文遠知行推出 WITT，這是一種基於原子物理事實的物理 AI 認知基礎模型 | WRD 股票新聞

在谷歌搜索和人工智能答案中查看更多來自 StockTitan 的信息。將 StockTitan 添加為首選來源 · 打開谷歌

在谷歌上添加

新模型將現實世界的操作數據轉化為可信事實，並將可信事實轉化為物理人工智能系統的學習信號

關鍵亮點

• WeRide 推出了 WITT（世界智能走向真理），這是一個物理人工智能認知基礎模型，旨在通過從現實世界經驗中提取的可信事實構建對物理世界的人工智能認知。
• WITT 引入了原子物理事實（APFs），這是關於物理世界的最小可驗證信息單元，為物理人工智能建立了一個基於事實的認知框架。
• WITT 基於四個核心能力——事實提取、事實推理、事實驗證和事實策劃——持續將現實世界數據轉化為可信的學習信號，用於人工智能的訓練、評估和迭代。
• 與顯著更大的通用人工智能模型相比，WITT 將令牌成本降低了多達 98%，並提供高達 200 倍的數據處理效率。

上海，2026 年 7 月 17 日（全球新聞稿）——WeRide（納斯達克：WRD，香港交易所：0800），全球領先的自動駕駛技術公司，今天推出了 WITT（世界智能走向真理），這是一個 物理人工智能認知基礎模型，旨在通過從現實世界經驗中提取的可信事實構建對物理世界的人工智能認知。

利用視覺語言模型（VLM）能力，WITT 引入了一個新概念——原子物理事實（APFs），併為物理人工智能建立了一個基於事實的認知框架。通過連接視頻、圖像和文本的多模態信息，WITT 將不斷演變的現實世界環境分解為可識別、可推理和可驗證的事實，建立了一個以物理事實為中心的新一代人工智能理解。

WITT 代表_世界智能走向真理_，其靈感來自哲學家路德維希·維特根斯坦，他提出的_“世界是事實的總和”_與物理人工智能的基本邏輯密切相關。為了構建對物理世界的認知，人工智能必須首先識別嵌入在環境、行為、規則、風險和時間關係中的可信事實。這些事實成為推理、判斷和決策的基礎。

WeRide WITT，一個基於原子物理事實的物理人工智能認知基礎模型

隨着物理人工智能從研究走向現實部署，自動駕駛已成為第一個實現大規模商業驗證的領域。然而，構建能夠可靠理解物理世界的人工智能系統仍然是一個根本挑戰。

大量的現實世界數據持續呈指數增長，識別和利用具有真正訓練、評估和迭代價值的數據仍然困難。高價值的長尾場景本質上稀缺，而從 L4 自動駕駛操作和生產 ADAS 系統收集的數據集通常包含人為干預、無效片段和其他形式的噪聲。通用人工智能模型在一致性地解釋複雜交通環境方面也可能面臨困難，導致幻覺、事實錯誤和不完整的場景理解。

行業越來越需要一種高效且可信的數據理解機制——能夠持續從現實駕駛數據中提取有意義的場景事實，提高訓練、評估和模型迭代的質量和效率，並將現實世界經驗轉化為推動自主系統演變的可信學習信號。

WITT 的開發旨在解決這一挑戰。

WITT 根植於 WeRide 的大規模自動駕駛操作，持續從大量操作數據中提取模式、關係和可信事實。WITT 並不將數據視為模型訓練的原始輸入，而是將可信事實視為物理人工智能認知的基本構建塊。這一基礎使模型能夠通過四個核心能力將現實世界經驗轉化為結構化知識：事實提取、事實推理、事實驗證和事實策劃。

這些能力共同創建了一個完整的管道，涵蓋場景理解、事件歸因、數據驗證和學習策劃——使每公里的現實駕駛數據都成為模型改進的可信信號。

事實提取

WITT 從現實駕駛數據中識別和提取三類原子物理事實：標準駕駛事實、多主體交互事實和物理模糊條件。這些事實共同捕捉日常交通行為、交通參與者之間不斷演變的關係以及複雜物理環境中的不確定性。

例如，一段駕駛視頻可以分解為多個原子物理事實，包括因雨導致的能見度降低、一名行人進入人行道、一個自車減速、附近車輛並行行駛、交通信號變化和碰撞風險增加。每個事實都旨在高度可靠、可追溯和可驗證，從而提供更豐富的場景描述，併為後續的推理、驗證和學習提供基礎。

事實推理

在提取事實後，WITT 分析場景中的關鍵事件、行為關係和不斷演變的風險，同時識別這些事件的潛在原因和可能軌跡。

在自動駕駛的研發階段，工程師們常常需要在龐大的視頻數據集中搜索特定的長尾場景，例如行人在施工區域突然穿越、在能見度差的情況下偏離車道，或在狹窄道路遭遇中的複雜讓行操作。藉助集成的視頻智能引擎，WITT 使用户能夠通過關鍵詞或自然語言查詢檢索目標場景，顯著提高場景發現、數據調查和根本原因分析的效率。

