文远知行推出 WITT，这是一种基于原子物理事实的物理 AI 认知基础模型 | WRD 股票新闻

在谷歌搜索和人工智能答案中查看更多来自 StockTitan 的信息。将 StockTitan 添加为首选来源 · 打开谷歌

在谷歌上添加

新模型将现实世界的操作数据转化为可信事实，并将可信事实转化为物理人工智能系统的学习信号

关键亮点

• WeRide 推出了 WITT（世界智能走向真理），这是一个物理人工智能认知基础模型，旨在通过从现实世界经验中提取的可信事实构建对物理世界的人工智能认知。
• WITT 引入了原子物理事实（APFs），这是关于物理世界的最小可验证信息单元，为物理人工智能建立了一个基于事实的认知框架。
• WITT 基于四个核心能力——事实提取、事实推理、事实验证和事实策划——持续将现实世界数据转化为可信的学习信号，用于人工智能的训练、评估和迭代。
• 与显著更大的通用人工智能模型相比，WITT 将令牌成本降低了多达 98%，并提供高达 200 倍的数据处理效率。

上海，2026 年 7 月 17 日（全球新闻稿）——WeRide（纳斯达克：WRD，香港交易所：0800），全球领先的自动驾驶技术公司，今天推出了 WITT（世界智能走向真理），这是一个 物理人工智能认知基础模型，旨在通过从现实世界经验中提取的可信事实构建对物理世界的人工智能认知。

利用视觉语言模型（VLM）能力，WITT 引入了一个新概念——原子物理事实（APFs），并为物理人工智能建立了一个基于事实的认知框架。通过连接视频、图像和文本的多模态信息，WITT 将不断演变的现实世界环境分解为可识别、可推理和可验证的事实，建立了一个以物理事实为中心的新一代人工智能理解。

WITT 代表_世界智能走向真理_，其灵感来自哲学家路德维希·维特根斯坦，他提出的_“世界是事实的总和”_与物理人工智能的基本逻辑密切相关。为了构建对物理世界的认知，人工智能必须首先识别嵌入在环境、行为、规则、风险和时间关系中的可信事实。这些事实成为推理、判断和决策的基础。

WeRide WITT，一个基于原子物理事实的物理人工智能认知基础模型

随着物理人工智能从研究走向现实部署，自动驾驶已成为第一个实现大规模商业验证的领域。然而，构建能够可靠理解物理世界的人工智能系统仍然是一个根本挑战。

大量的现实世界数据持续呈指数增长，识别和利用具有真正训练、评估和迭代价值的数据仍然困难。高价值的长尾场景本质上稀缺，而从 L4 自动驾驶操作和生产 ADAS 系统收集的数据集通常包含人为干预、无效片段和其他形式的噪声。通用人工智能模型在一致性地解释复杂交通环境方面也可能面临困难，导致幻觉、事实错误和不完整的场景理解。

行业越来越需要一种高效且可信的数据理解机制——能够持续从现实驾驶数据中提取有意义的场景事实，提高训练、评估和模型迭代的质量和效率，并将现实世界经验转化为推动自主系统演变的可信学习信号。

WITT 的开发旨在解决这一挑战。

WITT 根植于 WeRide 的大规模自动驾驶操作，持续从大量操作数据中提取模式、关系和可信事实。WITT 并不将数据视为模型训练的原始输入，而是将可信事实视为物理人工智能认知的基本构建块。这一基础使模型能够通过四个核心能力将现实世界经验转化为结构化知识：事实提取、事实推理、事实验证和事实策划。

这些能力共同创建了一个完整的管道，涵盖场景理解、事件归因、数据验证和学习策划——使每公里的现实驾驶数据都成为模型改进的可信信号。

事实提取

WITT 从现实驾驶数据中识别和提取三类原子物理事实：标准驾驶事实、多主体交互事实和物理模糊条件。这些事实共同捕捉日常交通行为、交通参与者之间不断演变的关系以及复杂物理环境中的不确定性。

例如，一段驾驶视频可以分解为多个原子物理事实，包括因雨导致的能见度降低、一名行人进入人行道、一个自车减速、附近车辆并行行驶、交通信号变化和碰撞风险增加。每个事实都旨在高度可靠、可追溯和可验证，从而提供更丰富的场景描述，并为后续的推理、验证和学习提供基础。

事实推理

在提取事实后，WITT 分析场景中的关键事件、行为关系和不断演变的风险，同时识别这些事件的潜在原因和可能轨迹。

在自动驾驶的研发阶段，工程师们常常需要在庞大的视频数据集中搜索特定的长尾场景，例如行人在施工区域突然穿越、在能见度差的情况下偏离车道，或在狭窄道路遭遇中的复杂让行操作。借助集成的视频智能引擎，WITT 使用户能够通过关键词或自然语言查询检索目标场景，显著提高场景发现、数据调查和根本原因分析的效率。

