[首發(fā)于智駕最前沿微信公眾號(hào)]世界模型在自動(dòng)駕駛技術(shù)中已有廣泛應(yīng)用。但當(dāng)談及它對(duì)自動(dòng)駕駛的作用時(shí)，難免會(huì)出現(xiàn)分歧。它到底是讓自動(dòng)駕駛汽車(chē)得以理解世界，還是為其提供了預(yù)測(cè)未來(lái)的視角？

世界模型到底做了什么？

世界模型，其實(shí)是一個(gè)“內(nèi)部表征+動(dòng)態(tài)預(yù)測(cè)”的組合。簡(jiǎn)單理解，世界模型就是將感知到的東西（圖像、點(diǎn)云、雷達(dá)、文本、動(dòng)作歷史）壓縮成一套內(nèi)部狀態(tài)，然后用這套內(nèi)部狀態(tài)去生成、預(yù)測(cè)接下來(lái)可能出現(xiàn)的場(chǎng)景或觀察。

圖片源自：網(wǎng)絡(luò)

想要實(shí)現(xiàn)“內(nèi)部表征+動(dòng)態(tài)預(yù)測(cè)”，有兩個(gè)關(guān)鍵的技術(shù)不得不去討論，一個(gè)是“表示”（representation），也就是把復(fù)雜的外界信息提煉成對(duì)后續(xù)推斷和決策有用的結(jié)構(gòu)；還有一個(gè)是“生成/預(yù)測(cè)”（generative/predictive），即基于表示去推演、采樣、評(píng)估未來(lái)可能發(fā)生的序列。

早期很多研究發(fā)現(xiàn)，如果智能體每一步都只根據(jù)當(dāng)前看到的畫(huà)面直接“做反應(yīng)”，其實(shí)跟條件反射差不多，缺少前瞻性。一旦場(chǎng)景稍微復(fù)雜，或者需要權(quán)衡幾步之后的結(jié)果，這種做法就很容易失誤。于是“世界模型”這個(gè)概念就被引入到強(qiáng)化學(xué)習(xí)中，也就是先讓系統(tǒng)學(xué)會(huì)一個(gè)簡(jiǎn)化但可信的“世界運(yùn)行方式”，也就是學(xué)清楚在某個(gè)狀態(tài)下采取什么動(dòng)作，環(huán)境大概率會(huì)往哪個(gè)方向發(fā)展。等這個(gè)模型學(xué)成了，策略就不再只盯著眼前這一刻，而是可以在這個(gè)“內(nèi)部世界”里提前試著走幾步，看看不同選擇大概會(huì)帶來(lái)什么后果，再?zèng)Q定現(xiàn)實(shí)中該怎么做。

這種做法的變化點(diǎn)在于，系統(tǒng)不再是“看見(jiàn)什么就立刻反應(yīng)什么”，而是先在內(nèi)部做一輪模擬和推演，再輸出動(dòng)作。也正因?yàn)槎嗔诉@一步“提前想一想”的動(dòng)作，智能體的行為便傾向于在做規(guī)劃，而不是條件反射式的響應(yīng)。

這也回答了為什么有人說(shuō)世界模型是在“理解世界”，如果“理解”被定義為能在內(nèi)部構(gòu)建一個(gè)能解釋因果、能預(yù)測(cè)后果、并能據(jù)此做出合理選擇的表征，那么世界模型確實(shí)是一種機(jī)器理解。相對(duì)地，如果你把“理解”定義為擁有像人類(lèi)一樣的主觀體驗(yàn)、常識(shí)推理和高層抽象的概念，那世界模型還遠(yuǎn)未到那一步。

其實(shí)世界模型更準(zhǔn)確的定位應(yīng)該是一種能替代部分理解功能的機(jī)器表征與預(yù)測(cè)機(jī)制，它做的是有用的理解，而不是類(lèi)似人類(lèi)的全方位主觀理解。世界模型的更像是讓大模型在內(nèi)部試跑未來(lái)，再用模擬得到的后果指導(dǎo)現(xiàn)實(shí)中的行動(dòng)。

世界模型的三要素

將世界模型拆開(kāi)剖析，其可以分為3部分，第1個(gè)是表征（representation），第2個(gè)是動(dòng)力學(xué)/生成模型（dynamics/generative），第3個(gè)是利用這些能力來(lái)支持決策（planning/control）。

這三者不是獨(dú)立模塊簡(jiǎn)單拼湊，而是互相輔助，好的表征可以讓預(yù)測(cè)更穩(wěn)健，可靠的預(yù)測(cè)能讓規(guī)劃更安全，而規(guī)劃過(guò)程也能反過(guò)來(lái)推動(dòng)表征和預(yù)測(cè)的改進(jìn)（例如通過(guò)閉環(huán)數(shù)據(jù)收集）。這種閉環(huán)被視為世界模型范式的核心，即大模型學(xué)習(xí)一個(gè)可用來(lái)想象未來(lái)的內(nèi)部世界，然后在想象中訓(xùn)練和評(píng)估動(dòng)作。

