在自动驾驶赛道上，许久未将底层技术推至台前的百度，终于抛出了一张重磅技术牌。
11月3日，百度Apollo发布Apollo World——这是首个面向物理AI的Agent驱动全模态世界模型。它不是一套用来生成道路视频的展示型系统，而是一座由AI驱动、可以持续运行的虚拟城市：车辆、行人和骑行者都拥有独立的行为逻辑，相机与激光雷达数据可以同步生成，无人车还能从接单、前往上车点，一直跑到载客和送达。
在这里，无人车面对的不是一段提前录制好的道路录像，而是一个会根据它的行动不断改变的世界。Apollo World所扮演的角色，也不只是为自动驾驶生成训练素材，更像一位永不下班的“AI考官”，负责出题、改变条件、制造风险，并检验无人车能否在连续变化的交通博弈中作出正确判断。
此时此刻，Apollo World更像是百度多年自动驾驶积累的一次集中释放：真实运营提供数据，世界模型生成和放大问题，车端模型接受训练与验证，最终再回到真实道路。
如果说过去百度主要在教汽车认识现实世界，那么现在，它开始为汽车创造一个可以反复犯错、持续进化的进阶版无人驾驶世界。
1从能开，走向规模化验证
2026年7月，香港机场岛迎来新一阶段无人驾驶测试。
参与测试的百度Apollo自动驾驶车辆，车身加贴了紫色“无人驾驶测试”标识。根据香港运输署披露，机场岛测试路线覆盖回旋处、需要让路的路口，并包含不同时段和不同车流状况。
这是萝卜快跑测试的首个右舵市场。当地采用右舵左行的交通体系，道路结构、驾驶习惯和交通参与者之间的互动方式，与内地市场存在明显差异。
香港不只是一座新的测试城市，也是一道关于全球化能力的考题。
一次暴雨、一辆突然并线的社会车辆、一名在路边犹豫的行人，或者几个小概率事件恰好同时发生，都可能形成新的风险。但企业不可能等待这些危险逐一出现，再让无人车学习如何应对；更不可能为了验证同一种风险，在真实道路上主动重复制造危险。
这正是无人驾驶面向物理AI时代的独特考题。
当无人驾驶只在少数固定区域测试时，企业还可以投入更多车辆和时间，逐步积累当地道路经验。随着萝卜快跑进入越来越多城市，这种方式的边界会迅速显现：每进入一个新市场，都从头跑够足够多的里程，不仅成本高、周期长，也无法保证覆盖所有低频高危场景。
但真实数据再多，也只能记录已经发生的过去。要让无人车为尚未发生的危险做好准备，百度还需要把真实道路上遇到的问题带回虚拟世界，转化成可以重复、修改和规模化运行的测试，并进一步推演更多可能的未来。
Apollo World正是在这个节点出现。
它解决的不是如何让一条虚拟道路看起来更逼真，而是如何让萝卜快跑在进入下一座城市之前，已经在另一个世界里经历过足够多的未知情况。
对百度而言，新的竞争已经不只是让一辆无人车开起来，而是让同一套自动驾驶系统以更低的试错成本适应不同城市，并持续、规模化地证明自己的安全性。
2从“画师”到“考官”
摩根士丹利曾将世界模型称为AI的“想象引擎”：让AI在采取行动之前，先在虚拟空间推演可能出现的结果，实现“先思考、后行动”。
但把这种能力迁移到自动驾驶，难度要高得多。
百度智能驾驶事业群组首席架构师、IDG技术委员会主席王亮表示，会跳舞、叠衣服的机器人很厉害，但学会开车是另一重难题。当前多数机器人在相对受限的空间里执行规划动作，无人驾驶则身处开放道路，需要持续与大量难以预判的交通参与者博弈。
对一辆近两吨重、以数十公里时速行驶的汽车而言，每一次判断和动作都直接关系到交通安全。按照王亮的说法，开放道路的容错空间几乎为零，安全决策周期需要严格限定在1/30秒内。
这意味着，面向自动驾驶的世界模型不能只满足于视觉上的“像”。
传统自动驾驶仿真更接近一场提前拿到剧本的考试。工程师可以复现车辆切入、行人横穿和信号灯异常等场景，但场景中的车辆和行人通常按照预先设置的轨迹行动。即便无人车改变了驾驶策略，其他交通参与者仍然沿着原来的路线行驶。
