华为、蔚来重金押注WA世界模型！这才是未来辅助驾驶的发展方向？

华为智能汽车解决方案BU CEO 靳玉志曾表示，VLA大模型是一条取巧的技术路线，华为不会选择，而是会坚定的走WA世界模型路线。

咱们今天就来聊聊WA世界模型到底是什么？它与传统端到端和VLA技术路线到底有什么差别？分别有何优势劣势？

01. 让机器解析物理世界‍‍‍‍

说起WA世界模型，或许对辅助驾驶领域比较关注的朋友，第一时间会想起华为和蔚来，这两家都是对外已经官宣走WA世界模型这条路线的典型代表。

尤其是华为，作为现阶段公认辅助驾驶界TOP1的存在，“五界”+乾坤智驾基本上涵盖了将近半个车圈。

所以说，WA世界模型这条技术路线，至少在现阶段产品覆盖度是相当高的。

实际上，和VLA大模型一样，WA世界模型这个概念最早并不是由华为或蔚来等国内公司首次提出的。追根溯源的话，要比VLA大模型出现得要早得多。

其概念最早可以追溯到上个世纪40年代，一位名为肯尼思·克雷克的苏格兰心理学家提出的“心智模型”（Mental Model）。

他认为，人类之所以可以预测各种环境的变化，是因为每个人心中都有一套基于自身理解形成的“小型世界模型”。

通过模拟运转小型世界模型，将感官信息转化为对物理规律的理解，就可以对世界内部表征进行推理演算，进而帮助人做出正确的决策。

比如，我们看到乌云就会联想到下雨，看到火就会联想到热和烫，听风声大概能判断风有多大。

到了上个世纪80年代，这套理论开始应用于计算机领域。

被誉为“生成式AI之父”的德国计算机科学家于尔根·施密德胡伯，在论文中首次提出了“世界模型”一词（World Model）。

他尝试使用神经网络进行情景推演，实现对动态环境的预测。

而到了21世纪，随着计算机性能的突飞猛进，世界模型在AI领域的发展也开始逐渐清晰明朗了起来。

2018年，谷歌AI公司DeepMind的两位人工智能科学家，发表了一篇名为《World Models》的论文。

提出了通过“造梦”训练AI智能体的超前理念，在当时可谓轰动业界。

具体来说，就是使用自动编码器将现实场景压缩成数据，再利用神经网络推演各种未来的可能性，最终通过一套精简的控制器，对机器动作进行控制。

其实就有点类似于“颅内学习”，比如很多顶级赛车手在实地赛道刷圈之前，会把赛道的每个弯记得清清楚楚。

可以做到闭上眼睛用脑子模拟自己实地开车的景象，预演哪个地方容易出事故，哪个地方可以提速等等。

预演次数足够多、足够细，实际赛道刷圈时的反应就会更灵敏，更容易呈现出“人车合一”的境界。

世界模型“梦境”训练AI的方式，有点类似于“训狗”。

动作做对了会扔一块小零食用作奖励，做错了会有相应的惩罚，久而久之狗就形成了条件反射，变得听得懂人话。

在世界模型的“梦境”训练中，工程师会对AI提出一个基本目标，然后加入真实世界的物理参数，设定“对”和“错”的框架规则，这样就能让AI在不断试错中实现进化。

到了2022年，随着ChatGPT等大模型的出现，借助其序列建模能力和多模态学习等技术，世界模型的仿真推演范围得以进一步扩大，从原先的2D走向3D，从只能推演单一场景，到可以推演多种因素叠加的复杂场景。

