2026年，被視為「物理AI」的元年。

在今年的CES上，作為全球AI領域的引航者，英偉達CEO黃仁勳用了90分鐘的時間，核心只講了一句話——「物理AI的‘ChatGPT時刻’已經到來」。隨後，英偉達宣佈更新Cosmos模型，正式從單純的芯片供應商轉型為物理AI的基建者，開啓奔赴自動駕駛的大時代。

英偉達轉身背後，AI大模型技術正在發生一場關鍵轉折。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。技術方向的切換，也印證着黃仁勳的判斷：自動駕駛是這一輪AI大模型技術躍遷最先大規模落地場景。

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與驗證操作系統。文遠知行利用生成式AI技術，貫通現實物理世界與虛擬仿真世界，快速構建高度真實的仿真城市環境，模擬各種極端長尾場景，完成場景反饋、參數調優、部署驗證的閉環，進而降低傳統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《聖經·舊約》首卷「創世記」一詞同名。這似乎也在隱喻着自動駕駛行業正迎來「創世時刻」——誰能更精準在雲端復刻物理定律，誰就將掌握自動駕駛的絕對話語權。

在這場物理AI全球浪潮中，文遠知行用實際行動回應了黃仁勳的預言。仿真模型的進化，正在推動自動駕駛跨越長尾問題的「最後一公里」，將物理AI具象化為可落地的產業實踐。

物理AI的「奇點」

為什麼仿真模型是必經之路？

短短兩年，自動駕駛技術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方案激烈內卷，L3、L4牌照密集發放，頭部Robotaxi玩家車隊規模陸續突破千輛，自動駕駛技術正以前所未有的速度闖入現實世界。然而，這種加速度背後，卻隱藏着行業對數據瓶頸的焦慮。

在自動駕駛上一輪的發展中，「端到端」被普遍認為是通往無人駕駛終局的技術答案。它拋棄了傳統規則堆疊的繁瑣，直接從數據提煉駕駛決策能力，推動自動駕駛系統在廣泛場景中快速落地。

但對數據的依賴，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」採集數據，根本無法覆蓋概率極低卻致命的長尾場景，比如火災、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據缺口。

為了彌補這部分缺少的數據，全球科技大廠都選擇在物理AI領域瘋狂投入。

其中，特斯拉構建了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。

不難看出，大廠們切入物理AI的角度大致相同，都是在虛擬世界構建一個既遵循真實物理法則，又能無限生成複雜場景的「數字宇宙」。

同樣，文遠知行推出的WeRide GENESIS也是如此。不同於傳統靜態的仿真模型，WeRide GENESIS更像一個動態、可進化、可擴展的「遊戲引擎」。

基於生成式AI，WeRide GENESIS只需幾分鐘即可構建出釐米級保真的虛擬城市環境，能復刻全球不同地區的路網結構、交通習慣、基礎設施、氣候條件與法律法規差異。對應現實中難以高頻獲取的極端長尾場景，WeRide GENESIS能系統性生成並回放演練，就像是在不斷「開一局高難度遊戲」，讓自動駕駛系統在虛擬環境中完成高強度、高密度、高風險的訓練與驗證。

更重要的是，WeRide GENESIS還能結合實際採集的數據不斷豐富虛擬世界的多樣性。這對於本來就有量產落地的玩家來說，無疑相當於「數據越用越多」。

很顯然，文遠知行將物理AI與生成AI技術真正融合併落地。在WeRide GENESIS的架構下，仿真不再是靜態的沙盤，而是動態的生態。利用生成式技術，仿真環境能生成無數個符合物理邏輯的複雜路況，從而填補「端到端」算法缺乏長尾數據的「拼圖」。

跨越真實與虛擬

GENESIS重構自動駕駛訓練場

事實上，從2024年開始，就陸續有自動駕駛玩家開始借用「3D世界重構+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，那真實世界的複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，類似夜間的燈光反射、雨雪天氣對傳感器數據的干擾等精細數據很難還原。如果更側重於生成式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後邏輯不一致的畫面，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同的AI模塊，即AI場景、AI主體、AI指標、AI診斷。四大模塊協同驅動，形成了一個從場景生成到性能優化的完整閉環。

AI場景模塊負責構建各類關鍵情境。它能在數分鐘內搭建出高度擬真的虛擬城市場景，復現全球各地路網設施、動態氣候、環境細節與多樣化交通行為。同時，根據文遠知行在公開道路上採集到的極端案例，仿真模型能系統性模擬自動駕駛車輛可能遇到的極少數事件，生成例如臨車侵入、火災地震、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」。在傳統仿真模型中，交通博弈通常採用的是「平均化」模型。在這種模型的塑造下，道路交通往往呈現出相對理想的狀態，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，道路上也不會出現突然變道的車輛。