事实验证

为了减少与通用 AI 模型相关的幻觉，WITT 从六个维度评估输出：

• 脆弱道路用户
• 自车行为
• 周围车辆行为
• 场景理解
• 综合事实
• 交通设施

该模型引入了事实置信度评分，并根据外部物理证据验证结论，以确定解释是否得到可观察现实的支持。

通过跟踪事实错误、幻觉、遗漏和时间不一致性，WITT 为数据用户提供了质量基准，并为模型训练提供了偏好信号，持续引导 AI 系统朝着更准确和基于物理的理解发展。

目前，WITT 在自动驾驶场景理解任务中的平均事实错误率约为领先通用 AI 模型的三分之一。

事实策划

在实际操作中，并非所有数据对模型学习的贡献都是相同的。WITT 自动识别高价值事实，并将其引导到最有效的学习工作流程中，以最大化模型改进。

稀有的长尾场景可以返回到 WeRide GENESIS，该公司的专有通用仿真模型，用于仿真训练和场景扩展。高频的日常场景可以支持强化学习和工作流程优化。异常或模糊的数据可以被引导进入审查流程，以防止有价值的信息被错误地丢弃为噪声。

通过确保每一条数据遵循最合适的学习路径，WITT 最大化了现实世界操作数据的价值，并持续将经验转化为模型智能。

在 WeRide 的物理 AI 架构中，WITT 作为关键的理解和评估层。与 WeRide GENESIS，该公司的专有通用仿真模型一起，WITT 形成了一个物理 AI 飞轮，持续将现实世界的经验转化为模型改进。

WITT 从现实世界数据中提取、理解、验证和策划物理事实，而 GENESIS 则基于这些事实生成高保真仿真环境和长尾训练场景。两个系统共同训练和改进车辆侧模型，使自动驾驶系统能够通过现实世界经验和合成世界学习不断演进。

与通常依赖数千亿参数的通用 AI 模型相比，WITT 以显著更高效的架构提供强大的性能。该模型将令牌成本降低了多达 98%，每天在单个 GPU 上处理多达 10,000 分钟的车辆操作视频，并在可比工作负载中提供高达 200 倍的数据处理效率。

在标注工作流程中，向 WITT 发出的单个请求可以生成超过 100 个动态标签，使大量现实世界驾驶视频能够快速检索、验证并纳入模型开发流程，从而成为持续积累的事实资产。

在这个物理 AI 飞轮的支持下，WeRide 已成为全球唯一一家实现 L4 自动驾驶和 L2++ 智能驾驶系统大规模商业部署的公司。

在 L4 领域，WeRide 已在八个国家和市场获得自动驾驶许可证，在 12 个国家的 40 多个城市部署了自动驾驶产品，并运营着超过 3,000 辆自动驾驶车辆。其 Robotaxi 服务已在广州、北京、阿布扎比和迪拜实现了常规的大规模完全无人驾驶商业运营。

与此同时，通过 L4 操作积累的高质量数据和模型能力正不断转移到 WeRide 的一阶段端到端 ADAS 解决方案中，通过公司的物理 AI 飞轮。今天，WRD 3.0 在中国城市智能驾驶竞赛中获得了前所未有的六连胜。该解决方案还被选用于近 30 个车辆项目，并在包括奇瑞 Exeed 和广汽埃安在内的多个车辆平台上投入生产。除了中国，它还将技术验证扩展到德国、法国和日本等国际市场。

从自动驾驶这一物理 AI 最数据密集和操作复杂的环境开始，WITT 展示了物理 AI 应用的更广泛潜力。

随着物理 AI 进入大规模部署的新阶段，WeRide 将继续推进基于现实世界验证的认知基础模型，使 AI 能够超越对物理世界的理解，向在其中大规模操作迈进。

关于 WeRide

文远知行是全球领先的自动驾驶行业先行者，也是首家上市的无人出租车公司。我们的自动驾驶车辆已在 12 个国家的 40 多个城市进行了测试或运营。我们也是首家也是唯一一家在八个市场获得自动驾驶许可证的科技公司：包括中国、阿联酋、新加坡、法国、瑞士、沙特阿拉伯、比利时和美国。凭借智能、多功能、经济高效且高度适应的文远知行一号平台，文远知行提供从 L2 到 L4 的自动驾驶产品和服务，满足出行、物流和卫生行业的运输需求。文远知行被评选为《财富》2025 年改变世界和 2025 年未来 50 强名单。

媒体联系方式

文远知行: pr@weride.ai

安全港声明

本新闻稿包含可能构成 “前瞻性” 声明的内容，依据 1995 年美国私人证券诉讼改革法案的 “安全港” 条款。这些前瞻性声明可以通过诸如 “将”、“预计”、“预期”、“旨在”、“未来”、“打算”、“计划”、“相信”、“估计”、“可能” 等术语识别。非历史事实的声明，包括关于文远知行的信念、计划和预期的声明，均为前瞻性声明。前瞻性声明涉及固有的风险和不确定性。有关这些及其他风险的进一步信息包含在文远知行向美国证券交易委员会的备案文件中，以及在香港证券交易所网站上的公告中。本新闻稿中提供的所有信息均为本新闻稿发布之日的信息。文远知行不承担更新任何前瞻性声明的义务，除非适用法律要求。

与本公告相关的照片可在 https://www.globenewswire.com/NewsRoom/AttachmentNg/1c65b514-0de6-4659-aa53-fa043da4cdf1 获取。