华为乾崑先找到了那条终局之路

一个观察，智驾走不走 VLA 路线业界还没有共识，但对世界模型这种训练方式，头部玩家达成了一致。

今年上半年，华为乾崑、小鹏、理想等玩家都采用了世界模型作为云端训练方式。所谓世界模型，就相当于在智驾系统的云端大脑里搭建了「虚拟沙盘」，能动态模拟周围车、人、路以及周边环境的状态。

一个能给智驾「开副本」的世界模型，被看作 L2+跃入 L3 的关键跳板。

但能不能把世界模型的功能发挥到极致，得看根基。华为乾崑进入到了智能汽车的「双百万」阶段：搭载华为乾崑智驾的车辆超过 100 万辆、华为乾崑的激光雷达发货量超过 100 万部。

话说明白点，融合了世界模型的华为乾崑智驾 ADS 4，杀伤范围更大。

8 月底，汽车之心抢先体验了 ADS 4 的更新。在超过 2 个小时的上海核心城区的深度智驾体验中，我们发现了 ADS 4 最大的提升——彻底区分了「接管率」和「智驾完结率」。

媒体测评角度的「接管率」，和用户真实使用智驾的场景截然不同。

媒体测评虽然专业细致，但往往会留给智驾更多时间，等待它决策。用户视角才是试金石，一旦智驾稍微不满足预期，就会接管，过一会打开再用。这也导致大量用户的城区智驾体验都是「不连续的」。

这不是用户的问题，而是智驾不好用的问题。华为乾崑智驾 ADS 4 最大的进步就是，复杂城区内用户的智驾完结率趋近于 100%。

这背后是 ADS 4 大版本更新采用了 WEWA 的技术架构。WE 即云端的世界引擎，让 AI 训练 AI，WA 即车端的世界行为模型，相当于在车端生成多能专家，给人更安心的驾驶体验。

如果没有意外，WEWA 将会成为华为乾崑冲击 L4，甚至 L5 的技术架构。

华为乾崑智驾 ADS 4 采用 WEWA 架构，也打响了一场无比残酷的资源赛，为行业明确了三个赛点：

其一，仿真数据会成为主流。背后的仿真能力涉及到 AI 资源，甚至是推理卡的数量竞争。

其二，智驾竞争中后期，模型数据越积累越多，沉没成本越来越大，越发考验技术坚定性。

其三，用户视角的「智驾完结率」，将会代替媒体视角的「接管率」。

以上三个赛点说的其实是一件事：一家公司必须找到不随意改变、能支撑其走到终局的技术价值观。

01、世界模型，为端到端「解渴」

智驾领域曾经出现过三个进化阶段。

第一个阶段就是规则时代，类似于人类进化历史中的「猿人」阶段。

规则时代纯粹是手敲代码，写出车辆通行的规则和逻辑。

最典型的就是 if 路口红灯、then 车辆停，if 路口绿灯、then 车辆前进。路上的障碍物，更是千奇百怪。即便工程师已经将各种大型车辆输入白名单，但如果路上出现一个环卫工人推着四个轮子的垃圾桶。

一个移动垃圾桶，阁下又该如何应对？

在规则时代，工程师们在写一本永远写不完的交通法典，就像猿人在森林中艰难生存，处处碰壁之后才能清楚生存法则。

直到第二个阶段，进入端到端时代。

这就像智人时代，人类开始广泛学会使用工具。在端到端阶段，智驾玩家开始琢磨用统一的 AI 模型将传感器数据映射为车辆的控制指令。

一层提升在于重塑智驾系统的底层架构，减少了模块之间的数据损失和传输时延。另一层在于体验提升，一段式端到端可以让系统模仿人类学习开车提升体验。

但模仿人是有局限性的。过去一年，头部智驾公司都在抱怨同一件事儿：智驾数据的质量太差了。

有的公司要么花大价钱请来优质司机组建一支几百人车队，为系统收集数据。要么在海量用户数据里研发一套系统精挑细选高质量数据，费时费力。

两个方法都殊途同归，费时、费力、费钱，效果一般。就像智人已经学会了使用各种工具提高生存效率，可以适应环境，但远远无法改变环境，其中欠缺的就是对于环境和未来的想象力。

第三个阶段到了世界模型，核心在于理解力和想象力。

所谓想象力，就是 AI 给系统打造了一个接近于真实的平行世界。

理解能力就是让系统学一套百科全书：石头是硬的、泡沫是软的、雨天驾驶要注意防滑等等。

世界模型可以基于理解能力在推演「如果... 会...」的问题。如果右侧车道的车靠得太近，车辆靠左行驶，会不会更安全一点？如果车辆加速通过远离右侧车，这样的决策是不是更好？