而AI主體模塊的任務，就是利用AI Agent技術為駕駛員、行人、騎手等不同道路參與者構建全譜系的行為模型。完整模擬出道路場景中，從日常規範駕駛到高風險魯莽行為的所有可能性。以下圖為例，AI主體模塊就優化了自車在調頭場景的決策能力。

按照常規模擬方式（左），自車的規劃路線（綠色線）一直防着右側車（黃色方塊）的侵入。結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於沒有Agent能力，結果就是兩車同時起步，導致相撞。在為仿真小車添加了Agent能力之後（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，就是根據安全、合規、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據轉化為可對比、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，訓練環節就能針對性優化與複驗。值得一提的是，下圖的畫面、數據都是由WeRide GENESIS生成。目前行業要完成舒適性測試，基本都要靠真實場景測試完成。

最後是AI診斷模塊，這部分是仿真系統對自動駕駛行為的自動檢查，並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、分析其根本原因並提供可執行的改進方案。修復後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。這就能解決非常多技術開發人員自己都摸不着頭腦的「疑難雜症」。

例如「幽靈剎車」這一自動駕駛領域非常棘手的難題，它出現的可能性很多，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。問題造成的結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，然後自動分析改正，從而大幅減少模型迭代的時間。

總體來看，WeRide GENESIS的四大AI模塊構成了能閉環的自動駕駛研發體系：自動生成高價值場景、自動量化性能瓶頸、自動定位弱點環節、自動給出優化方向。

這套機制不僅讓自動駕駛算法的訓練、驗證與迭代實現在雲端7x24小時不間斷運行，將原本需要數年積累的路測經驗壓縮到數天的虛擬推演中。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。針對傳統自動駕駛訓練需要儘量保持傳感器數據一致的痛點，WeRide GENESIS可以兼容不同傳感器視角與汽車構型配置。這意味着，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，全都可以在一個平台完成訓練，無需針對不同車輛重複開發仿真場景。這不僅優化了研發資源配置，更讓文遠知行的技術迭代進入「加速飛輪」狀態。

當仿真模型推動技術研發進入到工業化時代，自動駕駛也來到了全球規模化落地的階段。

以「平行宇宙」算力

驅動全球規模化落地

「毀滅你，與你何干。」

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。在高等技術面前，落後者毫無還手之力。

現實亦是如此，技術上的高維突破，最終也將落地為商業上的降維打擊。

2026年，是全球自動駕駛玩家備戰規模化落地的一年。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160億美元的孖展，以開啓全球規模化部署。自動駕駛的行業競爭焦點已經不再是比拼技術能不能跑起來，而是比拼全球複製能不能快起來。

作為「全球Robotaxi第一股」，文遠知行很早就意識到自動駕駛規模落地的重要性。

在過往的佈局中，文遠知行拿到了中國、阿聯酋、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、城市的路網結構，交通習慣、氣候條件、法規要求之間的千差萬別，靠常規路測根本無法支撐自動駕駛快速落地。

WeRide GENESIS的出現，讓文遠知行的「AI司機」擁有了在虛擬世界中提前解鎖「環球旅行」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。

基於WeRide GENESIS的通用和快速迭代的特性，新一代的自動駕駛產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。落在現實世界中，就是無可比擬的落地速度與運營質量。

比如，在L4 Robotaxi賽道，文遠知行的車隊數量突破1023輛，正式邁入「千輛時代」，已經進入了全球10多座核心城市地區。尤其在中東阿布扎比，其規模化運營的純無人Robotaxi即將邁入單車盈虧平衡階段，率先跑通商業閉環。

這些運營成績給了文遠知行加速擴張的底氣，預計將在2030年全球落地數萬台Robotaxi。

文遠知行不僅在L4自動駕駛領域持續領先，在L2++高階智駕領域同樣位居行業第一梯隊。其與博世聯合推出的L2+一段式端到端輔助駕駛系統「WePilot 3.0」，被公認為當前最先進的量產ADAS系統之一。搭載該方案的奇瑞星途星紀元ES，在第一電動網舉辦的智駕大賽中連奪台州、溫州站冠軍，並「全程零接管」，印證了技術落地能力。

一切成果背後的技術支點正是WeRide GENESIS。因為只有在虛擬世界裏窮盡了所有的不確定性，才能在現實世界裏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從數據中自主提煉物理與社會規律，形成對世界運作方式的抽象理解，也正是實現通用人工智能（AGI）的關鍵路徑之一。

2026年的物理AI浪潮中，文遠知行已率先打通從虛擬到現實、從算法到商業的完整閉環。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。