表征通常會(huì)把高維觀測(cè)映射到一個(gè)低維或離散的潛在空間，這個(gè)潛在空間既要壓縮信息，也要保留那些對(duì)未來(lái)預(yù)測(cè)和決策至關(guān)重要的結(jié)構(gòu)（比如物體的速度、相對(duì)位置、可碰撞性、路面屬性等）。

生成/動(dòng)力學(xué)模塊則在這個(gè)潛在空間上學(xué)習(xí)時(shí)間演化規(guī)則，給定當(dāng)前潛在狀態(tài)和動(dòng)作，預(yù)測(cè)下一步潛在狀態(tài)或直接生成下一幀觀測(cè)。一旦這套機(jī)制可用，就能在內(nèi)部做軌跡采樣、比較不同動(dòng)作序列的后果，進(jìn)而選擇一個(gè)看起來(lái)更安全、更高收益的動(dòng)作。這種“先想后做”的模式，正是世界模型在機(jī)器人和自動(dòng)控制里被看好的核心原因。

當(dāng)然，世界模型并不是生成像素級(jí)的逼真畫(huà)面，而是在某種抽象層面上保留因果和可操作的信息。換言之，對(duì)于世界模型來(lái)說(shuō)，能不能預(yù)測(cè)未來(lái)的高層結(jié)構(gòu)（哪個(gè)物體會(huì)碰到哪個(gè)物體，速度會(huì)如何變化，行人的意圖是不是要橫穿馬路）比單純把畫(huà)面渲染得漂亮更重要。這也是為什么有些工作不做原始像素的逐幀生成，而是去預(yù)測(cè)四維占據(jù)（4Doccupancy）、幾何表示、BEV（bird-eyeview）軌跡或更緊湊的行為意圖。

世界模型到底是在“理解”還是“預(yù)測(cè)”？

如果非要在“理解世界”與“預(yù)測(cè)未來(lái)”之間選一項(xiàng)作為世界模型的本質(zhì)，智駕最前沿以為，世界模型本質(zhì)上是為了預(yù)測(cè)而構(gòu)建的表征系統(tǒng)，但這種預(yù)測(cè)是為決策服務(wù)的，因此它等同于一種可操作的理解。也就是說(shuō)，世界模型通過(guò)預(yù)測(cè)未來(lái)（短期或中期）的能力來(lái)體現(xiàn)對(duì)世界的理解，但這種理解是功能性的、以行為為導(dǎo)向的，而不是哲學(xué)意義上的知道世界為什么存在的那種理解。

其實(shí)對(duì)于世界模型來(lái)說(shuō)，預(yù)測(cè)是手段不是目的，世界模型的最終目的是改善決策效果，而預(yù)測(cè)未來(lái)只是實(shí)現(xiàn)該目的的方式?！袄斫狻睂?duì)于世界模型也只是一種可操作的形式，它不是詞典式的定義或人文式的領(lǐng)悟，而是把有用的因果、動(dòng)力學(xué)、約束編碼進(jìn)模型，使模型在遇到新情況時(shí)能推測(cè)后果并選擇更優(yōu)行動(dòng)。此外，世界模型的理解也只是一個(gè)工程目標(biāo)，其能否把預(yù)測(cè)變成安全的、魯棒的決策依據(jù)，比其能不能進(jìn)行人類(lèi)化的理解更關(guān)鍵，也更實(shí)際。

對(duì)自動(dòng)駕駛的影響

在傳統(tǒng)自動(dòng)駕駛系統(tǒng)里，感知負(fù)責(zé)識(shí)別和定位，預(yù)測(cè)負(fù)責(zé)給出軌跡或意圖的分布，決策/規(guī)劃再根據(jù)這些輸入做路徑選擇。引入世界模型后，系統(tǒng)可以在內(nèi)部模擬各種動(dòng)作序列和外界響應(yīng)，評(píng)估不同策略在模擬未來(lái)中的長(zhǎng)期效果，使自動(dòng)駕駛系統(tǒng)不再只依賴(lài)短期軌跡預(yù)測(cè)。這意味著系統(tǒng)能在更長(zhǎng)時(shí)間尺度上權(quán)衡風(fēng)險(xiǎn)和收益，而不是根據(jù)每一幀的數(shù)據(jù)做短期判斷。