这种方式可以验证系统能否解决一道已知题，却很难模拟开放道路上的连续博弈。现实中的交通参与者并不是静态障碍物，他们会观察、犹豫和试探，也会因为无人车的一次加速、减速或探头改变自己的决定。
世界模型带来的突破，在于它不再只负责还原一个场景，而是可以根据不同动作推演不同未来。
基于这一判断，百度Apollo从物理AI的视角提出了“2+3”世界模型判断标尺：“2”是决定算不算世界模型的基础门槛，“3”是衡量模型能力高下的进阶指标。
两项基础门槛是因果性和交互性。
因果性要求模型遵循时间的单向性，由过去推演未来，根据当前状态预测下一刻；交互性则要求模型能够响应外部干预。当无人车采取不同动作时，虚拟世界必须产生相应变化，而不是始终沿着固定剧本运行。
三项进阶指标是物理准确性、持久性和实时性。
物理准确性要求模型生成的状态符合真实世界的物理规律与行为逻辑；持久性要求虚拟世界能够长时间稳定运行，避免物体消失、细节漂移和前后状态失去一致；实时性则要求模型以足够低的时延作出反馈，使虚拟世界可以跟上自动驾驶系统的决策节奏。
这套“2+3”标准的实质，是把世界模型的评价对象从画面转向行动，也把世界模型从“内容生成工具”推向“安全验证系统”。
围绕这套标准，Apollo World构建了三项核心能力。
第一项是智能体驱动。在Apollo World构建的虚拟城市中，车辆、行人和骑行者等交通参与者被建模为具有独立决策与交互能力的AI智能体。无人车减速、变道或者让行，都可能引发其他参与者作出不同反应。
第二项是全模态感知。Apollo World可以实时生成相机、激光雷达等多模态观测数据。无人车作出驾驶决策后，环境随之变化，再向系统返回新的观测结果，形成端到端闭环。
第三项是完整行程闭环。无人车能够在虚拟城市不同起终点之间连续行驶，完成从接单、前往上车点，到载客、行驶和送达的完整Robotaxi流程。
验证对象由此不再只是一次避让、一个路口或者几十秒的孤立片段，而是无人车在跨路段、跨场景和完整订单中持续作出正确判断的能力。
世界模型不能只让AI观看未来，还要允许AI改变未来；不只负责把一道题呈现出来，还要根据AI的每一次作答继续出题。
这是Apollo World与传统仿真乃至多数生成式世界模型之间最关键的分界线。
3Waymo、World Labs与百度，正在回答不同的问题
当然，转向世界模型不是百度独有的方向，而是不同公司都在争先回答的问题。
最近两个月，全球世界模型赛道明显升温，竞争也在从“生成一个看起来真实的世界”，转向“构建一个能够持续演化、实时交互并训练智能体的环境”。
9月，李飞飞创办的World Labs推出新一代世界模型Atlas，将文字、图像、视频和三维信息放入统一的空间上下文，不仅能够生成和重建三维世界，还开始探索面向机器人的Real-to-Sim训练。
图 / 摄图网，基于VRF协议
在自动驾驶领域，Waymo则已经把通用世界模型引向具体场景。其基于Genie3开发的自动驾驶世界模型，可以生成相机和激光雷达数据，并通过自然语言构造现实中极难规模化采集的风险场景：龙卷风突然出现、居民区被洪水淹没，甚至大象走上公路。
这些看似不同的探索，实际指向同一场竞争：世界模型不再只比谁能把世界“画得更像”，而是比谁能让虚拟世界遵循因果、响应行动，并最终成为机器人、无人车等物理智能的训练场和考场。
李飞飞创办的World Labs将重心放在“空间智能”上。其Marble和Atlas等模型尝试通过文本、图像、视频和三维信息，生成可以持续存在、自由漫游和编辑的三维空间。
这条路线解决的是AI如何建立稳定的空间认知：理解物体在哪里、空间如何连接，以及从不同视角观察时世界应当保持怎样的一致性。其潜在应用横跨游戏、影视、机器人和虚拟现实，更像是在为通用物理AI搭建一套三维空间底座。
Apollo World关注的则是另一层问题：当一个智能体在空间中采取行动，其他智能体接下来会做什么？
