文远知行发布物理AI大模型WITT，以物理事实重构AI认知

7月17日，文远知行正式发布了自研的物理AI认知基础大模型WeRide WITT。放在今天这个时间节点来看，这个动作其实藏着不少深意。 WITT三个字母，全称是World Intelligence Toward Truth——“以可信事实建立世界认知”。这个名字本身也颇有哲学意味，它致敬了20世纪的哲学家路德维希·维特根斯坦。他提出的“世界是事实的总和”这一观点，跟物理AI的底层逻辑高度契合：AI要真正理解现实世界，关键不在于堆砌更多数据，而是要从环境、行为、规则、风险与时序关系中提炼出可信的事实，然后在这个基础上形成判断和推理。 （文远知行物理AI认知基础大模型WeRide WITT，构建以物理事实为核心的新一代AI理解框架。） 随着物理AI走向落地，自动驾驶成了第一个可以被大规模商业化验证的赛道。但痛点也很快暴露出来：数据是越来越多，真正有训练价值、评测价值和迭代价值的数据，却没那么容易被高效识别和利用；高价值的长尾样本稀缺得可怜，而L4实际运营和L2量产数据里，又混杂着大量人为接管、无效片段等噪声；至于那些通用大模型，在理解复杂交通场景时，也经常出现幻觉和误判。 行业现在急需的，其实是一套高效、可信的数据理解机制——能从真实道路数据中持续提炼出有效的场景事实，提升数据进入训练、评测与迭代闭环的质量和效率，让真实世界的经验真正沉淀为自动驾驶系统的进化能力。 WeRide WITT正是为此而生。它扎根于文远知行全球商业化运营的数据土壤，从海量运营信息中提炼物理世界的认知规律，形成了事实提取、事实推理、事实验证、事实编排四大核心能力。这四条能力贯通了从场景识别、事件归因到数据验证、学习分流的完整链路，让每一公里真实道路数据都成为可信的模型迭代信号。 （WeRide WITT的四大核心能力）

事实提取

WITT能够从标准驾驶事实、多主体交互事实和物理模糊条件三个维度，识别真实道路视频中的“最小物理事实单元”。覆盖的内容很广，日常交通行为、交通参与者之间的关系变化，以及复杂环境下的物理状态不确定性，都在它的感知范围内。 举个简单的例子。一段夜间雨天城市道路行车的视频，WITT会把它拆解为自车右转、城市道路、交叉口、路口信号变化等多个事实单元。每个单元都具备高置信、可校准、可追溯的特征，同时还能生成高密度场景描述，为后续的理解、验证和学习分流打好基础。 （WeRide WITT从真实道路视频中识别并提炼“最小物理事实单元”，精准识别复杂路况。）

事实推理

完成事实提取之后，WITT能进一步推理场景中的关键事件、行为关系与风险变化，并分析事件的成因和后续演化趋势。 在自动驾驶研发流程中，工程师经常需要从海量视频里寻找特定的长尾场景，比如“施工区域内行人突然横穿”“雨天低能见度下他车压线”“窄路会车时自车减速避让”这类情况。WITT内置了视频数据引擎，支持通过关键词或自然语言问题快速检索海量视频数据，精准定位相关时序和目标场景。这意味着，长尾样本的发现、数据回溯和问题定位效率，都能大幅提升。 （WeRide WITT内置视频数据引擎，支持通过关键词或自然语言问题快速检索海量视频数据。）

事实验证

为了避免通用大模型在复杂交通环境中产生幻觉，WITT从弱势道路使用者、自车行为、他车行为、场景理解、事实完备性和交通设施六个维度评估模型输出。同时，它还引入了事实置信度，调用外部物理证据反向验证结论是否成立。 通过追踪事实错误、幻觉、遗漏和时序错误，WITT不仅为数据使用者提供了质量判断标准，也为模型训练提供了偏好信号，引导模型持续生成更符合物理规律的理解结果。目前的数据显示，在自动驾驶垂类场景中，WITT的平均每片段事实错误率仅约为通用大模型的三分之一。 （"6+1"事实验证维度对比WeRide WITT模型和主流通用大模型对于自动驾驶垂类场景的理解效果。）

事实编排

在真实道路运营中，不同数据的价值是不一样的。WITT能够按照学习价值对事实视频进行智能分流，让每条数据进入最适合的学习路径。 稀缺的长尾场景会回流至文远知行自研的世界模型WeRide GENESIS，用于模拟训练和场景扩展；高频发生的日常场景则用于强化学习和流程优化；异常片段会进入复核机制，避免关键数据被误判为“脏数据”。这样一来，真实道路数据的价值才能被最大化释放。 由此，WeRide WITT与WeRide GENESIS在云端共同驱动着文远知行的物理AI飞轮：WITT负责从真实道路数据中提取、理解、验证和编排物理事实，GENESIS则据此生成高保真仿真场景与长尾训练场景，二者协同训练车端模型，推动自动驾驶能力在真实世界中落地和持续进化。 （物理AI认知基础模型WeRide WITT和世界模型WeRide GENESIS共同驱动文远知行物理AI飞轮，训练自动驾驶车端模型。） 支撑这套物理AI飞轮高效运转的，是WeRide WITT的工程部署效率。相较于那些动辄百B级参数的通用大模型，WeRide WITT以更轻量的模型规模，在同类任务中可节省98%的Token成本。单卡单日就能处理1万分钟车辆运行视频，最高可实现200倍的数据处理效率提升。在标签模式下，WITT单次请求即可输出100多个动态标签，海量真实道路视频得以快速完成检索、验证，进入模型迭代，成为持续沉淀的事实资产。 依托物理AI飞轮，文远知行已经成为全球唯一实现L4级无人驾驶和L2++辅助驾驶规模商业应用的公司。在L4无人驾驶领域，它手握八国自动驾驶牌照，旗下自动驾驶产品落地12个国家、40多座城市，L4自动驾驶车队数量超过3000辆。Robotaxi已在广州、北京、阿布扎比、迪拜两国四城开启常态化大规模纯无人商业运营。 与此同时，L4积累的高质量数据和模型能力，正通过物理AI飞轮持续迁移至L2++一段式端到端ADAS方案WRD 3.0。目前，WRD 3.0已在第二届中国智驾大赛中拿下史无前例的六连冠，获得近30个车型定点，量产上车了奇瑞星途星纪元、广汽埃安N60等车型，并成功技术出海至德国、法国、日本等国家。 从自动驾驶这一高密度、高复杂度的验证场景出发，WeRide WITT展现出了面向物理AI的通用潜能。它对物理事实的统一建模能力，也为具身智能等更广泛的物理AI场景提供了理解真实世界的底层能力。 站在物理AI进入规模化落地的新阶段，文远知行将继续以真实世界验证为基础，推进物理AI认知基础大模型的能力演进，推动AI从认知物理世界，走向更大规模地作用于物理世界。