百度 Apollo World 拆解：智能体驱动的世界模型，和它的「2+3」标准

blackappleD
0 阅读13分钟

11 月 3 日，百度在深圳的 AI Day·Apollo 专场上第一次公开了 Apollo World，官方的说法是「面向物理 AI 的智能体驱动全模态世界模型」，已经用在萝卜快跑的全球化测试和验证里。同场还给出了一套判断「什么才算世界模型」的「2+3」标准。

世界模型这两年大多是以「生成逼真视频」的样子出现的，百度这次换了个说法：首席架构师王亮说，世界模型不能只当「生成炫酷视频的画师」，更要当验证无人驾驶安全性的「考官」。下面从这句话说起，看 Apollo World 怎么设计、和 Waymo、特斯拉的路线差在哪，以及百度没讲的部分。

说明：截至写作时（11 月 4 日），我没有找到百度发布的书面新闻稿、论文或技术报告。下文的事实来自发布会现场发言，经路透社、证券时报、网易、快科技等多家报道交叉核对。各家说法不一致的地方，会单独写出来。

它是什么

项目内容
名称Apollo World
发布2026-11-03，百度 AI Day·Apollo 专场（深圳）
官方定位面向物理 AI 的智能体驱动全模态世界模型
用途给萝卜快跑的 AI Driver 提供虚拟训练、验证和迭代环境
能力（官方称）交通参与者都是能决策、能交互的 AI 智能体；实时生成相机画面、激光雷达点云等观测；支持任意起终点的完整出行任务
部署跑在百度数据中心，不上车；目前只供内部使用，没有对外开放的计划
架构、参数量、训练数据规模未公开
论文 / 开源没有
后续扩展（官方称）技术栈可以延伸到机器人等其他物理 AI 场景

同场公布的萝卜快跑数据（百度自报）：全球 28 座城市，累计出行服务超过 2300 万次，自动驾驶里程超过 3.5 亿公里，其中全无人驾驶超过 2.4 亿公里，左舵和右舵市场都有无人驾驶运营。

「2+3」标准：先定义什么叫世界模型

这次发布里我觉得最值得看的反而是这套判定标准：它说明了百度怎么理解「世界模型」，Apollo World 后面的设计也是照着它来的。

两个门槛，决定算不算世界模型：

  1. 因果性：时间单向，由过去决定未来。模型根据当前状态预测下一刻，不是把画面拼起来、再反推过去。
  2. 交互性：能对外部干预做出响应。注入一个动作，后面的世界状态就要跟着变。

三个进阶指标，决定好不好用：

  1. 物理准确性：模拟出来的东西符不符合现实规律，在里面学到的能力能不能迁回真实世界。
  2. 持久性：长时间运行稳不稳，物体和细节会不会漂移。
  3. 实时性：时延低，世界变复杂了推理时间也不跟着涨。

这套标准把一大类东西排除在外了。一个视频生成模型，哪怕画面再真，只要不能接受「我现在要变道」这样的输入并给出后果，按这个标准就不算世界模型。王亮的原话是：「世界模型，重点不是渲染的画质是否好看，而是模拟器是否能忠实还原现实物理规律和行为的因果。」

为什么自动驾驶特别在意这两条门槛？因为仿真的用途是考试。考题里如果其他车只会按录像走，被测的车不管怎么开，后车都不会刹车、行人也不会犹豫，这样考出来的分数没什么意义。

原理和架构：三个设计点

百度没有公开模型结构（是扩散、自回归还是别的，都没说）。下面三点是发布会讲到的设计，后面附上我的理解。

1. 交通参与者是智能体，不是道具

传统的回放式仿真，是把真实路测录下来，在录像里改一改自车的行为。问题在于，录像里的其他车和行人是「死」的：自车一旦偏离当时的轨迹，周围的反应就对不上了。

Apollo World 的做法是把虚拟城市里的车辆、行人都建模成会决策、会交互的 AI 智能体。世界模型负责人杨泽的说法是：「Apollo World 将虚拟场景内所有交通参与者建模为具备决策与交互能力的 AI 智能体。」无人车减速、变道或者让行，周围的参与者都可能有不同的反应。发布会上的演示里，有骑车人横穿路口、狗突然冲到车前这类场景，工程师可以调整这些虚拟参与者的行为，给系统加压。