世界模型就相当于云端训练场，为智驾带来了三个能力的提升：

第一重能力在于生成仿真数据，解决了过去智驾数据稀缺的问题。

如果智驾只用真实驾驶数据训练，千奇百怪的高难度场景，一年到头都碰不到几次。而世界模型一箭双雕，不仅可以降本，而且能生成现实世界里很难收集到的场景数据。比如极端场景下的近距离加塞、施工前车急刹、鬼探头等等。

第二重能力在于世界模型具备一定可解释性与泛化性。

世界模型的决策过程不是依靠直觉，而是通过因果关系推理得出的。

世界模型融合了世界运转的基本规律，依赖的是物理世界「第一性原理」，因此世界模型中系统的决策可以追溯和还原。这种可解释性为智驾带来更好的可控性。

第三重在仿真世界中训练智驾，可以达到 AI 训练 AI 的效果。

世界模型所构建的沙盘，也是复杂的智驾试验场。

智驾系统可以在同一个场景里反复测试不同参数下的智驾效果，在网络环境中对车辆做奖惩制度，从而来提升模型性能。比如在复杂路口博弈场景中，人类司机无法一次性在现实场景中就作出最优策略，但在世界模型里系统可以「无限重开」，直到得出最优策略。

所以世界模型具备了两个与人类认知机制一致的特征：理解、想象，但却比人多了「重开」的能力——在数次反复训练中，用最短时间找到最优解策略。

这也是世界模型能从类人到超人的根本逻辑。

02、老师傅配合大专家，训出 AI 老司机

尽管世界模型成为自动驾驶未来发展的「最大公约数」，但不是所有玩家都能走好这条路。

横亘在世界模型面前的，还有两道工程化难题：

其一，平行时空带来的不真实性。现实交通并不是简单的几何建模，而是一场复杂的物理实验，任何偏差如果未被世界模型捕捉到，都会被放大成系统误判，最终在真实道路上穿帮。

其二，自由度过高带来的不确定性。生成式 AI 一旦时长过长，AI 的幻觉诟病就会使得系统放飞自我，车辆如果在失真场景中训练，就容易输出脱离实际路况的危险控制指令。

华为乾崑没有回避这两个问题，而是通过一种精密的架构设计给出答案。

在 WEWA 架构上，云端与车端形成明确分工：

• 云端的 WE（World Engine，世界引擎）是 AI 训练的基本盘，负责在虚拟世界里不断淬炼驾驶智慧；

• 车端的 WA（World Action Model，世界行为模型）则是专为智能驾驶打造的一段式端到端架构，把云端学到的能力高效落地到真实道路。

WE 要完成两件事：一是真实，二是可控。

关于真实，华为乾崑依托云端充沛的算力与自研仿真工具链，打造出平行时空的「微观级」复刻，确保 AI 在虚拟世界学到的每一个制动动作，都能在现实中精准复现。

而在可控层面，WE 给 AI 安排了一套「地狱级通关副本」。借助扩散生成模型，系统能够将一个极端场景无限扩散成高质量、高密度的难例场景数据，包括鬼探头、前车急刹、红绿灯路口的混乱局面等，甚至可以把难例密度提高 1000 倍。

然后，让 AI 通过「题海战术」反复刷这些极端难题，把危险情境练到肌肉记忆。

在 ADS 4 体验中，我们也实测了一把地狱场景，把车开进了上海逼仄的小巷，在违规临停车占据部分单行道情况下，对向还遇到逆行电动车，放在日常，只有经验丰富的老司机才能从容应对，但 ADS 4 系统没有任何犹豫，直接做到了丝滑避障。

而 WE 的另一层优势在于打通 L3。当很多车企还卡在 L3 路测关口时，华为乾崑已经在世界模型里先行点亮了绿灯。

截至 2025 年 4 月，华为乾崑在世界引擎中完成了超过 6 亿公里的高速 L3 仿真验证。

也可以理解为，WE 相当于是一个 AI 老师傅，给 AI 不断进行高强度训练。此外，老师傅还在通过严厉的奖惩机制对违背物理规律的决策实时纠错，始终教导 AI 安全优先。这就相当于，AI 刷完题还得考试，知道丢分点在哪，才能不断往满分的标准靠拢。

而 WA 的使命很简单：牢记师傅教的本领，在真实道路上完美执行。

和行业里常见的「改造版」不同，很多辅助驾驶系统都是拿通用大模型改一改再上车，结果模型笨重，时延高，车端运行吃力。而 WA 是从零开始为智能驾驶打造的「原生基模型」，一出生就是为开车而生。

