文远知行发了物理AI大模型WITT，这事儿比表面看起来有意思

文远知行发了物理AI大模型WITT，这事儿比表面看起来有意思

今天文远知行在WAIC上发布了自研的物理AI大模型WeRide WITT，我仔细看了技术文档，觉得这东西比很多通用大模型发布的新闻有看头。

先说说WITT是个啥。全称World Intelligence Toward Truth，翻译过来就是"以可信事实建立世界认知"。这名字致敬了哲学家维特根斯坦，他有个观点叫"世界是事实的总和"。文远知行把这个哲学概念搬到了自动驾驶领域，挺有意思的。

讲道理，现在通用大模型多到看不过来，但真正针对物理世界理解做的模型反而不多。WITT的切入点我仔细看了下，核心是四个能力：事实提取、事实推理、事实验证、事实编排。

事实提取这块最硬核。它能把一段夜间雨天城市道路的行驶视频，拆成自车右转、城市道路、交叉口、路口信号变化这些最小物理事实单元。每个单元都是高置信度、可校准、可追溯的。说白了，就是把连续的视频流变成一堆结构化的事实数据。

事实验证这块我想聊聊。自动驾驶圈都知道，大模型在复杂交通环境里容易产生幻觉。WITT的做法是从六个维度去评估模型输出：弱势道路使用者、自车行为、他车行为、场景理解、事实完备性和交通设施。每个维度还引入置信度，调用外部物理证据反向验证。结果是啥？WITT在自动驾驶场景里的每片段事实错误率只有通用大模型的三分之一左右。

我比较关注的一个点是WITT的"轻量"特性。相比于动不动百B参数的通用大模型，WITT以更轻量的规模，在同类任务里能省98%的Token成本。单卡单日能处理1万分钟车辆运行视频，数据处理效率提升最高200倍。这个数字挺夸张的，但细想也合理——垂类模型不需要那么大参数量的冗余。

数据编排这块也值得一提。WITT能按学习价值对事实视频做智能分流：稀缺的长尾场景回流到世界模型WeRide GENESIS做模拟训练，高频日常场景强化学习，异常片段进复核。每一条道路数据都进了最合适的处理管道，不像以前那样鱼龙混杂全往里塞。

还有一个细节：WITT支持通过关键词或自然语言直接检索海量视频数据。工程师不用再一帧一帧翻视频找长尾场景了，说句"施工区域行人突然横穿"，模型就能把相关时序定位出来。这活儿以前基本得靠人工标注团队干好几周。

从行业角度看，物理AI这个方向今年确实在加速。通用大模型卷参数卷到边际效益递减之后，大家开始意识到，真正有商业价值的是那些能理解物理世界、能控制机器人的模型。文远知行这步棋走得比较聪明——基于自家自动驾驶运营数据建了一个物理AI认知底座，而不是跟风去做通用大模型拼参数。

不过话说回来，这模型目前还是偏自动驾驶垂类的。文远知行说未来可能会扩展到机器人、具身智能等领域，但短期内主要还是服务自家自动驾驶的迭代。如果真能把物理AI认知框架做成一个平台级的东西，那想象空间就不一样了。