文章素材來源：汽車縱橫網(wǎng)

鏈接：http://www.autoreview.com.cn

2025年7月10-12日，2025中國汽車論壇在上海嘉定舉辦。本屆論壇主題為“提質向新，智贏未來”，由“閉門峰會、大會論壇、技術領袖峰會、多場主題論壇、N場行業(yè)發(fā)布、主題參觀活動”等15場會議和若干配套活動構成，各場會議圍繞汽車行業(yè)熱點重點話題，探索方向，引領未來。其中，在7月12日上午舉辦的“主題論壇七：AI創(chuàng)新引擎，驅動智慧出行新生態(tài)”上，蘇州智行眾維智能科技有限公司總經(jīng)理安宏偉發(fā)表精彩演講。以下內(nèi)容為現(xiàn)場演講實錄：

各位領導，各位同仁，大家上午好！

非常高興有機會在汽車論壇和大家再次分享IAE智行眾維在自動駕駛和通用AI仿真測試領域所做的探索和實踐。

今天給大家匯報的題目是“仿真走向跨域融合，世界模型應用提速”。分為三部分：一是，自動駕駛仿真測試相關方向目前在做的具體工作。二是，仿真測試服務于多域多應用場景AI落地所做的探索、實踐。三是，我們探索和研究的方向，世界模型如何應用于AI相關的訓練、測試、驗證。

一、自動駕駛仿真測試現(xiàn)狀

給大家匯報我們公司目前圍繞自動駕駛做的相關工作。自動駕駛是人工智能皇冠上的明珠之一。對于自動駕駛而言，經(jīng)歷了算法由規(guī)則驅動到由數(shù)據(jù)驅動的進化。同時，數(shù)據(jù)驅動的大模型也在經(jīng)歷由大語言模型到世界模型的躍進和變化。

對于AI系統(tǒng)的安全，包括AI系統(tǒng)運行安全，我們需要通過仿真測試來確保，這已經(jīng)是行業(yè)的共識。從仿真和測試的角度來講，需要有工具鏈、數(shù)據(jù)對AI系統(tǒng)安全進行評測、訓練、驗證。這里有兩個看似存在矛盾的要求，既希望在仿真測試過程中能實現(xiàn)加速，同時還要確保它的真實，這是“既要還要”的矛盾共存體。

在測試過程中，早期基于規(guī)則驅動，或者做ADAS L1和L2級別輔助駕駛的時候，每次測試只需要幾百或者上千條測試用例就可以滿足對安全性、功能完整性的覆蓋。但是進入到L2+，更高階的輔助駕駛階段，以至L3級別自動駕駛后，我們所面臨的場景、測試需求將呈指數(shù)級的增長。在AI算法上車、面向數(shù)據(jù)驅動時代，我們測試的方法論、需要的數(shù)據(jù)量會有很大的變化。

伴隨AI算法上車，大家對此有很高的期望和預期，但實際的情況如何呢？以美國國家公路交通安全管理局統(tǒng)計的數(shù)據(jù)為例，2024年相比于2023年，由于自動駕駛所導致的交通事故上升了45%，其中有10%是致命的，是非常關鍵的事故。自動駕駛的安全到現(xiàn)在為止依然是行業(yè)里的挑戰(zhàn)，國內(nèi)的情況就不多說了，是相通的。

自動駕駛發(fā)展到今天，和AI領域的多數(shù)場景一樣，從技術端在數(shù)據(jù)方面依然面臨瓶頸和挑戰(zhàn)，前面各位同仁已經(jīng)做過詳細的介紹，不再多說。從IAE智行眾維的角度，針對AI系統(tǒng)的功能安全、預期功能安全、運行安全提出了什么樣的技術路徑做響應？兩個閉環(huán)：數(shù)據(jù)閉環(huán)、工具閉環(huán)。

通過仿真賦能數(shù)據(jù)驅動的路徑和手段，保障AI系統(tǒng)從研發(fā)設計到實際商業(yè)落地過程中的安全性。

（1）技術閉環(huán)。打造和搭建了一條仿真測試的完整工具鏈，基礎是X-In-Loop技術體系，對于自動駕駛汽車，由于車輛的復雜性，包括在道路行駛對安全性的極致要求，只在硬件、軟件或者云端單一條件下做相應的訓練和測試，對于確保它的安全是遠遠不夠的。對于這樣復雜的、對安全有極致要求的應用場景，我們需要一個技術體系、一套工具鏈來保證安全。

