> **来源：[研报客](https://pc.yanbaoke.cn)** # 汽车行业深度报告总结 ## 核心内容 本报告聚焦于**世界模型在智能驾驶领域作为数据工厂**的核心作用，分析其在物理 AI 与数字 AI 数据获取方式上的差异，并探讨其在生成 Corner Case 场景中的潜力与挑战。 ## 主要观点 - **数据范式转变**：物理 AI 需要主动构造稀缺、危险、未观测的长尾与极端场景，而数字 AI 则依赖已存在的文本、图像等语料。世界模型正从“复现场景”转向“生成世界”，成为物理 AI 数据供给的关键基础设施。 - **世界模型作为数据工厂**：世界模型不仅用于预测未来状态，还用于生成合成训练数据，支撑自动驾驶系统的仿真推演与策略评估。其价值在于能制造现实中难以获取的边界样本，提升系统的泛化与安全性。 - **Corner Case 制造与约束**：世界模型被寄望于规模化生成 Corner Case，但其在长尾、分布外与长时域区域的可靠性也面临挑战。业界采取两种策略缓解该问题：**外生受控生成**与**内生问题驱动生成**。 - **技术路径与布局**：特斯拉、Waymo、NVIDIA、Wayve 等机构和公司已将世界模型应用于自动驾驶训练，中国大厂与创业公司也在视频生成技术上快速追赶，为世界模型提供技术底座。 - **行业趋势**：物理 AI 的数据问题与数字 AI 不同，其解决路径更依赖于**约束生成**与**样本有效性提升**，而非无差别扩大生成规模。 ## 关键信息 ### 数据获取差异 | 维度 | 数字 AI | 物理 AI | |------|---------|---------| | 数据是否现成 | 文本、代码、图像已存在于互联网 | 长尾、极端、事故场景需主动制造 | | 主要获取方式 | 抓取、过滤、压缩已有数据 | 实车采集 + 仿真 + 生成 | | 边际成本与风险 | 边际成本低，安全风险较低 | 采集成本高，部分场景具危险性 | | 价值数据的分布 | 高质量语料相对可得 | 价值高度集中于稀疏长尾 | | 存量约束 | 公开高质量文本预计2026—2032年趋于用尽 | 真实事故场景天然稀疏，路测难以穷尽 | | Scaling 核心动作 | 抓取与压缩存量 | 制造与覆盖未观测状态 | ### 世界模型演进路径 - **特斯拉**：提出基础世界模型，用于预测并生成未来多摄像头画面，提升物理建模能力。 - **Waymo**：从 Carcraft 回放转向生成式世界模型，2026年发布 Waymo World Model，用于仿真推演与策略评估。 - **NVIDIA Cosmos**：生成照片级真实感、物理一致的合成数据，支持训练与评估。 - **Wayve GAIA-1 & GAIA-2**：支持多视角、时空一致的可控生成，覆盖英美德等地，可生成分布外危险场景。 - **DrivePTS**：通过渐进式学习与互信息约束，提升几何可控性、语义约束力和前景结构保真度。 - **DriveDreamer4D**：将世界模型先验引入4D重建，通过真实轨迹扰动与结构约束生成新样本。 - **理想 MindVLA**：基于重建与生成的统一世界模型，提升场景重建效率，支撑闭环强化学习。 - **小鹏云端世界基座模型**：通过强化学习与模型蒸馏构建云到端的迭代流程，专注于生成高价值训练数据。 ### 中国大厂与创业公司布局 - **阿里**：开源通义万相 Wan，布局 Seedance。 - **字节跳动**：推出 PixelDance、即梦。 - **腾讯**：开源 HunyuanVideo，约130亿参数。 - **智谱 AI**：开源 CogVideoX、清影。 - **MiniMax**：推出 Hailuo 2.3 版本。 - **生数科技**：推出 Vidu。 - **快手**：推出可灵 Kling。 - **百度**：发布 Apollo ADFM 与萝卜快跑运营。 ### Corner Case 生成策略对比 | 思路 | 代表 | Corner Case 的发现/触发来源 | 典型做法 | 主要约束与筛选 | |------|------|-----------------------------|----------|----------------| | 外生：受控扰动或生成 | DriveDreamer4D、理想 MindVLA、小鹏云端世界基座 | 由人工预设或外部条件指定 | 受控扰动、重建加生成补全、按条件生成场景 | 可行驶区域、最小碰撞距离、结构条件投影、真实锚定 | | 内生：问题驱动地发现 | 小马 PonyWorld2.0 | 由系统对自身表现的诊断指定 | 生成定向采集与 hard cases | 意图-动作-结果一致性、车端策略误差与世界模型误差归因 | ## 风险提示 - **技术迭代不及预期**：数字 AI、物理 AI 技术进展低于预期。 - **大模型厂商 ARR 增速放缓**：客户增长、续费率或客单价不及预期。 - **云服务商资本开支不及预期**：自由现金流承压，AI 算力需求及投资回报低于预期。 - **智能驾驶及机器人商业化落地不及预期**：产品可靠性、成本下降或用户需求低于预期。 ## 结论 世界模型是物理 AI 数据范式转变的核心基础设施，其价值在于生成稀缺、危险、未观测的 Corner Case 场景，但自身在长尾与长时域区域的可靠性也面临挑战。业界正通过**约束生成**与**问题驱动**提升生成的有效性与安全性，而非单纯追求规模。未来，智能驾驶作为最先跑通闭环的场景，应重点关注世界模型的发展与应用。