7月17日，文远知行正式发布自研物理AI认知基础大模型WeRide WITT。该模型基于视觉语言大模型能力，首次引入“最小物理事实单元”概念，将连续变化的真实场景拆解为可被识别和验证的事实单元，构建起以物理事实为核心的新一代AI理解框架。
WITT全称World Intelligence Toward Truth，意为“以可信事实建立世界认知”。这一命名致敬了20世纪哲学家路德维希·维特根斯坦，其“世界是事实的总和”观点与物理AI底层逻辑高度契合：AI要认知真实世界，关键在于从环境、行为、规则、风险与时序关系中提炼可信事实，在此基础上形成对物理世界的判断与推理。
痛点驱动：物理AI落地需要高效的数据理解机制
随着物理AI落地进程加速，自动驾驶成为首个可被大规模商业化验证的赛道，痛点集中显现：数据越来越多，但真正有训练价值、评测价值和迭代价值的数据不易被高效识别和利用；高价值长尾样本稀缺，L4实际运营与L2量产数据中混杂着人为接管、无效片段等噪声；通用大模型在理解复杂交通场景时，容易产生幻觉与误判。行业亟须一套高效、可信的数据理解机制，从真实道路数据中持续提炼有效的场景事实。
记者获悉，WeRide WITT根植于文远知行全球商业化运营的数据土壤，从海量运营信息中提炼物理世界的认知规律，形成事实提取、事实推理、事实验证、事实编排四大核心能力，贯通从场景识别、事件归因到数据验证、学习分流的完整链路。
让每一公里真实道路数据成为可信的模型迭代信号
实际执行，事实提取层面，WITT能够从标准驾驶事实、多主体交互事实和物理模糊条件三个维度，识别真实道路视频中的“最小物理事实单元”。例如，一段夜间雨天城市道路行车的视频，会被拆解为自车右转、城市道路、交叉口、路口信号变化等多个事实单元，每个单元都具备高置信、可校准、可追溯的特征。
事实推理层面，WITT能够进一步推理场景中的关键事件、行为关系与风险变化，并分析事件成因和后续演化趋势。依托内置视频数据引擎，支持通过关键词或自然语言问题快速检索海量视频数据，精准定位相关时序和目标场景，大幅提升长尾样本发现、数据回溯和问题定位效率。
事实验证层面，为避免通用大模型产生幻觉，WITT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，并引入事实置信度，调用外部物理证据反向验证结论是否成立。当前WITT在自动驾驶垂类场景中的平均每片段事实错误率仅约为通用大模型的三分之一。
事实编排层面，WITT能够按照学习价值对事实视频进行智能分流：稀缺长尾场景回流至文远知行自研世界模型WeRide GENESIS用于模拟训练；高频日常场景用于强化学习和流程优化；异常片段进入复核机制，最大化释放真实道路数据价值。
从L4到L2++的技术迁移与商业化验证
由此，WeRide WITT与WeRide GENESIS在云端共同驱动文远知行物理AI飞轮：WITT负责从真实道路数据中提取、理解、验证和编排物理事实，GENESIS据此生成高保真仿真场景与长尾训练场景，二者协同训练车端模型。相较于百B级参数的通用大模型，WeRide WITT以更轻量的模型规模，在同类任务中可节省98%的Token成本，单卡单日可处理1万分钟车辆运行视频，最高实现200倍数据处理效率提升。
依托物理AI飞轮，文远知行成为全球唯一实现L4级无人驾驶和L2++辅助驾驶规模商业应用的公司。在L4领域，文远知行手握八国自动驾驶牌照，产品落地12个国家、40多座城市，L4自动驾驶车队数量超过3000辆，Robotaxi在广州、北京、阿布扎比、迪拜两国四城开启常态化大规模纯无人商业运营。L4积累的高质量数据和模型能力，正通过物理AI飞轮持续迁移至L2++一段式端到端ADAS方案WRD 3.0。该方案已在中国智驾大赛中获得六连冠，获得近30个车型定点，量产上车奇瑞星途星纪元、广汽埃安N60等车型，并成功技术出海至德国、法国、日本等国家。
观察： 物理AI认知基础模型的产业价值
WeRide WITT的发布，揭示了物理AI从“数据驱动”走向“事实驱动”的演进路径。在自动驾驶数据规模已不再是瓶颈的当下，如何让海量数据真正转化为模型的认知能力，成为衡量技术实力的关键标尺。WITT通过“最小物理事实单元”的提取与验证，将真实道路经验转化为可追溯、可迭代的事实资产，为自动驾驶的规模化落地提供了新的理解框架。
从更宏观的视角看，WITT的设计初衷不仅服务于自动驾驶。其对物理事实的统一建模能力，也为具身智能等更广泛物理AI场景提供了理解真实世界的底层能力。当AI从认知物理世界走向作用于物理世界，一套高效、可信的“事实理解机制”将成为通用基础设施。文远知行以自动驾驶为起点积累的技术经验，正在为物理AI的更大规模落地探路。
