数据越多，越难用？文远知行用WITT补上数据飞轮的关键一环

自动驾驶行业有一个反直觉的现象：车队越大、数据越多的公司，越头疼怎么用数据。

数据越来越多，但模型的进步却越来越依赖那些罕见、复杂、真正值钱的长尾场景。把它们从数据堆里挖出来，成了比采集本身更难的一件事。

7月17日的世界人工智能大会上，文远知行发布了物理AI认知基础大模型WeRide WITT。

发布会现场，文远知行上海研发中心总经理霍达没有先谈参数，而是从一个更基础的问题讲起：“没有可信的事实基础，我们其实就没有办法去判断模型哪里对了，哪里错了。”

这句话也解释了WITT诞生的原因。

它是一个运行在云端的数据理解模型。从连续的道路视频中提取可信事实，判断哪些数据值得进入训练，哪些需要进一步验证，哪些只是大量重复出现的普通样本。

今年1月，文远知行发布了负责生成仿真场景的世界模型GENESIS，半年后，WITT补上了另一端的数据理解能力。

一个负责理解真实世界，一个负责生成虚拟世界。两者共同组成文远知行物理AI飞轮的重要环节。

01 从有没有数据，到怎么用数据

自动驾驶行业过去几年一直在追求更多数据。

特斯拉FSD累计行驶里程已经超过84亿英里，马斯克却认为，要实现安全的无监督自动驾驶，大约还需要100亿英里训练数据。美国兰德公司是一家长期研究国防、交通、安全等公共政策问题的非营利研究机构。它曾对自动驾驶安全验证做过测算：如果想以80%的置信度证明自动驾驶比人类司机安全，100辆测试车需要连续行驶518年。

训练数据和安全验证并不是同一个问题，但两组数字都说明了一件事：真实道路测试，很难覆盖所有罕见情况。

与此同时，当车队规模扩大以后，另一个问题又出现了——数据多到无法有效使用。

文远知行超过3000辆L4车辆在全球多个国家运营。一辆Robotaxi每天持续运行，会产生大量道路视频。其中绝大多数是普通的直行、跟车、等灯，真正影响模型能力的，是少数的复杂场景。

这些长尾数据价值高，但数量少，而且往往隐藏在大量普通数据中。人工筛选并不是一个可持续的方法。面对每天新增的大量视频，工程师很难靠人工逐段查看找到所有有价值的数据。

那么，能不能直接交给通用大模型？答案也并不理想。

在WACV 2025的CODA-LM基准测试中，GPT-4V面对自动驾驶corner case场景时，通用感知得分为57.5分。

问题不仅仅是识别错误。交通场景里的视觉大模型还可能产生幻觉，它会描述了一个视频中不存在的细节，或者错误理解事件发生的先后关系。

如果错误的数据进入训练流程，模型学习到的可能不是现实规律，而是错误的判断，反而会影响算法的表现。

过去几年，自动驾驶行业一直在讨论“数据闭环”。采集、标注、训练、仿真、部署，看起来是一条完整链路。但真正落到工程现场，很多闭环卡在了同一个环节：哪些才是有价值的数据？

发布会上，霍达把这个问题总结为一句话：“没有可信的事实基础，我们其实就没有办法去判断模型哪里对了，哪里错了。”

WITT试图解决的，就是这一步。

02 WITT：用事实建立对世界的认知

WITT的技术思路藏在它的名字里。

它的全称是World Intelligence Toward Truth，中文解释是“以可信事实建立世界认知”。这个名字同时致敬了哲学家路德维希·维特根斯坦。他在《逻辑哲学论》中写下的第一条命题是：“世界是事实的总和。”

放在哲学史里，这句话讨论的是世界、事实与语言之间的关系。进入物理AI的语境，文远知行把它变成了一条具体的工程路线：AI要理解真实世界，需要先从环境、行为、规则、风险和时序关系中提炼出能够验证的事实，再在这些事实之上做判断和推理。

