东吴汽车AI系列深度24期：世界模型作为数据工厂

这份研报探讨了物理AI的数据范式从抓取已有数据转向制造所需的变化，核心是介绍世界模型作为这一转变的核心基础设施。报告指出数字AI主要利用存量数据，而物理AI则聚焦于采集稀缺极端场景数据，成本高且难以穷尽。世界模型目前存在理解世界和预测世界两条技术路径，Waymo、英伟达等海外企业及阿里、字节等国内大厂均在积极布局。但生成式世界模型在长时程、稀缺场景生成上存在可靠性问题，主要分为外生受控和内生自我演进两类思路。

自动驾驶领域世界模型技术正从数据抓取转向数据制造，核心是利用世界模型生成高质量仿真数据。当前技术主要分为理解世界和预测世界两条路径，海外如Waymo、英伟达已发布相关模型，国内阿里、字节等有通用视频生成基座，理想、小鹏等车企也在布局专用模型。但生成式世界模型在长时程、稀缺场景的可靠性仍待提升，主要依赖外生受控或内生自我演进思路，未来需解决退化、错位等问题，确保满足安全闭环要求。

研报重点分析了世界模型作为物理AI数据制造的核心作用，对比了数字AI与物理AI的数据范式差异，指出后者因场景稀缺导致采集成本高、难以穷尽。同时梳理了世界模型的技术路径（理解世界、预测世界）及主要玩家进展，包括Waymo、英伟达等海外企业，以及阿里、字节等国内大厂的布局情况。此外，报告还关注了生成式世界模型的可靠性问题，以及通用视频生成基座与专用模型在自动驾驶数据工厂应用上的区别。

目前世界模型市场处于快速发展阶段，但距离通用模型仍有差距。海外方面，Waymo已发布Waymo World Model，英伟达推出合成数据平台，Wave推出系列模型。国内阿里、字节等大厂具备通用视频生成能力，理想、小鹏、小马智行等车企及L4厂商则聚焦自动驾驶专用世界模型。然而，生成式世界模型在长时程、稀缺场景生成上存在可靠性挑战，主要依赖外生受控或内生自我演进思路，尚未完全成熟。车企及科技公司均在积极布局，但需关注模型退化、错位等问题。

研报提示世界模型存在多重风险。首先，生成式世界模型在长时程、稀缺场景下易出现退化、错位等问题，影响模型可靠性。其次，通用视频生成基座不能直接用于自动驾驶数据工厂，专用模型必须满足安全闭环要求。此外，世界模型自身的可靠性需同步评估，不能仅依赖数据生成规模。这些风险提示了企业在布局世界模型技术时需谨慎评估技术成熟度及安全合规性，避免过度依赖规模而忽视质量。