既需要有虛擬仿真來滿足我們對加速、效率的要求，也需要有各種虛實結合、混合仿真的方式來確保其真實性。從仿真測試的角度來講，大家在汽車行業(yè)曾經(jīng)有過設想，仿真完成90%，試驗場完成9%，路試完成1%，但和原有的ISO“三支柱法”一樣，已經(jīng)不能適應于目前高階輔助駕駛、自動駕駛的測評需求，我們的目標是要在實驗室里通過虛擬仿真、混合仿真結合的手段和技術，把更多的長尾工況、Cornercase加以覆蓋。

在這個工具鏈路里，我們提出了在汽車其他性能測試中原來所沒有的實車在環(huán)閉環(huán)測試體系，把智駕、座艙、功能安全、預期功能安全、線控底盤等相關領域的安全需要，在上路和進試驗場之前完成相應的測試驗證。

（2）數(shù)據(jù)閉環(huán)。在過去幾年里我們打造了“水木靈境”場景工場，這里的“場景數(shù)據(jù)”來自車端、路側、法規(guī)、交通事故、AI生成，服務于我們對智能駕駛算法訓練和測試要求。2023年開始，在行業(yè)里我們聯(lián)合主機廠，包括吉利、上汽、長安、廣汽等也在一起探討這方面的數(shù)據(jù)應用，在此也很感謝行業(yè)合作伙伴們給予的支持。去年公司在數(shù)據(jù)這一板塊產(chǎn)生了幾千萬的收入，這也是智能化發(fā)展到當前階段，高階算法的測試驗證對數(shù)據(jù)有越來越多的需求。

二、仿真測試走向跨域融合

2023年到2024年，因為大模型的商業(yè)化落地，包括在車端的應用，也帶動了AI在其他領域，包括飛行汽車、低空飛行器、通用機器人等方向的發(fā)展。應整個市場發(fā)展趨勢、技術發(fā)展趨勢的需求，我們原來所做的仿真工作也在由地面二維交通拓展到三維的低空，拓展到通用機器人，甚至包括在無人駕駛船舶等其他領域；響應AI應用場景往智慧出行的發(fā)展，工具鏈和數(shù)據(jù)體系也在做相應的拓展和進化。仿真所做的工作，由智能網(wǎng)聯(lián)汽車地面的二維平面模擬，在往三維，往空間智能領域做拓展。目標是服務于更廣義的智慧出行、AI應用場景落地的需要。

以具身智能、人形機器人為例，類似于自動駕駛，這些AI應用場景既有巨大的機遇，同時也有面臨的問題和挑戰(zhàn)。不論是足球賽還是機器人馬拉松，當前階段還需要人的遠程操控等諸多支持，包括對肢體、動力學的訓練和測試明顯都是不足的。

同樣，在數(shù)據(jù)端也面臨著挑戰(zhàn)和問題。該如何響應這一挑戰(zhàn)？這里分享一下我們的思考。近些年來對于合成數(shù)據(jù)、數(shù)據(jù)集、場景庫，整個行業(yè)都做了大量探索，這期間有基于真實數(shù)據(jù)做的場景重構，也有基于3D高斯、NeRF等神經(jīng)網(wǎng)絡渲染的方法做數(shù)據(jù)合成。這幾年大家也在探討世界模型的應用。當前，由于算力資源的提升，以及行業(yè)對數(shù)據(jù)的迫切需求和重視，世界模型的發(fā)展取得了比較大的進展。

我們和包括高校在內(nèi)的生態(tài)合作伙伴一直在探索，對于滿足如自動駕駛、具身智能、低空飛行等各類AI應用場景訓練測試所需要的數(shù)據(jù)到底采用什么樣的技術路徑獲取？如3D高斯這類神經(jīng)網(wǎng)絡渲染的數(shù)據(jù)有不可編輯性，生產(chǎn)成本高。而對于世界模型，原來受限于算法算力的不足，以及大模型本身有幻覺等諸多問題。

基于近年來相關技術的快速迭代發(fā)展，我們聯(lián)合生態(tài)合作伙伴將世界模型作為跨域融合仿真、獲取海量高質數(shù)據(jù)的技術底座之一。通過世界模型生產(chǎn)數(shù)據(jù)，賦能工具，為相關工具鏈提供AI增強，滿足AI應用場景對數(shù)據(jù)量和質的要求，滿足仿真訓練測試對于加速性和真實性的要求。