这条路线的载体，被文远知行称为“最小物理事实单元”。

霍达称，这是行业内首次把这一概念引入物理AI。发布会现场，他用一个场景解释了这套方法：“一个路口里面可能有多个对象、多个行为、多层关系。比如说下雨是一个事实，右转是一个事实，路边有行人横穿马路是一个事实。这些事实按照时间和因果关系组合起来，才形成了我们看到的完整的场景。”

在WITT眼中，一段夜间雨天的城市道路视频不再只是一串连续像素。

它会被拆解成一组相对独立、能够回到画面中验证的事实：天气正在下雨，自车准备右转，车辆位于交叉口，路边行人正在横穿马路，路口信号正在发生变化。

这里的“最小”指的是事实的颗粒度。复杂场景被拆开以后，每个单元只描述相对明确的一件事。在这些事实单元之上，WITT还会生成更完整的场景描述，把一段视频里发生的事情、参与者之间的关系和风险变化重新组织起来。

这和常用的标签系统不一样。

传统的数据处理方式，是先由人定义类别，再给视频贴上标签。标签可以回答“这段视频里有没有行人”，却很难描述行人与自车的距离如何变化、风险从哪一刻开始、车辆为什么在这个时候减速。

一张图像有可能有上百万个像素点，但跟决策相关的只有一小部分。

WITT要做的，是把这些像素背后的道路事实识别出来，再还原事实之间的关系，变成模型能够直接使用的认知单位。

事实单元是基础。真正让它进入自动驾驶研发流程的，是在此之上搭建的事实提取、事实推理、事实验证和事实编排四项能力。

03 WITT四大核心能力

“最小物理事实单元”解决的是AI如何理解真实世界的问题，而围绕这些事实形成的四项能力，则决定了这些信息如何真正进入自动驾驶研发流程。

WITT目前形成了事实提取、事实推理、事实验证和事实编排四项核心能力。它们分别对应自动驾驶研发中的几个关键环节：从真实道路视频中提炼事实，理解事件背后的关系，判断模型输出是否可信，以及让不同数据进入合适的训练路径。

事实提取：从连续视频中找到关键事实

自动驾驶面对的真实世界并不是由一个个孤立标签组成的。一辆车在道路上行驶，背后同时包含天气、道路结构、车辆状态、交通参与者行为等多个因素。

WITT首先需要做的，就是从这些连续变化的信息中提取出能够被理解和验证的事实。

文远知行将事实分为三个层面：一类是标准驾驶事实，例如车辆转向、变道、减速；一类是多主体交互事实，例如车辆、行人、非机动车之间的位置和行为变化；另一类是物理模糊条件，例如雨雾、反光、遮挡等导致的不确定状态。

一段夜间雨天城市道路视频，在WITT看来，不再只是一串连续画面，而是一组相互关联的事实：正在下雨，自车准备右转，车辆位于交叉路口，路边存在行人，信号状态正在变化。这些事实单元组合起来，才形成工程师真正关心的道路场景。

事实推理：不仅找到场景，还理解发生了什么

找到事实之后，下一步是理解事件。

自动驾驶研发中，经常需要从大量历史数据里寻找某类特殊情况。例如施工区域内行人突然横穿、雨天低能见度下其他车辆压线、窄路会车时自车减速避让。

过去，工程师需要依靠标签系统筛选，再人工查看大量视频。WITT内置的视频数据引擎支持通过关键词和自然语言进行检索。工程师可以直接描述希望寻找的场景，模型定位相关时间段，并进一步分析事件的原因和演化过程。

它回答的不只是“这里发生了什么”，还包括“为什么发生”。

例如，一辆车突然减速，是因为前方车辆影响，还是因为行人正在进入潜在风险区域；一次避让动作，是正常驾驶行为，还是模型决策出现问题。

事实验证：减少模型对物理世界的误解

对于自动驾驶来说，理解错误比理解慢更危险。通用视觉语言模型能够描述画面，但在复杂交通场景中，也可能产生幻觉：补充不存在的信息，遗漏关键对象，或者错误判断事件顺序。