传统AI是基于大量代码的被动式反应系统，能力上限有一定局限性，无法做到应对复杂场景。

而世界模型则会是基于现实世界中运动、碰撞等运行规则去训练AI，通过因果逻辑一样预演行动后果，从而在复杂场景中趋利避害，做出正确的抉择。

简单来说，世界模型的目标，就是让AI拥有类似人类的物理时空理解能力。

02. WA和VLA谁更优秀？‍‍‍‍

有了前面的铺垫，再来看看WA世界模型是怎么应用于辅助驾驶系统的。

WA世界模型最显著的特点，就是对于物理世界的运动规律，有着强大的分析能力。

根据蔚来对于WA世界模型技术的描述，它可以分析前3秒内的行车数据，仅需要0.1秒就能推演出长达120秒的模拟路况，同时生成216种场景可能性。

理论上来说，WA世界模型的运行速度，比端到端更快。

因为WA世界模型在端到端感知到动作输出的过程中，加了一个“预判”环节。

就比方说，打乒乓球水平很高的专业队选手，速度对抗之快让人觉得匪夷所思，是因为来球之前他们会根据对手的动作做出预判，从而提前做动作，如果球来了再现反应是来不及的。

除了车端的“快”以外，云端的模型训练也是十分重要的部分。

比如，目前华为的ADS 4整套系统就分成了“云端”和“车端”两部分。

其中云端部分被称为WE（World Engine），即世界引擎，用于对AI模型进行“梦境”训练。

车端部分被称为WA（World Action Model），即世界行为模型，用于车辆执行在云端训练出的模型。

二者合在一起，并称为“WEWA”。

实际上和理想、小鹏引入VLA大模型一样，华为、蔚来之所以引入WA世界模型，同样是为了解决端到端架构的弊端。

传统端到端架构最让工程师头疼的，就是“黑箱问题”，可解释性差，一旦出了问题难以修改，只能像薛定谔的猫一样投喂大量数据，祈祷模型早日修正。

VLA大模型给出的解决办法是：通过将图像信号转化成语言，这样就可以让问题通过文本可视化，起到易于修改的目的。

WA世界模型给出的解决办法是：可以通过三维物理世界的空间运动规律、物体交互规则，对出现问题场景进行反向演算，再配合上内置的“注意力热图”系统，就能起到回溯问题根源的目的。

比如说，路中间突然跑过去一头牛，车辆撞了上去，这种现实中较低概率发生的事故，工程师们就可以调用世界模型分析事故原因。

到底是没识别到牛，还是对牛的行进路线预判失误，还是预判了牛的路线但没及时做出刹车动作……

尽管做不到像VLA一样，把问题转换为文本那么清晰，但好歹已经从“黑箱”变成“灰箱”了，能做到具体问题具体分析，可以更有针对性的投喂数据，对症下药。

找到了问题之后，就需要投喂大量数据进行模型训练优化，俗称“下猛药”。

而这，恰恰是WA世界模型相比端到端的另一大优势所在。

传统端到端修改问题，需要大量真实数据支撑，但很多极端碰撞事故发生频率本身就很低，就会造成可用数据十分有限。

而世界模型则可以通过位于云端的世界引擎，在虚拟世界中模拟创造出各种奇葩的极端碰撞事故数据。这些数据不仅各种参数可调，而且数据想要多少就有多少。

这样一来，就可以让辅助驾驶应对极端复杂场景的能力加速进化。

除此之外，WA世界模型在车端占用的算力，往往比端到端更少。

由于“注意力热图”的存在，使得WA在运行过程中不需要像端到端那样，始终顾及全局，而是根据不同场景调用不同的模块。

比如华为ADS4中，就内置了多种“专家模块”。

当车开到路口时，系统就会调用“路口预测专家”模块，将更多算力倾注在监视横向、对象来车，以及与其他交通参与者的博弈上。

当车遇到拥堵时，系统就会调用“拥堵跟车专家”模块，将更多算力倾注在监视前车急刹、侧方加塞等方面。

更低的算力消耗，有利于会进一步降低系统延迟，提高危急时刻的反应速度。

总结下来，WA世界模型是一套可解释性更高，运行延迟更低，且针对特定危险场景避险效果更好的“端到端PLUS”。

那么就可以回答文章开头提到的问题了，WA世界模型相比VLA语言动作大模型，到底哪个更好呢？

简单来说，WA世界模型偏向凭借“肌肉记忆”与“经验”去开车，而VLA更接近“脑子思考”去开车，这造成了两条技术路线分别有各自擅长的领域。

WA世界模型的优势在于车端系统十分精简，而VLA大模型多了将图像转化成语言这个步骤，更擅长处理“鬼探头”等突发的紧急危险场景。

理论上，WA世界模型的反应速度会比VLA更快。

不过相对的，由于VLA拥有更接近人类的逻辑推理能力，所以对于复杂的临时施工道路，在绕行路线选择方面，表现会比WA世界模型“更拟人”。同时在人机共驾时，用语音“使唤”车辆做各种动辄，VLA也会表现得更出色。

理论上，VLA大模型更擅长处理复合场景的“长尾决策”问题。

从长远来看，WA和VLA两条技术路线对于硬件的进化需求也有所不同。

VLA需要更频繁的逻辑推理，因此对车端芯片算力提出了更高的要求。

而WA虽然对于车端算力需求较小，但由于车端模型需要及时判断场景调用模块，同时还需要云端训练作为支持，所以对网速要求更高，而芯片带宽将很大程度上决定其能力上限。

03. 写在最后‍‍‍‍

虽然目前市面上的主流辅助驾驶技术路线走到了分水岭，但放眼更长远的未来，依旧充满未知。

正如那句“天下大势，分久必合合久必分”。

说不定WA和VLA接下来会走向融合，实现优势互补，亦或是再迸发出更先进的技术架构，从而让行业走向下一阶段的统一。

不论技术如何发展，都真心希望L3、L4级自动驾驶早日落地。