用一张图对比一下：

回放式仿真（open-loop）
  真实录像 ──▶ 自车按新策略开 ──▶ 周围车辆照录像走（不会反应）
                                    └─ 偏离越多，越不可信

智能体驱动（closed-loop）
  当前世界状态 ──▶ 生成相机 / 激光雷达观测 ──▶ AI Driver 决策
       ▲                                          │
       └──── 更新环境和其他智能体的行为 ◀──────────┘

2. 直接生成传感器数据，闭环跑起来

据报道，Apollo World 可以实时生成相机画面、激光雷达点云等多模态观测。驾驶系统根据这些观测做出转向、加速、减速的决策，再把动作交回给 Apollo World，世界据此更新环境和其他智能体的行为，再生成下一刻的观测。感知、决策、行动、反馈循环往复，形成一个端到端的闭环。

这点和萝卜快跑现在的技术路线直接相关。百度称萝卜快跑是「中国唯一以端到端技术规模化运行 L4 无人驾驶的出行平台」（百度自述，没有第三方佐证）。端到端模型的输入是原始传感器数据，输出是控制指令，中间没有「感知结果」这类可以单独测的接口。要测它，就只能给它喂传感器数据。所以仿真器不能只输出一个「前方 20 米有辆车」的结构化场景，必须把相机画面和点云生成出来。

3. 从单场景到「虚拟订单」

业内常见的仿真大多一次测一个场景，比如一个无保护左转、一次加塞。Apollo World 支持无人车在虚拟城市里从任意起点开到任意终点，覆盖接单、载客到送达的完整出行任务，中间连续经过不同路段和场景。杨泽把这叫做「提前验证『无限未来』的虚拟场景订单」。

好处是能测到「场景之间」的问题：长时间行驶后的状态累积、连续路口的决策连贯性、换路段时的风格切换。代价是对「持久性」要求很高，一单开下来半小时，生成的世界不能中途漂移。这也是百度把持久性放进「2+3」的原因。

另外两个配套：

  • 数据飞轮：从真实运营数据里提取高价值场景，转成可重复的虚拟测试；测试结果反过来改进系统，更新后的系统再回到真实道路上验证。
  • 跨城市适配：有报道提到，过去进一个新城市要手写当地规则，比如重庆的立体道路、伦敦和香港的左行交通。演示里模拟了深圳和香港在不同交通密度下的行程。

33 毫秒的约束

王亮在会上强调，开放道路的「容错空间几乎为零」，安全决策周期要限制在 1/30 秒（约 33 毫秒）以内。这个约束主要是对车上的驾驶模型说的，但它也解释了「实时性」为什么会进标准：仿真要能跟上驾驶模型的决策节奏，大规模跑起来才划算。

各家数字有出入的地方

说法出处备注
每天约 10 万公里虚拟路测AIbase、TokenPost、路透社报道证券时报的表述是「行业人士分析」，不是百度给的数
一天虚拟测试约等于带安全员的实车连续测约 3 年多家报道同上，没有看到百度确认
端到端全无人运营「超过百万公里」网易、快科技AIbase 的说法是约 100 辆车用上新架构，安全里程「接近」100 万公里

