文遠知行發布物理AI大模型WITT，以物理事實重構AI認知

7月17日，全球領先的自動駕駛科技公司文遠知行WeRide（NASDAQ：WRD，HKEX：0800）正式發布自研物理AI認知基礎大模型WeRide WITT。基于視覺語言大模型（VLM）能力，WITT首次引入“最小物理事實單元”概念，打通視頻、圖像、文本等多模態信息，將連續變化的真實場景拆解為可被識別和驗證的事實單元，構建起以物理事實為核心的新一代AI理解框架。

WITT全稱World Intelligence Toward Truth，意為“以可信事實建立世界認知”。這一命名也致敬了20世紀哲學家路德維希·維特根斯坦（Ludwig Wittgenstein），他提出的“世界是事實的總和”觀點與物理AI的底層邏輯高度契合：AI要認知真實世界，關鍵在于從環境、行為、規則、風險與時序關系中提煉可信事實，在此基礎上形成對物理世界的判斷與推理。

（文遠知行物理AI認知基礎大模型WeRide WITT，構建以物理事實為核心的新一代AI理解框架。）

隨著物理AI落地進程加速，自動駕駛成為首個可被大規模商業化驗證的賽道，痛點也集中顯現：數據越來越多，但真正有訓練價值、評測價值和迭代價值的數據，并不容易被高效識別和利用；高價值長尾樣本稀缺，L4實際運營與L2量產數據中混雜著人為接管、無效片段等噪聲；通用大模型在理解復雜交通場景時，也容易產生幻覺與誤判。

行業亟需一套高效、可信的數據理解機制，從真實道路數據中持續提煉有效的場景事實，提升數據進入訓練、評測與迭代閉環的質量和效率，讓真實世界經驗沉淀為自動駕駛系統的進化能力。

WeRide WITT正是為此而生，它根植于文遠知行全球商業化運營的數據土壤，從海量運營信息中提煉物理世界的認知規律，形成了事實提取、事實推理、事實驗證、事實編排四大核心能力，貫通從場景識別、事件歸因到數據驗證、學習分流的完整鏈路，讓每一公里的真實道路數據都成為可信的模型迭代信號。

（WeRide WITT的四大核心能力）

1. 事實提取

WITT能夠從標準駕駛事實、多主體交互事實和物理模糊條件三個維度，識別真實道路視頻中的“最小物理事實單元”，覆蓋日常交通行為、交通參與者關系變化，以及復雜環境下的物理狀態不確定性。

例如，一段夜間雨天城市道路行車的視頻，會被WITT拆解為自車右轉、城市道路、交叉口、路口信號變化等多個事實單元。每個事實單元都具備高置信、可校準、可追溯的特征，并可生成高密度場景描述，為后續理解、驗證和學習分流提供基礎。

（WeRide WITT從真實道路視頻中識別并提煉“最小物理事實單元”，精準識別復雜路況。）

2. 事實推理

完成事實提取后，WITT能夠進一步推理場景中的關鍵事件、行為關系與風險變化，并分析事件成因和后續演化趨勢。

在自動駕駛研發流程中，工程師往往需要從海量視頻中尋找特定長尾場景，例如“施工區域內行人突然橫穿”“雨天低能見度下他車壓線”“窄路會車時自車減速避讓”等。依托內置視頻數據引擎，WITT支持通過關鍵詞或自然語言問題快速檢索海量視頻數據，精準定位相關時序和目標場景，大幅提升長尾樣本發現、數據回溯和問題定位效率。

（WeRide WITT內置視頻數據引擎，支持通過關鍵詞或自然語言問題快速檢索海量視頻數據。）

3. 事實驗證

為避免通用大模型在復雜交通環境中產生幻覺，WITT從弱勢道路使用者、自車行為、他車行為、場景理解、事實完備性和交通設施六個維度評估模型輸出，并引入事實置信度，調用外部物理證據反向驗證結論是否成立。

通過追蹤事實錯誤、幻覺、遺漏和時序錯誤，WITT既為數據使用者提供質量判斷標準，也為模型訓練提供偏好信號，引導模型持續生成更符合物理規律的理解結果。當前，WITT在自動駕駛垂類場景中的平均每片段事實錯誤率僅約為通用大模型的三分之一。

（"6+1"事實驗證維度對比WeRide WITT模型和主流通用大模型對于自動駕駛垂類場景的理解效果。）

4. 事實編排

在真實道路運營中，不同數據的價值并不相同。WITT能夠按照學習價值對事實視頻進行智能分流，讓每一條數據進入最合適的學習路徑。

稀缺長尾場景回流至文遠知行自研世界模型WeRide GENESIS，用于模擬訓練和場景擴展；高頻日常場景用于強化學習和流程優化；異常片段進入復核機制，避免關鍵數據被誤判為“臟數據”，最大化釋放真實道路數據價值。

由此，WeRide WITT與WeRide GENESIS在云端共同驅動文遠知行物理AI飛輪：WITT負責從真實道路數據中提取、理解、驗證和編排物理事實，GENESIS據此生成高保真仿真場景與長尾訓練場景，二者協同訓練車端模型，推動自動駕駛能力在真實世界中落地和持續進化。

（物理AI認知基礎模型WeRide WITT和世界模型WeRide GENESIS共同驅動文遠知行物理AI飛輪，訓練自動駕駛車端模型。）

支撐這套物理AI飛輪高效運轉的，是WeRide WITT的工程部署效率。相較于動輒百B級參數的通用大模型，WeRide WITT以更輕量的模型規模，在同類任務中可節省98%的Token成本，單卡單日可處理1萬分鐘車輛運行視頻，最高實現200倍數據處理效率提升。在標簽模式下，WITT單次請求即可輸出100+動態標簽，海量真實道路視頻得以快速完成檢索、驗證、進入模型迭代，成為持續沉淀的事實資產。

依托物理AI飛輪，文遠知行成為全球唯一實現L4級無人駕駛和L2++輔助駕駛規模商業應用的公司。在L4無人駕駛領域，文遠知行手握八國自動駕駛牌照，旗下自動駕駛產品落地12個國家、40多座城市，L4自動駕駛車隊數量超過3000輛，Robotaxi在廣州、北京、阿布扎比、迪拜兩國四城開啟常態化大規模純無人商業運營。

與此同時，L4積累的高質量數據和模型能力，正通過物理AI飛輪持續遷移至L2++一段式端到端ADAS方案WRD 3.0。目前，WRD 3.0已在第二屆中國智駕大賽中拿下史無前例的六連冠，獲得近30個車型定點，量產上車奇瑞星途星紀元、廣汽埃安N60等車型，并成功技術出海至德國、法國、日本等國家。

從自動駕駛這一高密度、高復雜度的驗證場景出發，WeRide WITT展現出面向物理AI的通用潛能。其對物理事實的統一建模能力，也為具身智能等更廣泛物理AI場景提供理解真實世界的底層能力。

站在物理AI進入規模化落地的新階段，文遠知行將繼續以真實世界驗證為基礎，推進物理AI認知基礎大模型能力演進，推動AI從認知物理世界，走向更大規模地作用于物理世界。