自动驾驶世界模型就只是做了预测这件事吗？

[首发于智驾最前沿微信公众号]2026年的自动驾驶领域，世界模型技术被广泛应用，很多人在第一次接触到世界模型的概念时，可能感觉它只是在做预测。

也就是在预测下一秒的画面、预测车辆轨迹、预测行人动向。

如果只是这样的话，那它和传统的时序预测模型有什么区别？

01

预测只是起点，不是终点

世界模型确实要做预测，这是它的基础能力，也就是给定过去几秒的观察和自车接下来的动作，世界模型需要推演出未来交通场景如何演变。

没有这项能力，后续一切都无从谈起，可一旦进入真实道路环境，情况就完全不一样了。

开过车，尤其是在闹区开过车的小伙伴应该都有这样一种体会。

在一个复杂的路口，电动车可能从盲区钻出来，公交车也可能会突然靠边，有些行人还会盯着手机过马路，而不观察路况。

图片源自：网络

在这种环境里，系统如果只是做像素级别的画面预测，而不理解画面中各类元素之间的因果交互，那这种预测对决策的价值就很有限。

真实的交通场景有太多的交互，举个例子，若自车打转向灯准备右转，旁边的自行车会不会减速让行，取决于车速、距离、骑车人的意图，甚至当时的天气。

这些因素之间的因果关系，才是驾驶决策的真正依据。

2026年很多企业发布的技术就是围绕这个问题展开，小鹏在CVPR上公布的X-Mind框架，核心思路是在生成动作之前先完成一段隐式的思维推演。

系统会提前判断前车急刹的概率、匝道汇入的冲突点、十字路口各个方向来车的潜在轨迹。

这项工作的厉害之处在于，不是因为它预测得准，而是因为它把预测结果直接和决策绑定在了一起。

预测完了交给规划模块自己去想办法，那是老思路；预测本身就是决策的依据，这是新思路。

小米在ECCV上发表的CausalDrive也印证了这个方向。

论文里指出了一个行业里心照不宣的问题，那就是不少驾驶世界模型在训练时偷偷用了周围车辆未来的轨迹信息，这相当于提前知道了答案。

CausalDrive刻意切断了这条捷径，只给模型初始图像、自车轨迹和文本提示，让模型自己学会推断其他交通参与者的反应。

这种设计逼迫模型理解因果关系，而不是做表面上的模式匹配。

02

从看见未来到创造场景

预测和生成之间其实有本质区别，预测是在既有数据的边界内推演，而生成是突破这个边界创造新东西。

2026年被行业称为物理AI元年，生成式技术在这个节点上真正成熟了。

视频时序生成、长链条推理、直接从视觉输入做规划等能力在过去是割裂的，现在开始整合在一个框架里。

商汤绝影在去年WAIC上展示的绝影开悟世界模型，一个很实际的用途就是生成训练数据。

真实路采的数据天然偏向常规场景，极端情况占比极低，而一个自动驾驶系统要在复杂的道路环境下安全运行，必须见过足够多的长尾案例。

图片源自：网络

像是施工路段临时改道、前方车辆掉落货物、夜间突然出现的动物横穿等场景，若靠路采积累，效率极低。

世界模型可以生成大量这样的场景用于训练，而且可以精确控制雨量大小、能见度距离、障碍物出现的位置和速度等参数。

Helm.ai今年5月发布的GenSim-3则实现了全高清分辨率的六摄像头环视数据生成，这套系统输出的不仅是单一视角的画面，而是完整的360度空间感知结果。

对于需要多传感器融合的自动驾驶系统来说，这种能力比单视角预测实用得多。

文远知行推出的WeRide GENESIS则试图打通真实世界和虚拟仿真之间的壁垒，让在仿真环境里训练出来的能力可以直接迁移到真实道路上。

智驾最前沿以为，对于世界模型来说，生成比预测可能更具意义。

预测解决的是接下来会发生什么，而生成解决的是如果发生这种事我该怎么办，前者是被动观察，后者是主动构建能力。

一个只能预测的模型，永远受限于训练数据的边界，而一个能生成的模型，才有可能覆盖那些数据里没有、但真实世界里可能出现的场景。

03

预测和规划之间的那道墙正在消失

传统自动驾驶架构里，感知、预测、规划是三个独立的模块。