我的处理是：日行 10 万公里当作行业估算看，不当官方指标。

对比：三条世界模型路线

百度 Apollo WorldWaymo World Model特斯拉 神经世界模拟器
公开时间2026-11-032026-02-062025-10（ICCV 2025 演讲）
基础未公开基于 Google DeepMind 的 Genie 3，再针对驾驶后训练用和 FSD 相同的车队数据训练
输出相机、激光雷达等多模态观测相机 + 激光雷达（把 2D 视频知识后训练成 3D 激光雷达输出）8 路摄像头视频
世界里的其他参与者明确建模为会决策的 AI 智能体可以通过「场景布局控制」设定其他道路使用者的行为未见单独说明
控制方式任意起终点的完整订单；可调参与者行为驾驶动作控制、场景布局控制、语言控制三种给定当前状态和动作，生成后续画面
主打闭环考试、完整出行任务罕见场景（龙卷风、大象、洪水），行车记录仪视频转仿真闭环测试驾驶策略，生成困难场景
资料发布会发言，无论文官方博客演讲

注：Waymo 和特斯拉的资料分别是 9 个月前和 1 年前的，之后可能有更新。

几点差别：

  • Waymo 借的是通用世界模型的「见识」。Genie 3 在海量视频上预训练过，所以能生成车队从没遇到过的东西，比如路上的大象。百度没说用没用通用视频预训练，强调的是「智能体」和「完整订单」，更像是在交通行为的真实性上下功夫。
  • 特斯拉只有摄像头，所以只生成 8 路视频；百度和 Waymo 的车都有激光雷达，所以要多生成一路点云。点云要和画面在几何上对齐，比单纯生成视频难。
  • 三家都在往闭环走，都想让被测的驾驶模型「开进」生成的世界，而不是看录像，这点上没有分歧。

适用场景和局限

这套思路适合的地方：

  • 端到端驾驶模型的回归测试：每次模型更新，在同一批虚拟订单上跑一遍，比只看真实路测里程更快发现退步。
  • 长尾和对抗场景：鬼探头、横穿的骑车人、突然出现的动物，真实路测里等不到的，可以批量生成。
  • 进新城市前的预演：左行交通、立体道路、不同城市的驾驶风格，先在仿真里磨一遍。
  • 机器人等其他物理 AI：百度说技术栈可以延伸过去。我觉得「智能体驱动」这部分最容易迁移，比如仓库里的人和叉车也可以建模成智能体。

现在能看到的局限：

  1. 没有公开的保真度数据。虚拟骑车人的行为和真实骑车人有多像，在仿真里通过的场景在真实路上的通过率是多少，百度都没给。按它自己的标准，「物理准确性」恰恰最需要拿数据说话。
  2. 生成模型会产生幻觉。生成式世界模型可能编出物理上不可能的画面，驾驶模型如果在这样的数据上训练，可能学到错误的关联。这是整个方向的通病，不只是百度的问题。百度也承认，世界模型还不能完全还原真实环境，虚拟数据仍要和真实道路数据配合使用。
  3. 智能体本身的偏差。如果虚拟行人和车辆是由模型驱动的，它们的行为分布来自训练数据。真实世界里那些很少见的人类行为，智能体未必学得到。用 AI 考 AI，考题本身也要被验证。
  4. 外部开发者用不上。没有 API、没有开源，目前只是百度内部的工具。

我的判断

我觉得 Apollo World 本身的技术细节暂时看不清，但「2+3」这套标准讲得很到位。把因果性和交互性设成门槛，等于明确说明：世界模型的价值在于能接受动作、给出后果，画面好不好看是次要的。我认为对自动驾驶来说方向是对的：闭环测试一个端到端模型，要的就是一个会对它的动作做出反应的世界。

我也有两点保留：

  • 考官自己也要被考。现在百度给出的数字都是规模（城市数、里程、日行十万公里），没有一个是「仿真结论和真实结果的吻合度」。在拿出这类数据之前，「考官」这个说法更像是目标，还不是已经达成的状态。
  • 路线上和 Waymo 越来越像。闭环、传感器级生成、真实数据回流，Waymo 在 2 月都讲过。百度的区别主要在智能体建模和完整订单。哪条路线更有效，得看后面有没有论文或第三方测评。

如果百度后续发论文，我最想看的是三样东西：模型结构、长时间运行的漂移指标，以及虚拟测试结果和真实路测结果之间的相关性。

参考资料

avatar
文章
阅读
粉丝