WITT针对这一问题建立了事实验证机制。它从弱势道路使用者、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，并加入事实置信度，形成“6+1”验证体系。

模型输出的问题会被归纳为事实错误、幻觉、遗漏和时序错误，再用于判断数据质量，并反馈给模型训练。

按照文远知行披露的数据，在自动驾驶垂类场景中，WITT平均每片段事实错误率约为通用基础大模型的三分之一。

事实编排：让不同数据进入不同路径

自动驾驶数据并不是越多越好。

不同数据，需要进入不同的处理流程。WITT会根据事实价值对数据进行编排：稀缺的长尾场景进入世界模型GENESIS，用于生成更多模拟训练场景，大量高频日常场景用于强化学习和流程优化，暂时无法确认价值的异常片段进入复核机制，避免关键数据被误判为“脏数据”。

这也是WITT和传统数据处理工具最大的区别之一。它不是简单给数据分类，而是在判断这些数据接下来应该如何被使用。

这套机制最终还要接受工程现实的检验。发布会上，霍达披露，在11项物理AI公开测试中，WITT有7项取得领先；单次请求可以输出100多个动态行为标签，事实错误率为通用基础大模型的三分之一。

在工程成本方面，WITT相比通用大模型可以节省98%的Token成本；在同等算力预处理条件下，数据处理效率最高提升200倍，单张主流显卡每天可以处理1万分钟车辆运行视频。

霍达总结这套能力时表示：“用云端物理AI模型大规模处理车辆运行数据，在工程上变成了可行。”对于自动驾驶公司来说，真正困难的并不是让模型看懂一段视频，而是让它每天处理成千上万分钟的视频，并融入在研发流程中。

04 WITT + GENESIS：文远知行的物理AI飞轮

WITT解决的是“理解现实”的问题。

但对于自动驾驶来说，仅仅理解现实还不够。到一个危险场景之后，还需要在大量相似场景中进行训练，发现一次模型错误，也需要在安全环境中不断验证改进。

今年1月，文远知行发布了通用仿真世界模型WeRide GENESIS。它负责生成高保真的虚拟道路环境，将真实世界中难以反复采集的场景搬到仿真环境中。

车辆加塞、无保护转弯、行人突然出现，甚至极端天气条件，都可以在仿真世界里不断生成和测试。

如果说GENESIS负责“创造世界”，那么WITT负责的就是告诉它应该创造什么样的世界。

真实道路中的数据经过WITT处理后，高价值长尾场景被提取出来，进入GENESIS进行扩展，生成的仿真数据再用于车端模型训练；车辆重新进入真实道路，又产生新的数据回流到WITT。

一个负责理解现实，一个负责生成接近真实世界的训练场景。

两者共同组成文远知行的物理AI飞轮。这样的方向也正在成为自动驾驶行业的重要趋势。

过去行业更多在讨论世界模型如何生成世界，而WITT在这基础上进一步探索：

模型应该依据什么事实，去生成一个可信的世界？需要两个条件：足够多的真实道路数据和验证模型性能的产品体系。

文远知行过去几年的积累刚好满足了这样的条件。

在L4自动驾驶领域，文远知行已经形成规模化运营。公司披露，目前拥有超过3000辆L4自动驾驶车辆，产品进入12个国家、40多座城市，并在广州、北京、阿布扎比和迪拜开展常态化纯无人商业运营。量产市场上文远也已经获得近30个车型定点，并搭载于奇瑞星途星纪元、广汽埃安N60等车型。

L4车辆提供更加复杂、更加接近无人驾驶要求的真实场景，L2++量产车提供更大的车辆规模和更广泛的道路覆盖。

两者产生的数据，都可以进入WITT进行理解和筛选，再反向推动模型迭代。

自动驾驶下一阶段的竞争，不只是比谁拥有更多数据，而是谁能够更快、更准确地从中找到真正有价值的数据。