2025年7月17日，文远知行（WeRide）正式推出其自主研发的物理AI认知基础大模型——WeRide WITT，这标志着人工智能在理解与处理复杂多模态信息方面取得了关键突破。

发布背景与核心亮点

在自动驾驶领域，技术迭代持续加速。文远知行此次发布的WeRide WITT模型，其核心亮点在于引入了“最小物理事实单元”概念。该概念旨在帮助AI更深入地理解视频、图像和文本等多模态信息，通过拆解连续变化的真实场景，识别并验证这些信息中的核心事实单元，从而构建出以物理事实为核心的崭新AI理解框架。

最小物理事实单元概念解析

传统AI模型在处理连续变化的场景时，往往依赖大量训练数据而非真实的物理逻辑。WeRide WITT通过将复杂场景分解为最小的、可验证的物理事实单元，使AI能够像人类一样理解“某个物体在哪个位置、以什么速度运动、是否与其他物体存在交互”。这种框架不仅提升了AI对环境感知的精确度，还增强了模型对动态场景的推理能力。

小提示： 最小物理事实单元类似于将一段视频逐帧拆解，并给每一帧中的物体打上“事实标签”，比如“红色轿车正在左转，车速30km/h”。这种粒度让AI的判断更贴近真实世界的物理规律。

对自动驾驶的影响

WeRide WITT的应用直接提升了自动驾驶车辆的感知与决策能力。在复杂环境中，车辆需要同时处理交通信号、行人、其他车辆等信息。通过WITT模型，AI可以精准分析和判断这些元素的物理状态，从而做出更智能的决策。例如：

• 识别交通信号灯时，不仅判断颜色，还能结合周围车辆的运动趋势预测下一秒的相位变化。
• 分析行人时，能理解其朝向、速度、是否在跑动，从而提前调整行驶路径。
• 处理其他车辆时，能关联其历史轨迹与当前意图，提升防碰撞系统的可靠性。

商业化前景

文远知行强调，WITT模型在提升AI理解力的同时，也推动了自动驾驶技术的商业化进程。随着物理AI大模型的应用范围不断扩大，未来或将实现更加安全、智能和便捷的出行方式。在竞争激烈的科技市场中，WeRide WITT的发布进一步巩固了文远知行在自动驾驶行业的领先地位。

常见问题

Q：WeRide WITT与传统自动驾驶感知模型有何不同？

A：传统模型主要依赖大量标注数据学习模式，而WITT引入了物理事实验证机制，能主动判断信息是否符合物理规律，从而减少误判。例如，传统模型可能将远处的广告牌误认为车辆，而WITT会通过物理单元验证其是否具备汽车的长宽高、运动轨迹等特征，过滤掉无效信息。

Q：WITT模型是否会增加计算成本？

A：文远知行尚未公开具体算力需求，但基于物理事实单元的设计，理论上可以通过剪枝和量化压缩模型，同时保持推理精度。实际部署时可能需要配合边缘计算芯片进行优化。

未来，随着技术的不断成熟，基于物理事实的AI框架有望成为自动驾驶行业的标准范式，推动整个交通系统向智能化、人性化方向演进。