2026年，被视为“物理AI”的元年。

在今年的CES上，作为全球AI领域的引航者，英伟达CEO黄仁勋用了90分钟的时间，核心只讲了一句话——“物理AI的‘ChatGPT时刻’已经到来”。随后，英伟达宣布更新Cosmos模型，正式从单纯的芯片供应商转型为物理AI的基建者，开启奔赴自动驾驶的大时代。

英伟达转身背后，AI大模型技术正在发生一场关键转折。从Cosmos模型的升级中可以看到，英伟达不再只是教AI如何识别障碍物，而是尝试让AI理解整个世界的物理法则。技术方向的切换，也印证着黄仁勋的判断：自动驾驶是这一轮AI大模型技术跃迁最先大规模落地场景。

就在全球巨头们集体寻找“物理AI答案”之际，1月28日，中国自动驾驶公司文远知行正式发布了自研通用仿真模型——WeRide GENESIS，给出了解法。

WeRide GENESIS不仅是仿真工具，更是一套为物理AI时代准备的、完整的自动驾驶研发与验证操作系统。文远知行利用生成式AI技术，贯通现实物理世界与虚拟仿真世界，快速构建高度真实的仿真城市环境，模拟各种极端长尾场景，完成场景反馈、参数调优、部署验证的闭环，进而降低传统道路测试所需的时间与成本。

巧合的是，GENESIS一词（全称为Generative Engineered Neural Environment for Simulated Intelligence in Self-driving），与《圣经·旧约》首卷“创世记”一词同名。这似乎也在隐喻着自动驾驶行业正迎来“创世时刻”——谁能更精准在云端复刻物理定律，谁就将掌握自动驾驶的绝对话语权。

在这场物理AI全球浪潮中，文远知行用实际行动回应了黄仁勋的预言。仿真模型的进化，正在推动自动驾驶跨越长尾问题的“最后一公里”，将物理AI具象化为可落地的产业实践。

物理AI的“奇点”

为什么仿真模型是必经之路？

短短两年，自动驾驶技术的进化幅度比过去几十年还要快。

在2025年，我们看到了L2+高阶ADAS方案激烈内卷，L3、L4牌照密集发放，头部Robotaxi玩家车队规模陆续突破千辆，自动驾驶技术正以前所未有的速度闯入现实世界。然而，这种加速度背后，却隐藏着行业对数据瓶颈的焦虑。

在自动驾驶上一轮的发展中，“端到端”被普遍认为是通往无人驾驶终局的技术答案。它抛弃了传统规则堆叠的繁琐，直接从数据提炼驾驶决策能力，推动自动驾驶系统在广泛场景中快速落地。

但对数据的依赖，也成了“端到端”的“阿喀琉斯之踵”。真实车队在物理世界中“跑街”采集数据，根本无法覆盖概率极低却致命的长尾场景，比如火灾、地震、道路掉落物、极端天气下的多车交互……这些场景往往需要百万甚至千万公里才能偶遇一次，单纯依赖路测，永远补不上模型进化的数据缺口。

为了弥补这部分缺少的数据，全球科技大厂都选择在物理AI领域疯狂投入。

其中，特斯拉构建了Dojo超算，用“暴力计算”承载模拟场景训练所需的算力。英伟达则是用Cosmos模仿物理法则，让自动驾驶理解真实世界的运动规律。Waymo推出了自动驾驶模拟软件Simulation City，用以生成极端场景、训练自动驾驶系统。

不难看出，大厂们切入物理AI的角度大致相同，都是在虚拟世界构建一个既遵循真实物理法则，又能无限生成复杂场景的“数字宇宙”。

同样，文远知行推出的WeRide GENESIS也是如此。不同于传统静态的仿真模型，WeRide GENESIS更像一个动态、可进化、可扩展的“游戏引擎”。

基于生成式AI，WeRide GENESIS只需几分钟即可构建出厘米级保真的虚拟城市环境，能复刻全球不同地区的路网结构、交通习惯、基础设施、气候条件与法律法规差异。对应现实中难以高频获取的极端长尾场景，WeRide GENESIS能系统性生成并回放演练，就像是在不断“开一局高难度游戏”，让自动驾驶系统在虚拟环境中完成高强度、高密度、高风险的训练与验证。

