【一文读懂】都叫世界模型，水平为什么差这么多？

接上期“端到端、VLA、强化学习、世界模型怎么理解？”网页链接，咱们继续。

上一篇讲过，行业在端到端1.0阶段达成短暂共识之后，到了1.5阶段，又分化成两大分支：VLA vs 世界模型+强化学习【图1、图2】。

前者让AI翻阅“人类语言宝库”，从知识中学习；后者构造虚拟场景，让AI自己练。

随着VLA路线的瓶颈逐渐显现，行业又开始加大“世界模型+强化学习”的比重。蔚来NWM、Momenta R6、华为乾崑WEWA 2.0、地平线HSD V2.0，都明确强调了强化学习。

而强化学习往往和世界模型一起出现。两者是天然绑定、生死不离的吗？

并非如此！

你我从降生到这个世界的那一刻起，就开始了强化学习的漫长旅程。跌倒教会我们走路，灼痛教会我们远离火焰，失败教会我们辨认歧途；爱、失去与告别，则一点点教会我们如何成为今天的自己。

世界用奖励鼓励我们，用惩罚修正我们。这就是人生的强化学习，哪里需要什么世界模型？真实世界本身就是我们的训练场。

理论上，智能驾驶也不需要世界模型。直接OTA给用户，让大家上路跑呗！但这会遇到两个近乎无解的问题：

- 后果严重：人学走路时摔一跤，通常只是疼一下；智能驾驶试错一旦失败，却可能车毁人亡。就像咱们掉进悬崖，其实也学不到什么东西。你不能为了教会它处理鬼探头，就真的安排一个人冲到车前；也不能为了让它学习极限避让，先在现实中撞上几百次。

- 概率太低：Corner Case种类极多，但每一种出现的概率又极低。完全依靠真实道路收集，想把这些长尾场景挨个遇上一遍，不知道要等到猴年马月。

所以需要一个虚拟世界。

强化学习负责“练”，世界模型负责提供“练习场”。撞了可以重来，现实中十年难遇一次的危险场景，在里面一天可以跑上万遍。这就是所谓的“一秒万年”。

问题也随之而来：既然训练效果取决于练习场，那么不同世界模型搭出来的练习场，水平能一样吗？

青蛙小时候叫蝌蚪，虚拟环境刚起步时也只能叫“仿真”，不能一上来就封为世界模型。我研究了一圈，从科普角度把用于强化学习的虚拟环境，大致分成四代【图3】：

第一代，回放型仿真，就像录像带回放。

它对应真实数据回放：真实道路上发生过什么，系统就把它重新放一遍。这是最真实的数据，问题在于不可交互。别的车、行人、电动车，都会按照原来的轨迹走。仿真里就算你撞上了，也只会“穿模”，并不会发生真正的碰撞。

这个阶段的仿真，连红白机游戏都不如。

第二代，规则型 NPC，达到红白机游戏的水平了。

别的车终于像个活物了：你靠近，它减速；你插队，它让一下；你变道，它刹一下。但这些反应主要靠规则写出来，有点像红白机游戏里的敌人，会动，但套路固定。只要你记住规律，就可以无伤通关《魂斗罗》，称霸小县城。

很显然，这种仿真级别的训练效果有限。

第三代，学习型交通参与者，达到了3A 单机大作的水平。

别的车不再只是按规则反应，而是从真实人类驾驶数据里学出来。它会有激进、保守、犹豫、抢行等不同风格，也会根据你的动作做出更像真人的反应。就像经典3A大作大家百玩不厌一样，到了这一层，仿真才开始真正有世界模型的味道。

第四代，就是 Multi-Agent / self-play，就像多人在线大型网游。

这里不只是别人像真人，而是多个 agent 都有自己的目标和策略，甚至可以一起训练、互相逼出更复杂的局面。

你今天用一种开法，它明天可能就学会了新的应对方式。是不是开始像真实世界了？这也正是多人在线网游的魅力所在：画面、剧情可能不如单机 3A 大作，但真实互动的魅力无可替代。

以上就是虚拟训练环境的四个层次。

至于蔚来NWM、Momenta R6、华为乾崑WEWA 2.0和地平线HSD V2.0分别处于哪一层，大家可以自己分析，也欢迎在评论区告诉我答案。

从目前公开的信息来看，华为乾崑WEWA 2.0已经进入第四代，因为它明确强调了Multi-Agent群体博弈。而且，这和ADS 4、ADS 5目前的实车表现也能对得上。

世界模型先讲到这里。下一期继续讨论一个问题：

VLA可以借助语言和人类知识理解风险；但世界模型路线如果不依赖显式语言推理，它怎么知道一个行人是否准备横穿、一辆电动车会不会突然窜出来？

难道真要把路上每个对象未来几秒的所有动作都算一遍？那运算量岂不是要爆炸？世界模型WEWAVLA