事實驗證

為了減少與通用 AI 模型相關的幻覺，WITT 從六個維度評估輸出：

• 脆弱道路用户
• 自車行為
• 周圍車輛行為
• 場景理解
• 綜合事實
• 交通設施

該模型引入了事實置信度評分，並根據外部物理證據驗證結論，以確定解釋是否得到可觀察現實的支持。

通過跟蹤事實錯誤、幻覺、遺漏和時間不一致性，WITT 為數據用户提供了質量基準，併為模型訓練提供了偏好信號，持續引導 AI 系統朝着更準確和基於物理的理解發展。

目前，WITT 在自動駕駛場景理解任務中的平均事實錯誤率約為領先通用 AI 模型的三分之一。

事實策劃

在實際操作中，並非所有數據對模型學習的貢獻都是相同的。WITT 自動識別高價值事實，並將其引導到最有效的學習工作流程中，以最大化模型改進。

稀有的長尾場景可以返回到 WeRide GENESIS，該公司的專有通用仿真模型，用於仿真訓練和場景擴展。高頻的日常場景可以支持強化學習和工作流程優化。異常或模糊的數據可以被引導進入審查流程，以防止有價值的信息被錯誤地丟棄為噪聲。

通過確保每一條數據遵循最合適的學習路徑，WITT 最大化了現實世界操作數據的價值，並持續將經驗轉化為模型智能。

在 WeRide 的物理 AI 架構中，WITT 作為關鍵的理解和評估層。與 WeRide GENESIS，該公司的專有通用仿真模型一起，WITT 形成了一個物理 AI 飛輪，持續將現實世界的經驗轉化為模型改進。

WITT 從現實世界數據中提取、理解、驗證和策劃物理事實，而 GENESIS 則基於這些事實生成高保真仿真環境和長尾訓練場景。兩個系統共同訓練和改進車輛側模型，使自動駕駛系統能夠通過現實世界經驗和合成世界學習不斷演進。

與通常依賴數千億參數的通用 AI 模型相比，WITT 以顯著更高效的架構提供強大的性能。該模型將令牌成本降低了多達 98%，每天在單個 GPU 上處理多達 10,000 分鐘的車輛操作視頻，並在可比工作負載中提供高達 200 倍的數據處理效率。

在標註工作流程中，向 WITT 發出的單個請求可以生成超過 100 個動態標籤，使大量現實世界駕駛視頻能夠快速檢索、驗證並納入模型開發流程，從而成為持續積累的事實資產。

在這個物理 AI 飛輪的支持下，WeRide 已成為全球唯一一家實現 L4 自動駕駛和 L2++ 智能駕駛系統大規模商業部署的公司。

在 L4 領域，WeRide 已在八個國家和市場獲得自動駕駛許可證，在 12 個國家的 40 多個城市部署了自動駕駛產品，並運營着超過 3,000 輛自動駕駛車輛。其 Robotaxi 服務已在廣州、北京、阿布扎比和迪拜實現了常規的大規模完全無人駕駛商業運營。

與此同時，通過 L4 操作積累的高質量數據和模型能力正不斷轉移到 WeRide 的一階段端到端 ADAS 解決方案中，通過公司的物理 AI 飛輪。今天，WRD 3.0 在中國城市智能駕駛競賽中獲得了前所未有的六連勝。該解決方案還被選用於近 30 個車輛項目，並在包括奇瑞 Exeed 和廣汽埃安在內的多個車輛平台上投入生產。除了中國，它還將技術驗證擴展到德國、法國和日本等國際市場。

從自動駕駛這一物理 AI 最數據密集和操作複雜的環境開始，WITT 展示了物理 AI 應用的更廣泛潛力。

隨着物理 AI 進入大規模部署的新階段，WeRide 將繼續推進基於現實世界驗證的認知基礎模型，使 AI 能夠超越對物理世界的理解，向在其中大規模操作邁進。

關於 WeRide

文遠知行是全球領先的自動駕駛行業先行者，也是首家上市的無人出租車公司。我們的自動駕駛車輛已在 12 個國家的 40 多個城市進行了測試或運營。我們也是首家也是唯一一家在八個市場獲得自動駕駛許可證的科技公司：包括中國、阿聯酋、新加坡、法國、瑞士、沙特阿拉伯、比利時和美國。憑藉智能、多功能、經濟高效且高度適應的文遠知行一號平台，文遠知行提供從 L2 到 L4 的自動駕駛產品和服務，滿足出行、物流和衞生行業的運輸需求。文遠知行被評選為《財富》2025 年改變世界和 2025 年未來 50 強名單。

媒體聯繫方式

文遠知行: pr@weride.ai

安全港聲明

本新聞稿包含可能構成 “前瞻性” 聲明的內容，依據 1995 年美國私人證券訴訟改革法案的 “安全港” 條款。這些前瞻性聲明可以通過諸如 “將”、“預計”、“預期”、“旨在”、“未來”、“打算”、“計劃”、“相信”、“估計”、“可能” 等術語識別。非歷史事實的聲明，包括關於文遠知行的信念、計劃和預期的聲明，均為前瞻性聲明。前瞻性聲明涉及固有的風險和不確定性。有關這些及其他風險的進一步信息包含在文遠知行向美國證券交易委員會的備案文件中，以及在香港證券交易所網站上的公告中。本新聞稿中提供的所有信息均為本新聞稿發佈之日的信息。文遠知行不承擔更新任何前瞻性聲明的義務，除非適用法律要求。

與本公告相關的照片可在 https://www.globenewswire.com/NewsRoom/AttachmentNg/1c65b514-0de6-4659-aa53-fa043da4cdf1 獲取。