2026年7月17日，自动驾驶科技企业文远知行正式发布自研物理AI认知基础大模型WeRide WITT。该模型首次引入“最小物理事实单元”概念，可实现对视频、图像、文本等多模态信息的精准拆解识别，大幅提升复杂场景下自动驾驶系统的环境感知与决策效率，为高阶自动驾驶落地提供全新技术路径。
高阶自动驾驶落地的核心瓶颈，从来都不是传感器硬件的堆料，而是AI系统对复杂物理世界的认知准确性。在过去的测试中，全球多家自动驾驶企业都遇到过极端场景下的感知偏差：被阳光晃到的摄像头会把路牌广告误判为交通信号，异形障碍物会被系统识别为正常可通行区域，这些偶发的误差直接拖慢了高阶自动驾驶的商业化节奏。
随着L3级自动驾驶在国内逐步开放上路，行业对感知系统的容错率要求已经提升到了新的高度。传统的多模态感知模型主要基于标注数据的语义匹配进行判断，一旦遇到训练集没有覆盖的特殊场景，很容易出现识别偏差，甚至做出错误决策。如何让AI真正“理解”物理世界的运行规则，而不是单纯依靠数据拟合输出结果，成为全行业共同攻关的方向。
此次发布的WeRide WITT给出了全新的解题思路，其核心创新在于首次提出了最小物理事实单元的认知逻辑：不同于传统多模态大模型依赖语义关联推导场景信息的路径，WITT会先把连续变化的真实场景拆解为不可再拆分的、可验证的物理事实节点，比如“前方30米处斑马线有行人以1.1m/s速度移动”、“左侧车道工程车亮右转向灯”这类不存在歧义的客观信息，再基于这些事实节点搭建整个场景认知框架，从根源上减少了大模型的“幻觉”问题。
据文远知行内部测试数据，在雨雾、夜间、施工路段等12类高难度自动驾驶场景中，WITT的决策响应速度较行业主流方案提升28%，感知误判率下降超42%，完全满足L4级自动驾驶的安全要求。
作为国内最早布局全场景自动驾驶的企业之一，文远知行表示WITT将首先落地到旗下Robotaxi、Robobus、同城货运无人车的现有量产方案中，预计2026年底前会完成超过1000台运营车辆的模型迭代，进一步提升公开道路运营的安全性和稳定性。
除此之外，这套基于物理事实的认知框架具备很强的通用性，未来还可以延伸到工业视觉、服务机器人、安防监控等多个需要对真实物理场景进行精准识别的领域，文远知行也透露后续会开放部分WITT的基础能力，和行业合作伙伴共同探索物理AI的更多应用可能。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号