三、助力世界模型應用提速

下面介紹一下我們在這個方向所做的探索和取得的進展。

AI模型目前正在經(jīng)歷從大語言模型到世界模型的進化，既要服務于汽車或飛行器等智能體，同時也是AI工具鏈和數(shù)據(jù)的基礎。針對AI算法在車輛、低空飛行以及具身智能等領域應用，IAE正在把仿真工具鏈從二維平面向三維立體拓展，從而響應融合仿真對于工具鏈的需要，既基于我們所開發(fā)的DeepOCEAN.AI（深海AI虛擬仿真平臺），實現(xiàn)從車輛到更廣泛智慧出行的應用拓展。基于這一軟件平臺，針對車輛、飛行器和具身智能測試所用的工具鏈會有區(qū)別，但底層的邏輯是相通的。

數(shù)據(jù)層面，針對各種AI應用場景需要，公司技術團隊基于已有的自然駕駛真實場景和各類真實數(shù)據(jù)生產(chǎn)合成數(shù)據(jù)。合成數(shù)據(jù)生成有不同的技術路線，可以是基于真實數(shù)據(jù)的重構和回灌，可以來自于神經(jīng)網(wǎng)絡渲染，也可以基于世界模型。

我們所選擇的技術路線是基于世界模型，前面提到，和所有大模型或者生成式AI一樣，我們面臨著相同的挑戰(zhàn)。

第一，數(shù)據(jù)從哪兒來？剛才韓昭總也提到真實數(shù)據(jù)可以來自于車端和路側。我們和包括上海汽車城在內(nèi)的生態(tài)伙伴，通過車路云系統(tǒng)的路側設備采集自然駕駛真實場景數(shù)據(jù)，搭建仿真場景庫并進而構建知識庫用來訓練AI模型。

第二，通過AI生成數(shù)據(jù)并進行泛化是獲取海量數(shù)據(jù)的有效手段。但是對于AI模型而言，幻覺是我們必須面臨的實際問題。國內(nèi)有非常優(yōu)秀的大模型，但幻覺率會到10%到15%。如何解決這一問題？如何讓數(shù)據(jù)生產(chǎn)、仿真測試能夠更好地回歸本質，數(shù)據(jù)不但要量大，而且要求能更加準確、可用和好用，這是我們要解決的挑戰(zhàn)。

這是IAE基于多源數(shù)據(jù)融合技術與AI驅動的合成數(shù)據(jù)生成的全鏈路?；谲嚩撕吐穫日鎸嶑{駛場景的數(shù)據(jù)采集和處理；在場景庫和數(shù)據(jù)集構建的時候分為兩個階段，目前已經(jīng)完成閉環(huán)的是基于AI增強技術的數(shù)據(jù)治理，以自然駕駛真實場景作為底座進行知識庫完善和構建。同步，也在構建用于世界模型訓練所需要的知識庫，以及對模型進行調校和優(yōu)化，最終形成算法訓練和測試所需要的相關數(shù)據(jù)集，這是目前在做的工作和取得的成果。

這是在今年初，我們和眾鏈科技一起發(fā)布的基于DeepSeekR1的AI場景生成的工具，以及面向訓練的動態(tài)、靜態(tài)的數(shù)據(jù)集。其中有部分數(shù)據(jù)，在眾鏈科技介紹時提到的珊瑚數(shù)據(jù)開源計劃中已經(jīng)在做了發(fā)布，在此希望主機廠、零部件企業(yè)和高?；锇楣餐瑏韲L試，給予珊瑚數(shù)據(jù)計劃以更多的反饋和支持。

通過構建多源數(shù)據(jù)融合和AI驅動的高質量數(shù)據(jù)體系，服務于自動駕駛等場景的測試驗證，服務于算法訓練，確保AI系統(tǒng)的安全。

下一步，我們將基于知識庫和世界模型，以及AI增強仿真工具鏈，打造服務于自動駕駛和低空、具身智能等AI應用場景的融合仿真能力和數(shù)據(jù)集。我們和國內(nèi)高校AI領域專家、英偉達等生態(tài)合作伙伴正共同探索，推進世界模型應用的落地和提速，更好地服務于智慧出行產(chǎn)業(yè)和生態(tài)。這方面也希望能和上海國際汽車城、中汽協(xié)會，以及更多的伙伴共同探索和實踐。

仿真、測試、數(shù)據(jù)生成和應用都具有強實踐性，所有產(chǎn)出成果都需要經(jīng)過反復迭代和持續(xù)優(yōu)化，才能成為真正有價值的經(jīng)驗和資產(chǎn)，從而推動行業(yè)的發(fā)展。

以上是我的介紹，非常感謝大家！

（注：本文根據(jù)現(xiàn)場速記整理，未經(jīng)演講嘉賓審閱）