WITT – 文远知行发布的聚焦物理世界认知的AI基础大模型

WITT核心特点

1. “最小物理事实单元”驱动认知框架

• 首次将连续动态的真实场景拆解为独立、可验证的原子化事实单元（如自车右转、路口信号变化、行人位置等），每个单元具备高置信度、可校准、可追溯的特征，避免通用模型仅做像素级特征提取的局限性。
• 从标准驾驶事实、多主体交互事实、物理模糊条件三个维度结构化描述场景，覆盖复杂环境下的物理状态不确定性（如雨天能见度低、遮挡物影响等）。

2. 轻量化与高效工程化设计

• 模型规模显著小于百B级通用大模型，单卡单日可处理1万分钟车辆运行视频，在同类任务中节省98%的Token成本，适配车载边缘设备的低算力需求。
• 单次请求可输出超100个动态场景标签，支持海量视频的快速检索与验证，大幅提升数据处理效率。

3. 闭环式物理事实处理链路

• 构建事实提取→事实推理→事实验证→事实编排的完整闭环，确保从数据输入到决策输出的每一步均基于可验证的物理规律，而非概率性猜测。

▲依托真实道路视频，WeRide WITT 精准提取出“最小物理事实单元”，为复杂路况的准确识别提供了可靠的事实依据。

WITT核心优势

1. 显著降低模型幻觉风险

• 通过六维事实验证机制（弱势道路使用者、自车行为、他车行为、场景理解、事实完备性、交通设施），结合外部物理证据反向校验结论，自动驾驶垂类场景的事实错误率仅为通用大模型的三分之一。
• 引入事实置信度评估，自动标记低置信度推理结果，避免因幻觉导致错误决策。

2. 最大化真实数据价值

• 智能分流高价值数据：将稀缺长尾场景（如施工区行人横穿）回流至仿真系统训练，高频日常场景用于流程优化，异常片段进入人工复核，杜绝关键数据被误判为“脏数据”。
• 支持自然语言关键词检索，工程师可快速定位特定长尾场景（如“雨天低能见度下他车压线”），将数天人工筛查缩短至几分钟。

3. 支撑L4与L2++技术协同进化

• 与文远知行自研世界模型GENESIS组成“物理AI飞轮”：WITT提炼真实道路物理事实，GENESIS生成高保真仿真场景，二者协同训练车端模型，实现L4无人驾驶与L2++辅助驾驶的技术迁移。

WITT核心功能

1. 事实提取：精准拆解物理世界

• 从视频中自动识别最小物理事实单元，例如将一段夜间雨天行车视频拆解为“自车右转”“交叉口信号灯状态”“行人位置”等独立事实，每个单元均标注置信度与时空坐标。

2. 事实推理：动态推演场景逻辑

• 基于事实单元图谱，推导事件因果关系与风险演化趋势（如“前车急刹→跟车距离不足→需紧急制动”），并支持通过自然语言问题检索关联场景（如“查找窄路会车时自车减速案例”）。

3. 事实验证：多维度校验可信度

• 从六维度评估输出结果，例如验证“行人横穿”事件中是否遗漏弱势道路使用者、是否符合物理规律（如行人移动速度是否超人体极限），自动修正违背现实逻辑的推理。

4. 事实编排：智能匹配学习路径

• 按数据价值自动分流：
  • 稀缺长尾场景→GENESIS仿真训练；
  • 高频日常场景→强化学习优化；
  • 异常片段→人工复核机制，确保高价值数据不被过滤。

WITT应用场景

1. L4级无人驾驶规模化运营

• 作为文远知行全球超3000辆L4自动驾驶车队的数据底座，支撑Robotaxi在广州、北京、阿布扎比等城市的纯无人商业运营。
• 通过高效处理真实道路数据，快速迭代应对极端场景（如暴雨、夜间施工区通行），提升系统鲁棒性。

2. L2++辅助驾驶量产落地

• 技术迁移至文远知行WRD 3.0一段式端到端ADAS方案，已获近30个车型定点，配套奇瑞星途星纪元、广汽埃安N60等量产车型，并在中国智驾大赛实现六连冠。
• 解决量产车端对低算力、低延迟的要求，例如在10ms内完成复杂路口的多主体交互风险评估。

3. 泛物理AI场景延伸

• 具身智能开发：为机器人提供物理世界理解能力，例如识别物体重量、摩擦力等属性以规划抓取动作。
• 跨行业数据治理：适用于需高精度物理事实验证的领域（如工业质检中的缺陷归因、城市交通管理中的事件回溯）。

WITT点评

WITT的突破在于将AI认知从“数据驱动”推进至“事实驱动”，通过标准化物理事实单元解决自动驾驶中数据噪声大、长尾场景泛化难的问题。其轻量化架构与闭环验证机制，使真实道路经验可转化为可迭代的“事实资产”，直接推动L4与L2++技术的商业化落地。目前文远知行已凭借该技术成为全球唯一实现L4与L2++双赛道规模应用的公司，但需注意：WITT定位为数据链路的“事实转换引擎”，而非直接输出驾驶指令，需与车端决策模型协同工作。对于行业而言，其方法论为物理AI的规模化落地提供了可复用的技术范式，尤其适用于对安全可靠性要求严苛的具身智能场景。