如果说World Labs试图让AI拥有关于空间的“常识”，百度则试图让AI掌握开放交通环境中的“博弈能力”。前者强调世界如何被建立和长期保存，后者强调世界如何因行动而变化，以及这种变化能否用于检验一个自动驾驶系统的安全性。
在自动驾驶场景中，仅仅拥有持久、逼真的三维空间还不够。道路的真正难点不在建筑和车道是否稳定存在，而在每一辆车、每一个行人是否会根据其他参与者的行动作出合理反应。
Waymo的路径与百度更为接近。
根据Waymo公开资料，其世界模型建立在Google DeepMind的Genie3之上，可以生成相机与激光雷达数据，并通过自然语言、驾驶动作和场景布局控制虚拟环境。Waymo还展示了龙卷风、洪水、大象出现在道路上的极端场景，突出世界模型在长尾事件生成和场景可控性上的价值。
而Apollo World则更强调三项更贴近Robotaxi规模化运营的能力：将全部交通参与者智能体化、同步生成相机与激光雷达数据，以及完成城市级完整订单闭环。
这意味着，百度并不只想生成“路上突然出现一头大象”这样的罕见画面，更试图回答大象出现之后的一连串问题：前车是否急刹，后车会不会变道，旁边的骑行者如何避让，无人车采取不同动作后，整条道路上的交通关系将如何重新排列。
更重要的是，百度拥有一张多数通用世界模型公司并不具备的牌：萝卜快跑的大规模真实运营。
图 / 萝卜快跑官网
世界模型的上限不仅取决于模型本身，世界模型的上限不仅取决于模型本身，也取决于真实世界的数据能否被持续转化为有效的训练与验证场景。李飞飞团队在通用空间智能上展开前沿探索，DeepMind拥有强大的通用模型能力，Waymo则同时具备世界模型技术和大规模无人驾驶运营积累。由此来看，真实道路数据本身并不是某一家企业独有的筹码，真正拉开差距的，是谁能更高效地识别高价值场景，并将其转化为可重复、可扩展的模型训练与安全验证能力。
百度试图通过Apollo World建立的差异化正在于此：把萝卜快跑的真实运营、AI Driver车端模型、地图与多模态传感器体系，以及虚拟训练和验证环境连接起来，并将验证对象从单个风险片段延伸至Robotaxi的完整行程。真实道路负责发现问题，Apollo World负责复现、变形和放大问题，训练与验证结果再返回车端系统。
因此，Apollo World并不是一座与现实隔绝的虚拟城市，而是百度自动驾驶体系中的一个关键枢纽。它一端连接萝卜快跑在真实道路上的持续运营，另一端连接AI Driver的训练与迭代，让现实中偶然出现的一次经历，可以在虚拟世界中转化为大量可重复的测试。
不过，这套循环的价值，最终仍要放回Robotaxi规模化运营中检验。世界模型之间的竞争不会只停留在生成效果、模型参数或者演示场景上，而会落到一个更现实的问题：谁能用更低的成本验证更多风险，谁能更快地把一套自动驾驶系统复制到更多城市。
这也意味着，世界模型的下一场竞争，可能不只发生在模型之间，更会发生在真实道路与商业运营之中。
4下一场竞争，可能不只发生在路上
当Robotaxi从少量车辆、固定区域的测试走向跨城市规模化运营，安全、智能与规模便不再是三个可以分别解决的问题，而是彼此牵制的系统性挑战。
百度将其概括为无人驾驶规模化过程中的“不可能三角”：安全要求系统验证足够多的风险场景；智能要求车辆能够应对开放道路上不断变化的交通博弈；规模化则要求这些能力可以用更低成本、更快速度复制到不同城市。
问题在于，仅仅依靠真实道路测试，很难让三个目标同时成立。
增加实车里程可以积累更多经验，却未必能够遇到足够多的低频高危事件；进入一座新城市后重新开展大规模测试，又会推高时间与部署成本。与此同时，跨路段、跨场景的连续驾驶能力，还需要放到完整行程中反复验证。
无人驾驶既不能以牺牲安全换取扩张速度，也不能因为追求充分验证而无限延长商业化周期。如何在安全底线不变的情况下，提高训练、验证与城市复制的效率，才是Robotaxi进入下一阶段后真正要解决的问题。
