近日，自動駕駛企業文遠知行WeRide發布了自研的物理AI認知基礎大模型WeRide WITT（World Intelligence Toward Truth）。

　　「WITT」這個名字致敬了20世紀哲學家路德維希·維特根斯坦——他提出「世界是事實的總和」，這與物理AI的底層邏輯高度契合：AI要認知真實世界，必須從環境、行為、規則、風險與時序關係中提煉可信事實。

　　隨着物理AI落地進程加速，自動駕駛成為首個可被大規模商業化驗證的賽道，但痛點也集中顯現：數據越來越多，但真正有訓練價值、評測價值和迭代價值的數據，並不容易被高效識別；高價值長尾樣本稀缺，L4實際運營與L2量產數據中混雜着人為接管、無效片段等噪聲；通用大模型在理解複雜交通場景時，也容易產生幻覺與誤判。

　　根據文遠知行提供的資料，WITT的應對方式是引入「最小物理事實單元」概念，將連續變化的真實場景拆解為可被識別和驗證的事實單元。

　　舉例來說，一段夜間雨天城市道路行車的視頻，會被WITT拆解為「自車右轉、城市道路、交叉口、路口信號變化」等多個事實單元。每個事實單元都具備高置信、可校準、可追溯的特徵。

　　在此基礎上，WITT形成了四大核心能力：

　　事實提取：從標準駕駛事實、多主體交互事實和物理模糊條件三個維度識別最小物理事實單元。

　　事實推理：支持通過關鍵詞或自然語言問題快速檢索海量視頻數據，精準定位「施工區域內行人突然橫穿」等長尾場景。

　　事實驗證：從弱勢道路使用者、自車行為、他車行為、場景理解、事實完備性和交通設施六個維度評估模型輸出，引入事實置信度反向驗證；在自動駕駛垂類場景中，平均每片段事實錯誤率約為通用大模型的三分之一。

　　事實編排：按學習價值對事實視頻智能分流，長尾場景迴流至世界模型WeRide GENESIS用於仿真訓練，高頻日常場景用於強化學習。

　　工程效率上，相較於動輒百B級參數的通用大模型，WITT以更輕量的模型規模，在同類任務中可節省98%的Token成本，單卡單日可處理1萬分鍾車輛運行視頻，最高實現200倍數據處理效率提升；標籤模式下單次請求即可輸出100餘個動態標籤。

　　在業內人士看來，WITT的發布，本質上是文遠知行在「數據—算法—商業化」閉環效率上的一次押注——它試圖回答一個核心問題：當車隊規模從百輛級躍遷至千輛、萬輛級時，如何用更低的算力成本處理指數級增長的數據？

　　但技術升級能否轉化為可持續的商業模式，還要看兩個變量：一是WITT帶來的數據處理效率提升，能否實質性地壓縮文遠知行的研發與運營開支；二是L4車隊的規模化擴張速度，能否跟上「2026年規模化落地元年」的行業預期。

　　中信建投等機構在研報中提示，2026年Robotaxi行業將迎來擴張潮，高盛將2026年中國Robotaxi車隊規模預測上調至1.4萬輛。在這個時間窗口裏，誰先跑通「千輛級車隊自我造血」的經濟模型，誰就握住了下一輪競爭的主動權。

（文章來源：南方都市報）