Apollo World – 百度智能体构建的全模态交通世界模型

Apollo World是百度Apollo推出的面向物理AI的全模态世界模型，百度AI Day・Apollo专场上首次对外披露。模型以智能体构建的虚拟交通环境为核心，打破传统脚本式仿真的固定逻辑，让所有交通参与者都具备自主决策与交互能力。该模型已投入萝卜快跑无人车的全球化测试验证工作，单日可完成十万公里级虚拟测试，等效于单台实车连续测试三年的里程，同时提出 “2+3” 世界模型评判标准，技术栈可向更广泛的物理 AI 场景延伸。

Apollo World特点

虚拟场景内所有交通参与者均为具备自主决策能力的 AI 智能体，而非按预设脚本运行的固定元素。无人车的加减速、变道、避让等动作都会触发周围车辆、行人的不同反应，整个交通环境处于动态演化状态，更贴近真实道路的交互逻辑。

支持任意起终点的完整行程测试，覆盖从出发到抵达的全流程场景，不需要拆分片段式测试用例。虚拟城市包含完整的道路网络、交通规则与环境变量，可模拟真实 Robotaxi 运营的全链路场景，实现行程级的闭环验证。

测试效率远超传统实车与仿真方案，单日虚拟测试里程可达十万公里级别，大量原本需要上路验证的场景都可以在云端完成。长尾、极端场景可以批量生成，不需要等待真实环境中的偶然出现，大幅压缩算法迭代的周期。

底层设计具备通用拓展性，核心的世界模型技术栈不局限于自动驾驶场景。相关的智能体交互、物理仿真、时序推演能力可以迁移到具身机器人、工业智能体等更多物理 AI 领域，支撑不同方向的虚拟测试与训练。

Apollo World技术原理

模型底层遵循因果性与交互性两项基础逻辑，所有场景演化严格按照时间单向推进，基于当前状态与历史信息推演后续变化，而非拼接重构已有的视觉片段。外部输入的干预动作可以直接改变后续的世界状态，保证交互过程的因果合理性。

物理层面融合真实路测数据与物理规律建模，让虚拟环境中的车辆运动、行人行为、环境变化都贴合现实世界的运行规则。虚拟场景中习得的策略可以直接迁移到真实车辆上，减少仿真与现实之间的差距。

架构上采用全模态统一编码设计，整合视觉、雷达、道路规则、行为逻辑等多维度信息，构建完整的虚拟城市数字空间。所有交通智能体共享同一套环境状态，各自基于感知到的局部信息做出决策，整体形成自发的交通流演化效果。

实时推演引擎支撑场景的持续运行，状态更新保持低延迟，支持无人车算法实时接入交互。模型同时保证长时间运行的状态稳定性，不会出现逻辑崩坏或者物理规则错乱的情况，支撑长周期的连续测试。

Apollo World功能

完整行程模拟。支持在虚拟城市中设置任意起终点，跑完一整段 Robotaxi 运营行程，覆盖路口通行、变道超车、避让行人、停靠载客等全场景环节，输出完整的行程测试结果。

多维度场景调节。可自由调整天气、光照、道路湿滑度、交通密度、行人流量等环境变量，快速生成不同条件下的测试场景，覆盖雨天、夜间、高峰拥堵等多种工况。

智能体行为交互。场景内的社会车辆、行人、非机动车都可以自主决策行为，并且响应无人车的动作做出调整。比如无人车礼让行人时，行人会加速通过;无人车加塞时，后车会做出减速或者避让的反应。

测试数据输出。自动记录测试全程的车辆状态、交通流变化、交互事件、风险点等全量数据，生成对应的测试评估报告，支撑算法效果的量化分析与问题排查。

场景定制生成。可针对特定的长尾、极端场景做定制化构建，模拟交通事故、突发障碍物、违章车辆等罕见情况，验证无人车算法的应急处理能力。

Apollo World应用场景

自动驾驶算法研发。算法团队可以在虚拟环境中快速迭代感知、决策、控制全链路算法，批量验证不同场景下的表现，找到算法短板，减少实车测试的投入成本。

无人车运营验证。萝卜快跑等无人出租业务可以用它验证新运营区域的通行可行性，测试不同城市、不同路况下的运营表现，为规模化落地做前置验证。

安全风险评估。针对极端工况、危险场景做专项测试，验证无人车的安全处理策略，排查潜在的安全隐患，完善安全防护机制，提升上路运行的可靠性。

交通场景研究。交通规划、出行研究等领域可以用它模拟不同交通策略的运行效果，推演城市路网的通行表现，为交通管理与规划提供模拟支撑。

物理 AI 拓展测试。依托通用的世界模型技术栈，可拓展到具身机器人、工业智能体等领域，为各类需要和物理世界交互的 AI 系统提供虚拟训练与测试环境。