把视频描述得更生动，而是用更低成本，把更多真实道路数据送进模型迭代。

但这套能力能否真正产生价值，还需要两个条件：

前端要有足够多、足够复杂的真实道路数据；后端也要有承接这些数据的模型和量产产品。

这恰好和文远目前同时推进的两条业务线对应上了。

3000辆L4车队，开始接入量产智驾

根据文远披露，目前其自动驾驶产品已经落地12个国家、40多座城市。

其L4自动驾驶车队规模超过3000辆；其中，Robotaxi已在广州、北京、阿布扎比和迪拜等城市，开展常态化纯无人商业运营。

这些车辆长期运行，意味着文远每天都会获得大量来自真实道路的数据。

但车队规模本身，并不会自动转化成模型能力。

L4车辆在道路上遇到一次复杂场景，工程师还需要找到这段视频、确认具体问题、验证识别结论，再将它转化成可以训练的样本。

WITT负责的就是完成这条链路的前半段。它从真实道路视频中提取、推理和验证事实，筛选出值得训练的场景。

负责后半段的，则是文远此前发布的世界模型GENESIS：根据这些真实事实，生成更多高保真仿真场景和长尾变体。

例如，一辆Robotaxi在雨天施工路段遇到行人横穿。WITT会先识别道路条件、行人行为、自车动作和风险变化，再将这一稀缺场景送入GENESIS。

GENESIS可以在原始场景基础上，改变雨量、道路宽度、行人速度、横穿位置和周围车辆数量，生成更多相似但不完全相同的训练样本。这些样本随后用于训练车端模型，再部署回真实车辆。

文远将这套循环称为物理AI飞轮。

从其公布的架构看，WITT和GENESIS共同位于云端，前者理解和验证真实世界，后者负责扩展和生成场景，最终协同训练L4与L2++车端模型。

这套飞轮最直接的意义，是文远正在把L4和L2++之间的“反哺”路径进一步具体化。

行业一直在讲L4降维量产、Robotaxi数据反哺辅助驾驶，但具体如何反哺，往往只停留在技术路线层面。

WITT发布后，这条路径被拆成了更清楚的步骤：

L4车队负责产生高复杂度真实场景，WITT负责提炼和验证，GENESIS负责扩展，最终同时训练L4和L2++车端模型。

文远的L2++一段式端到端方案WRD 3.0，正是这套能力的另一个出口。

按照文远披露，WRD 3.0目前已经获得近30个车型定点，并量产上车奇瑞星途星纪元、广汽埃安N60等车型，同时进入德国、法国和日本等市场。

这意味着，L4车队积累的数据不再只服务于Robotaxi，也可能进入更大规模的量产辅助驾驶体系。两条业务的数据特征又刚好互补。

L4车队规模相对有限，但运营场景复杂，能够积累更高价值的长尾数据；L2++量产车型覆盖范围更广，可以带来更多城市、道路和用户驾驶习惯。

WITT与GENESIS如果能够同时处理两端数据，文远就有机会形成双向循环：

L4提供复杂场景，L2++扩大数据覆盖；云端模型完成理解和生成，车端产品继续产生新的真实数据。

相比只在数字环境中处理文字和图像的通用大模型，自动驾驶系统需要持续面对真实道路中的物理约束。

车辆运动、行人行为、道路规则和风险变化，都不能只靠语言层面的相关性进行推测。模型必须理解真实世界发生了什么，还要让结论经得起物理证据验证。

自动驾驶，恰好是物理AI较早进入规模商业验证的领域。车辆已经在道路上长期运行，模型的每一次判断都会转化为真实动作，错误也会直接暴露在现实环境中。

这使得文远有机会用L4车队和L2++量产业务，验证WITT究竟能否提高数据利用率、缩短模型迭代周期。

未来衡量自动驾驶公司的核心资产，可能也会出现一个新的尺度：

每一公里真实道路，究竟需要多久，才能变成下一版模型的能力