在L4級無人駕駛從技術驗證邁入規?；虡I化的當下，行業出現了一道核心命題：如果A駕駛能力已經超越了教它開車的人類，那以后如何讓系統持續、高效、低成本地自我進化？

近日，自動駕駛企業小馬智行（PONY）提出了解決思路：該公司正式發布其PonyWorld世界模型2.0，這不僅是一次技術升級，更標志著自動駕駛研發范式正從“人類驅動”向“AI驅動”發生根本性轉變。

在這套新系統中，AI不再是被動接受人類指令的學生，而是能自我診斷、定向進化，并反過來指導人類團隊工作的“首席研發官”。

【資料圖】

AI開啟“自我進化”飛輪

據悉，小馬智行是從2020年啟動世界模型研發的，初衷是跳出“模仿人類駕駛”的局限，轉向以“開得更好”為目標的強化學習路徑，這就如同AlphaGo不靠模仿人類棋譜，而是通過自我對弈突破能力上限。

與PonyWorld世界模型1.0版本相比，如今2.0最本質的變化，是AI具備了自知之明與自我改進能力，不再依賴人工定位問題、分配任務。其核心突破在于三大能力：

第一，自我診斷。依托車端模型中的“Intention（意圖）語義層”，系統能清晰回溯每一次駕駛決策的邏輯。例如，“我在此減速，是因為預判右前方行人將橫穿馬路”。這種結構化表達使得系統能自動區分問題是出在感知、意圖生成還是動作執行環節。

第二，定向進化?；谠\斷結果，世界模型2.0能主動識別自身精度不足的場景，并自動生成精準的數據采集指令。例如：“請于下午4:30-5:30，在A、B、C三個路口，重點采集逆光條件下非機動車與行人混行數據?！惫こ處煹慕巧纱藦摹敖涷炁袛嗾摺鞭D變為“AI指令執行者”。

第三，訓練效率躍升。系統可跳過已熟練掌握的“送分題”，專攻薄弱環節，大幅減少無效計算與存儲開銷。

這一系列變革，構建了一個強大的“精度飛輪”：大規模L4無人車隊運營→產生真實世界高價值數據（尤其是AI與其他交通參與者的獨特交互數據）→世界模型精度提升→車端模型能力增強→支撐更大規模部署→產生更多高價值數據。

小馬智行強調，當AI駕駛能力已遠超人類后，普通人類駕駛數據對其進化價值趨近于零，唯有其自身在真實世界中產生的千萬公里級純無人駕駛數據，才是推動世界模型持續進化的“燃料”。這構成了極高的結構性壁壘。

人類為AI打工？

世界模型2.0的深遠意義，遠不止于技術本身。它正在重塑整個研發組織的運作邏輯。

自動駕駛研發的早期階段，行業高度依賴工程師經驗：人設計規則、標注數據、判斷訓練重點，效率天花板明顯。當AI駕駛水平遠超人類，人類指導反而可能誤導模型迭代——這正是小馬智行推動范式變革的核心原因。

世界模型2.0落地后，人類工程師的角色徹底轉變：從教AI開車的“駕校教練”，變為響應AI需求的“定向數據采集員”與“系統執行者”。

研發人員、測試工程師、運營團隊——整個組織開始圍繞世界模型2.0的“精度需求”來運轉。它說哪里弱，人類就去補哪里的數據。它說哪類場景需要更多真實樣本，人類就開著車去跑那類場景。

“研發人員在給世界模型2.0打工?！薄@不是一句玩笑話，而是一種全新的研發范式。

在業內人士看來，這一變革的商業價值直擊行業痛點：L4級無人駕駛對安全性要求極致，普通人類駕駛數據的提升價值已趨近于零，只有AI在真實路況中產生的獨特交互數據，才能推動模型持續進化。

從技術路線看，小馬智行堅持跳過語言層“中間商”，傳感器數據直接映射駕駛動作，配合Intention意圖層實現可解釋、可調試、可迭代，既節省算力，又讓物理世界的建模更直接高效，與部分廠商走的VLA（視覺-語言-動作）路線形成鮮明差異。

從這個角度看，小馬智行在自動駕駛領域的深耕，或許正在為其打開一扇通往更廣闊物理AI世界的大門。而這場由世界模型2.0引領的研發范式革命，或將重新定義人工智能與物理世界交互的未來。