世界模型也為自動(dòng)駕駛提供了一項(xiàng)關(guān)鍵技術(shù)方案，在模擬環(huán)境里，世界模型可批量生成極端情況，用于訓(xùn)練和驗(yàn)證，減少了現(xiàn)實(shí)路測(cè)需要費(fèi)時(shí)費(fèi)力且非常危險(xiǎn)的問(wèn)題。如自動(dòng)駕駛大模型GAIA-1就利用視頻、文本和動(dòng)作的聯(lián)合建模，合成了多樣的駕駛場(chǎng)景，用于訓(xùn)練更魯棒的策略。當(dāng)然，這一方案需要注意合成場(chǎng)景必須高質(zhì)量并且覆蓋真實(shí)分布的關(guān)鍵薄弱點(diǎn)，否則訓(xùn)練出來(lái)的策略在真實(shí)世界中將無(wú)法使用。因此對(duì)于自動(dòng)駕駛來(lái)說(shuō)，世界模型是一種強(qiáng)補(bǔ)充手段，而不是完全替代真實(shí)路測(cè)的工具。

世界模型可以給自動(dòng)駕駛帶來(lái)前瞻性的預(yù)測(cè)，但這種前瞻性并非無(wú)誤。自動(dòng)駕駛系統(tǒng)在依賴(lài)世界模型做決策時(shí)，必須有明確的不確定性度量與回退策略，在模型信心不足或預(yù)測(cè)分布過(guò)于分散時(shí)，系統(tǒng)應(yīng)退回更保守的控制策略或請(qǐng)求人工干預(yù)。

世界模型如何處理長(zhǎng)尾問(wèn)題？

對(duì)于自動(dòng)駕駛來(lái)說(shuō)，真實(shí)交通環(huán)境是非常復(fù)雜的，無(wú)論是對(duì)于哪種模型來(lái)說(shuō)，想在學(xué)習(xí)階段就搜集所有的數(shù)據(jù)是完全不可能的。那世界模型是如何處理這一問(wèn)題的？

世界模型會(huì)先用真實(shí)數(shù)據(jù)學(xué)習(xí)表征和基本動(dòng)力學(xué)，再用生成式或模擬方法擴(kuò)展到稀有場(chǎng)景。近年來(lái)就有一些生成式世界模型（例如把視頻、動(dòng)作、文本聯(lián)合建模的那類(lèi)）用無(wú)監(jiān)督或自監(jiān)督手段來(lái)學(xué)習(xí)高層結(jié)構(gòu)，然后用這些模型合成數(shù)據(jù)來(lái)訓(xùn)練策略或進(jìn)行安全測(cè)試。

這種方式的好處是能在模擬中“壓縮”長(zhǎng)尾風(fēng)險(xiǎn)的出現(xiàn)頻率，加速策略在極端情況的魯棒性提升；其壞處就是合成分布和現(xiàn)實(shí)分布的差異可能引入偏差或假象，導(dǎo)致訓(xùn)練結(jié)果與現(xiàn)實(shí)有偏差。

很多技術(shù)方案中會(huì)用不同模態(tài)（視覺(jué)、雷達(dá)、激光、地圖）融合進(jìn)表征，用基于潛在變量的生成模型或基于JEPA的預(yù)測(cè)架構(gòu)來(lái)學(xué)習(xí)時(shí)間一致性的表示，再用規(guī)劃器或強(qiáng)化學(xué)習(xí)算法在潛在空間里做閉環(huán)訓(xùn)練。

這樣做的目的是減小原始觀測(cè)維度的噪聲影響，把決策問(wèn)題放在更穩(wěn)定的抽象層上。最新的一些技術(shù)甚至把世界模型做成離散token序列的形式，把預(yù)測(cè)問(wèn)題變?yōu)樾蛄猩蓡?wèn)題，借助大規(guī)模序列模型的力量來(lái)提升長(zhǎng)時(shí)序的穩(wěn)定性。

無(wú)論是哪種技術(shù)路線(xiàn)，其核心都是用內(nèi)部模型來(lái)替代部分真實(shí)交互，以節(jié)省成本并提升安全性。

最后的話(huà)

回到最開(kāi)始的問(wèn)題，世界模型是理解世界還是預(yù)測(cè)未來(lái)？答案是二者兼有。世界模型通過(guò)學(xué)習(xí)內(nèi)部表征來(lái)提高對(duì)未來(lái)的預(yù)測(cè)能力，而這些預(yù)測(cè)主要是為決策和行動(dòng)服務(wù)的。

世界模型通過(guò)提供一個(gè)可理解、可推理的世界表征，賦予了自動(dòng)駕駛系統(tǒng)預(yù)測(cè)未來(lái)的能力。理解是預(yù)測(cè)的基礎(chǔ)，預(yù)測(cè)是理解的延伸與應(yīng)用。二者緊密耦合，讓自動(dòng)駕駛從“感知-反應(yīng)”模式，進(jìn)化到“理解-推演-決策”的更高層次，這正是其技術(shù)變革性的關(guān)鍵所在。

審核編輯 黃宇