Apollo World所加入的新变量，正是把一部分现实世界中昂贵、低频，甚至不宜主动制造的试错，转移到虚拟环境。
一方面，它将萝卜快跑真实运营中出现过的复杂交互和风险事件，转化为可重复、可控制的测试场景；另一方面，它可以改变天气、车流和交通参与者行为，由一个真实事件衍生出大量现实尚未覆盖的新场景。
据百度披露，Apollo World每天可以完成约10万公里虚拟路测。按照百度援引的行业测算，这相当于一辆配备安全员的真实路测车连续测试约三年。
图 / Apollo官方微信公众号
一天更比三年强。这种效率差异恰恰说明了世界模型对规模化验证的价值：企业不必等待低频风险在真实道路上偶然出现，而可以主动生成问题、反复改变条件，将大量试错留在云端完成。
据百度披露，截至目前，萝卜快跑已经落地全球28座城市，累计完成超过2300万次出行服务，自动驾驶总里程超过3.5亿公里，其中全无人驾驶里程超过2.4亿公里。
这组数字的意义不只是证明业务规模。数亿公里的真实行驶中，沉淀了大量复杂交通互动，也暴露出自动驾驶系统在不同城市、天气和道路条件下可能遇到的问题。这构成了百度建设世界模型最难以被复制的现实基础。
进入世界模型阶段后，数据的价值不只在于“跑过多少路”，更在于能否从中提取高价值场景，并将一次真实经历转化为成百上千次虚拟测试。
真实道路发现问题，Apollo World将问题复现、变形和放大；AI Driver在虚拟环境中接受训练和验证，结果再反馈到车端；车辆继续运营，又产生新的场景与问题。
由此，萝卜快跑、Apollo World与车端模型之间形成了一套持续运转的数据飞轮。真实运营不再只是系统能力的结果，也开始成为下一轮能力增长的原料。
过去，人们衡量一家自动驾驶企业的积累，关注的是测试里程、车队规模和订单数量。世界模型出现后，更关键的问题变成：这些数据能否被转化为高价值场景，能否帮助模型理解交通参与者之间的因果关系，并最终提高系统的安全性和部署效率。
规模本身不会自动成为壁垒。只有当订单、里程和城市覆盖产生的数据进入训练与验证闭环，运营规模才可能转化为更快的迭代速度。
这恰恰是百度在这轮世界模型竞争中最容易被低估、也最难被复制的优势。
它不仅拥有一个世界模型，还拥有一支正在全球真实道路上持续运营的无人车队；不仅可以生成虚拟世界，也能够让虚拟世界与现实运营形成双向循环。模型、数据、车队与商业运营不再是彼此独立的模块，而开始组成一套自我强化的系统。
从这个角度看，Apollo World并不是萝卜快跑之外的另一个技术故事，而是百度将萝卜快跑的现实规模转化为下一阶段竞争优势的关键枢纽。
当然，世界模型不会取代真实道路。
香港机场岛上的无人车，仍然需要在真实雨水、真实路口和真实车流中证明自己。虚拟世界可以提前放大风险、提高测试频率，却无法完全替代公开道路上的验证。
Apollo World的价值，在于让无人车在进入现实之前，已经经历过更多种现实尚未发生的可能。
在百度的叙事中，这被称为无人驾驶产业的“AGI时刻”：AI开始同时参与环境生成、系统训练和结果验证。AI Driver负责学习驾驶，世界模型负责生成环境、提出问题并检验行动，真实运营数据则推动两者持续迭代。
过去十余年，百度一直在教汽车认识现实世界。现在，它开始为汽车创造一个可以反复犯错、持续进化的世界。
当Waymo把大象和龙卷风放进虚拟测试场，李飞飞团队尝试构建通用三维空间，百度选择把整套Robotaxi运营搬进另一个世界。而决定下一阶段无人驾驶竞争速度和上限的能力，正在向道路背后的虚拟世界迁移。
这一次，百度不只是跟上了世界模型的潮流。依托萝卜快跑积累的真实运营规模、Apollo的全栈技术体系，以及Apollo World建立的训练验证闭环，它已经站到了这场竞争最接近产业落地的位置。
*注：文中题图及未署名图片均来自萝卜快跑官方微信公众号。
@投稿专线 微信：cyzqx2013