更重要的是，WeRide GENESIS还能结合实际采集的数据不断丰富虚拟世界的多样性。这对于本来就有量产落地的玩家来说，无疑相当于“数据越用越多”。

很显然，文远知行将物理AI与生成AI技术真正融合并落地。在WeRide GENESIS的架构下，仿真不再是静态的沙盘，而是动态的生态。利用生成式技术，仿真环境能生成无数个符合物理逻辑的复杂路况，从而填补“端到端”算法缺乏长尾数据的“拼图”。

跨越真实与虚拟

GENESIS重构自动驾驶训练场

事实上，从2024年开始，就陆续有自动驾驶玩家开始借用“3D世界重构+类Sora”的生成式AI来打造自动驾驶的仿真“训练场”。但很快，行业就遇到了“二律背反”难题。

从逻辑上说，如果仿真模型更依赖物理建模，那真实世界的复杂性就不可能完整保留。因为虚拟建模不可能保留真实世界所有的变数，类似夜间的灯光反射、雨雪天气对传感器数据的干扰等精细数据很难还原。如果更侧重于生成式AI，那大模型的“幻觉”问题就没法避免。例如扩散模型就常常生成前后逻辑不一致的画面，前一刻道路上的车辆正常向前，下一刻就变成倒退，这在物理世界根本不可能发生。

如何让仿真模型兼具物理世界的“保真度”和生成模拟场景的“准确性”？

WeRide GENESIS的答案是将仿真模型拆解为四个相互协同的AI模块，即AI场景、AI主体、AI指标、AI诊断。四大模块协同驱动，形成了一个从场景生成到性能优化的完整闭环。

AI场景模块负责构建各类关键情境。它能在数分钟内搭建出高度拟真的虚拟城市场景，复现全球各地路网设施、动态气候、环境细节与多样化交通行为。同时，根据文远知行在公开道路上采集到的极端案例，仿真模型能系统性模拟自动驾驶车辆可能遇到的极少数事件，生成例如临车侵入、火灾地震、道路受阻、极端天气等场景。

简单来说，AI场景就是确保自动驾驶模型能在熟悉的道路上，碰上“紧张又刺激”的稀有事件，从而实现自动驾驶算法完成极端情况的“专项训练”。

AI主体模块负责为虚拟交通参与者“注入灵魂”。在传统仿真模型中，交通博弈通常采用的是“平均化”模型。在这种模型的塑造下，道路交通往往呈现出相对理想的状态，这导致虚拟交通流缺乏真实世界的不可预测性。例如所有行人都遵循“看灯过马路”的行为模式，道路上也不会出现突然变道的车辆。

而AI主体模块的任务，就是利用AI Agent技术为驾驶员、行人、骑手等不同道路参与者构建全谱系的行为模型。完整模拟出道路场景中，从日常规范驾驶到高风险鲁莽行为的所有可能性。以下图为例，AI主体模块就优化了自车在调头场景的决策能力。

按照常规模拟方式（左），自车的规划路线（绿色线）一直防着右侧车（黄色方块）的侵入。结果就是仿真的小车跟自车都非常“怂”，迟迟不敢动身。如果让自车快速通过（中），那仿真出来的小车由于没有Agent能力，结果就是两车同时起步，导致相撞。在为仿真小车添加了Agent能力之后（右），自车跟仿真小车的行为逻辑就正常了，自车能迅速起步，仿真小车能有序通过。

安全是自动驾驶的基石，但不是全部，乘坐体验也是重中之重。

AI指标模块，就是根据安全、合规、舒适、效率等多维度建立的一套量化评估体系，它能将自动驾驶的行驶数据转化为可对比、可分析的指标。例如在道路被侵入的场景中，AI指标模块就实时打出了乘客舒适度评分。评分反馈能直接可视化，训练环节就能针对性优化与复验。值得一提的是，下图的画面、数据都是由WeRide GENESIS生成。目前行业要完成舒适性测试，基本都要靠真实场景测试完成。

最后是AI诊断模块，这部分是仿真系统对自动驾驶行为的自动检查，并提供问题溯源和修复建议。它能够自动捕捉不理想的驾驶行为、分析其根本原因并提供可执行的改进方案。修复后的算法可立即重新投入场景进行验证，形成“测试-改进-验证”的迭代闭环。这就能解决非常多技术开发人员自己都摸不着头脑的“疑难杂症”。

例如“幽灵刹车”这一自动驾驶领域非常棘手的难题，它出现的可能性很多，有可能是传感器将阴影、塑料袋误认成障碍物，也有可能是自动驾驶车辆对路锥、路标这些小型障碍物作出过度反应。问题造成的结果就是汽车莫名其妙刹车，乘坐体验非常差。AI诊断就能及时捕捉到这些异常的动作，然后自动分析改正，从而大幅减少模型迭代的时间。