它能同时处理视觉、听觉、触觉等多种传感器信息，把这些复杂的感知数据「翻译」成统一的语言，再交给模型去理解和决策。

在架构上，WA 采用了 MoE（多专家模型）。不同场景交给不同「专家」处理。比如遇到复杂路口，就由路口专家出手；在高速上突遇障碍，就交给避险专家来应对。

这样的机制让车辆既能精准下达控车指令，又能提前几步预判其他车辆的动作。比如，当前方来车时，系统预判，按照当前速度会遇到博弈情况，于是选择向左变道，保证行驶的效率与舒适性。

云端的「老师傅」和车端的「多能专家」形成合力，让系统逐渐成长为懂得人类价值观的老司机。数据层面，相比 ADS 3，在 ADS 4 加持下，系统端到端时延缩短了 50%，车辆反应更快、变道更顺滑；无效变道明显减少，整体通行效率提升 20%；具备了「预见式驾驶」能力，紧急重刹率下降 30%。

而这样的智驾能力，才能跳出媒体视角下「接管率」的单一评价体系，直接接受用户视角中「智驾完结率」的实际检验。

相当于，ADS 4 并非在媒体的反复测试中勉强达成任务，而是能让用户真正产生信任并愿意高频使用，而这才是智驾产品的核心价值所在。

03、流水的技术浪潮，铁打的华为乾崑 ADS

如果说过去十年的智能驾驶赛道是一场马拉松，那么华为乾崑几乎是唯一一个既能在技术上不断「加速」，又能在安全性上始终「刹得住」的选手。

回顾华为乾崑 ADS 的进化脉络，可以看到 ADS 走得极其稳健，并且每一步都踩在用户真实需求的鼓点上。

• ADS 1 ：城区 NCA 功能率先商用，将智能驾驶从高速限定区域推向城市街道；

• ADS 2 ：实现「无图+全国都能开」，并首发全向主动安全功能，彻底解决了「地图画不到的地方就开不了」的尴尬；

• ADS 3 ：不再满足于「全国都能开」，而是「全国都好开」，并推出「车位到车位」，补上最后一公里的体验短板；

• ADS 4 ：推开 L3 大门，带来 WEWA 世界模型这套「技术内功」，更用 CAS 4.0 全维防碰撞系统，把安全防护网织得更密。

这条路径始终贯穿着华为乾崑的攻守之道。

攻的一面，华为乾崑智驾 ADS 没有过分纠缠在算力、芯片、传感器的参数军备竞赛里，而是把技术力转化为实实在在的场景拓展。

华为车 BU CEO 靳玉志最近在采 访中表示，今年 ADS 4 将具备高速 L3 的试点商用能力及城区 L4 测试能力，希望在法规允许的情况下，明年具备高速 L3 能力以及城区 L4 试点能力。

守的一面，华为乾崑智驾，已累计避免可碰撞次数超过了 271 万次。

现在，全向安全跨越到全维安全层面，相当于进一步给系统增加安全保险杠。

比如在全天候场景中，将防护范畴拓展至雾尘天、雪天等复杂气象条件，并着重考量不同路面材质的附着力差异；在全场景覆盖层面，除常规的巡航、泊车场景外，进一步纳入爆胎、驾驶员失能等极端突发情形，这相当于把潜在的风险漏洞都填补上。

一攻一守之间，华为乾崑智驾 ADS 充当了智能驾驶「指南针」的角色。

尤其当整个赛道被各种热词包围：大模型、端到端、纯视觉、千 TOPS 算力。华为乾崑智驾 ADS 没有盲目跟从，而是始终保持着一种浓重的华为色彩，即高效、可靠、适用的技术价值观。

正如在 VLA（视觉语言动作大模型）火爆之时，华为乾崑并未急于上车。

VLA 倚重语言模型作为「翻译层」，强调文本推理和可解释性，但在空间感知与物理推理上仍存在短板，这需要 VLA 玩家在语义解释与强化学习上下更大功夫。

华为乾崑选择 WEWA 这条路，是把空间感知与推理深度嵌进系统底层。车辆是在真实物理世界中行驶，它需要的是厘米级环境建模、实时推演与轨迹预测，这种对空间的系统级理解，让 WEWA 在复杂场景中更从容、更可靠。

本质上，华为乾崑走的是一条更务实、更回归驾驶本质的路。

现在，华为乾崑智驾搭载量正式突破 100 万大关，覆盖 28 款爆款车型，基于全新 WEWA 架构的 ADS 4 也将在 9 月陆续推送。

华为乾崑很清楚，智能驾驶的价值，不在于跑分，而在于落地。用户对酷炫的技术名词并不感冒，只关心实在的安全感与落地体验。

所以说，华为乾崑智驾 ADS 的技术演进史，本质上是一部「智能驾驶价值觉醒史」。

那么 ADS 4 所带来的，不仅是技术性能的升维，还在于为行业立下「技术要落地生根」的标杆。