感知模块输出障碍物的位置和类别；预测模块推算它们接下来怎么运动；规划模块根据预测结果制定自车轨迹。

这种分工清晰明了，但有一个根本问题，那就是信息在传递过程中会丢失。

感知模块为了输出结构化数据，不得不把连续的世界离散成有限的类别。

一个物体是行人还是骑自行车的人，这个标签决策本身就包含了不确定性。

传递给后续模块时这种不确定性有时又会被抹掉了，规划模块拿到的是一个已经确定的世界描述，也会基于这个描述做决策。

在这个情况下，一旦感知出错，后面就会全错。

图片源自：网络

世界模型不再输出离散标签，而是维护一个连续的环境表征。

在这个表征空间里，规划不再是一个独立的模块，而是模型内部的一个自然输出。

系统在预测未来状态的同时，就可以评估不同动作带来的后果，选择最优的那条轨迹。

在这个情况下，预测和规划之间的边界被消解了。

2025年发表的一篇综述文章《自动驾驶中的世界模型：综述与展望》将自动驾驶世界模型的研究归为未来场景生成与理解、端到端驾驶策略学习、闭环仿真系统三个方向。

这三个方向看似不同，底层逻辑却是一致的，都是让模型在统一的表征空间里同时完成感知、预测和规划。

WorldRFT框架（论文全称《WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving》）则提出通过对齐场景表征和规划目标，用强化学习微调来提升安全关键场景的表现。

UniDrive-WM（论文全称《UniDrive-WM: Unified Understanding, Planning and Generation World Model For Autonomous Driving》）明确提出，世界模型的目标是从历史观测推断自车状态和动态环境，直接服务于规划和预测。

从上面提到的这些内容中可以发现，它们都不把预测当作世界模型的终点。

预测是手段，规划才是目的，一个好的世界模型，其输出的状态空间本身就是可规划的，不需要额外搭建一座桥把预测结果搬到规划模块里去。

04

融合趋势下再看世界模型的位置

2025年到2026年初，行业里关于VLA和世界模型哪条路线更优的争论非常激烈。

VLA路线把大语言模型的能力引入自动驾驶，让系统具备场景理解和推理能力；世界模型路线则强调对物理规律的建模和未来状态的推演。

两条路线的支持者各执一词，争论一度相当尖锐。

但到了2026年下半年，争论的声音逐渐小了，头部企业的实践表明，这并不是一个二选一的问题。

小鹏在CVPR 2026上明确表示VLA可以负责学习如何行动，世界模型则负责学习行动之后世界如何变化，两者共同构成完整的决策基础；

理想发布的MindVLA O1则在强化空间物理认知方面做了大量工作；

吉利、Momenta、轻舟智航这些不同背景的玩家，也都在向世界模型技术靠拢。

图片源自：网络

智驾最前沿以为，如果世界模型只是一个预测器，那它和VLA之间确实是互补关系，一个负责理解场景，一个负责预测演化。

但行业实际走向是融合而不是简单并列，这说明世界模型承担的角色比预测更底层。

它不仅要预测未来，还要为决策提供可操作的环境表征，甚至直接参与轨迹评估和选择。

对于世界模型是不是一个高级的视频预测器这个问题，智驾最前沿认为，它不是，只能说，预测是它的起点，但远远不是全部。

一个只做预测的系统，本质上是在回答未来会怎样这个单一问题，它把世界当作一个可以被动观察的演化过程，系统本身不介入、不干预，只输出推演结果。

而一个整合了预测、生成、规划的系统，回答的是如果我这样做，未来会怎样；如果那样做，又会怎样；我应该怎么做这三个递进的问题。

前者是被动的观察者，后者是主动的推演者和决策者。

在真实道路环境中，这两种系统的差距是结构性的，一个预测再准的系统，如果无法把预测结果转化为决策依据，那它的价值就止步于看得准。

而无法解决开得好的问题，而这正是世界模型和传统时序预测模型最根本的区别所在。