总体来看，WeRide GENESIS的四大AI模块构成了能闭环的自动驾驶研发体系：自动生成高价值场景、自动量化性能瓶颈、自动定位弱点环节、自动给出优化方向。

这套机制不仅让自动驾驶算法的训练、验证与迭代实现在云端7x24小时不间断运行，将原本需要数年积累的路测经验压缩到数天的虚拟推演中。更是在物理AI与生成式AI之间，找到了真实与创造的“平衡点”。

更重要的一点是，WeRide GENESIS还具备极高的通用性。针对传统自动驾驶训练需要尽量保持传感器数据一致的痛点，WeRide GENESIS可以兼容不同传感器视角与汽车构型配置。这意味着，无论是L2+的高阶辅助驾驶，还是L4的Robotaxi、无人小巴、配送无人车，全都可以在一个平台完成训练，无需针对不同车辆重复开发仿真场景。这不仅优化了研发资源配置，更让文远知行的技术迭代进入“加速飞轮”状态。

当仿真模型推动技术研发进入到工业化时代，自动驾驶也来到了全球规模化落地的阶段。

以“平行宇宙”算力

驱动全球规模化落地

“毁灭你，与你何干。”

刘慈欣在《三体》中的一句话，点出了宇宙不同等级文明之间的鸿沟。在高等技术面前，落后者毫无还手之力。

现实亦是如此，技术上的高维突破，最终也将落地为商业上的降维打击。

2026年，是全球自动驾驶玩家备战规模化落地的一年。放眼L4赛道，特斯拉今年给出了可能“每月翻倍”的部署预期。坐拥2500辆车的Waymo，正在筹划一笔高达160亿美元的融资，以开启全球规模化部署。自动驾驶的行业竞争焦点已经不再是比拼技术能不能跑起来，而是比拼全球复制能不能快起来。

作为“全球Robotaxi第一股”，文远知行很早就意识到自动驾驶规模落地的重要性。

在过往的布局中，文远知行拿到了中国、阿联酋、新加坡、法国、美国、沙特、比利时、瑞士八国的自动驾驶牌照，自动驾驶产品落地全球11个国家超40个城市。文远知行深刻地感受到不同国家、城市的路网结构，交通习惯、气候条件、法规要求之间的千差万别，靠常规路测根本无法支撑自动驾驶快速落地。

WeRide GENESIS的出现，让文远知行的“AI司机”拥有了在虚拟世界中提前解锁“环球旅行”的能力，为其在物理AI新纪元与全球巨头扳手腕提供了底气。

基于WeRide GENESIS的通用和快速迭代的特性，新一代的自动驾驶产品能够摆脱对物理路测的线性依赖，无论是L2++辅助驾驶，还是L4级别的Robotaxi，都有能力在全球任一国家、任一城市落地运营。

这种全新的训练模式，极大降低了全球扩张的边际成本。落在现实世界中，就是无可比拟的落地速度与运营质量。

比如，在L4 Robotaxi赛道，文远知行的车队数量突破1023辆，正式迈入“千辆时代”，已经进入了全球10多座核心城市地区。尤其在中东阿布扎比，其规模化运营的纯无人Robotaxi即将迈入单车盈亏平衡阶段，率先跑通商业闭环。

这些运营成绩给了文远知行加速扩张的底气，预计将在2030年全球落地数万台Robotaxi。

文远知行不仅在L4自动驾驶领域持续领先，在L2++高阶智驾领域同样位居行业第一梯队。其与博世联合推出的L2+一段式端到端辅助驾驶系统“WePilot 3.0”，被公认为当前最先进的量产ADAS系统之一。搭载该方案的奇瑞星途星纪元ES，在第一电动网举办的智驾大赛中连夺台州、温州站冠军，并“全程零接管”，印证了技术落地能力。

一切成果背后的技术支点正是WeRide GENESIS。因为只有在虚拟世界里穷尽了所有的不确定性，才能在现实世界里换取百分之百的确定性，这正是物理AI时代的终极逻辑。

让AI从数据中自主提炼物理与社会规律，形成对世界运作方式的抽象理解，也正是实现通用人工智能（AGI）的关键路径之一。

2026年的物理AI浪潮中，文远知行已率先打通从虚拟到现实、从算法到商业的完整闭环。通过对“模拟世界”的推演，自动驾驶正在成为人类最先完善的物理AI。