來源：睿見Economy

　　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場行業發布、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創新引擎，驅動智慧出行新生態”上，蘇州智行眾維智能科技有限公司總經理安宏偉發表精彩演講。

　　以下內容為現場演講實錄：

　　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，經歷了算法由規則驅動到由數據驅動的進化。同時，數據驅動的大模型也在經歷由大語言模型到世界模型的躍進和變化。

　　對于AI系統的安全，包括AI系統運行安全，我們需要通過仿真測試來確保，這已經是行業的共識。從仿真和測試的角度來講，需要有工具鏈、數據對AI系統安全進行評測、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、測試需求將呈指數級的增長。在AI算法上車、面向數據驅動時代，我們測試的方法論、需要的數據量會有很大的變化。

　　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計的數據為例，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在為止依然是行業里的挑戰，國內的情況就不多說了，是相通的。

　　自動駕駛發展到今天，和AI領域的多數場景一樣，從技術端在數據方面依然面臨瓶頸和挑戰，前面各位同仁已經做過詳細的介紹，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：數據閉環、工具閉環。

　　通過仿真賦能數據驅動的路徑和手段，保障AI系統從研發設計到實際商業落地過程中的安全性。

　　（1）技術閉環。

　　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，大家在汽車行業曾經有過設想，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、Corner case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閉環測試體系，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）數據閉環。

　　在過去幾年里我們打造了“水木靈境”場景工場，這里的“場景數據”來自車端、路側、法規、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，在行業里我們聯合主機廠，包括吉利、上汽、長安、廣汽等也在一起探討這方面的數據應用，在此也很感謝行業合作伙伴們給予的支持。去年公司在數據這一板塊產生了幾千萬的收入，這也是智能化發展到當前階段，高階算法的測試驗證對數據有越來越多的需求。

　　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展。應整個市場發展趨勢、技術發展趨勢的需求，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展，工具鏈和數據體系也在做相應的拓展和進化。仿真所做的工作，由智能網聯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。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，在數據端也面臨著挑戰和問題。該如何響應這一挑戰？這里分享一下我們的思考。近些年來對于合成數據、數據集、場景庫，整個行業都做了大量探索，這期間有基于真實數據做的場景重構，也有基于3D高斯、NeRF等神經網絡渲染的方法做數據合成。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，以及行業對數據的迫切需求和重視，世界模型的發展取得了比較大的進展。

　　我們和包括高校在內的生態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據到底采用什么樣的技術路徑獲取？如3D高斯這類神經網絡渲染的數據有不可編輯性，生產成本高。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展，我們聯合生態合作伙伴將世界模型作為跨域融合仿真、獲取海量高質數據的技術底座之一。通過世界模型生產數據，賦能工具，為相關工具鏈提供AI增強，滿足AI應用場景對數據量和質的要求，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工具鏈和數據的基礎。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，既基于我們所開發的DeepOCEAN.AI（深海AI虛擬仿真平臺），實現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別，但底層的邏輯是相通的。

　　數據層面，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據生產合成數據。合成數據生成有不同的技術路線，可以是基于真實數據的重構和回灌，可以來自于神經網絡渲染，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。

　　第一，數據從哪兒來？剛才韓昭總也提到真實數據可以來自于車端和路側。我們和包括上海汽車城在內的生態伙伴，通過車路云系統的路側設備采集自然駕駛真實場景數據，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生成數據并進行泛化是獲取海量數據的有效手段。但是對于AI模型而言，幻覺是我們必須面臨的實際問題。國內有非常優秀的大模型，但幻覺率會到10%到15%。如何解決這一問題？如何讓數據生產、仿真測試能夠更好地回歸本質，數據不但要量大，而且要求能更加準確、可用和好用，這是我們要解決的挑戰。

　　這是IAE基于多源數據融合技術與AI 驅動的合成數據生成的全鏈路。基于車端和路側真實駕駛場景的數據采集和處理；在場景庫和數據集構建的時候分為兩個階段，目前已經完成閉環的是基于AI增強技術的數據治理，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化，最終形成算法訓練和測試所需要的相關數據集，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布的基于DeepSeek R1的AI場景生成的工具，以及面向訓練的動態、靜態的數據集。其中有部分數據，在眾鏈科技介紹時提到的珊瑚數據開源計劃中已經在做了發布，在此希望主機廠、零部件企業和高校伙伴共同來嘗試，給予珊瑚數據計劃以更多的反饋和支持。

　　通過構建多源數據融合和AI驅動的高質量數據體系，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據集。我們和國內高校AI領域專家、英偉達等生態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業和生態。這方面也希望能和上海國際汽車城、中汽協會，以及更多的伙伴共同探索和實踐。

　　仿真、測試、數據生成和應用都具有強實踐性，所有產出成果都需要經過反復迭代和持續優化，才能成為真正有價值的經驗和資產，從而推動行業的發展。

　　以上是我的介紹，非常感謝大家！