從2021年Transformer被引用在智能駕駛上開始，整個(gè)行業(yè)迎來突飛猛進(jìn)的發(fā)展，隨后BEV、占用網(wǎng)絡(luò)、端到端等技術(shù)相繼出現(xiàn)，智能駕駛可以說是一年一跨越。

在底層邏輯上，智能駕駛技術(shù)大概經(jīng)歷了2個(gè)階段：

規(guī)則依賴階段：“if 紅燈 then 停； if 綠燈 then 行”的規(guī)則代碼。這個(gè)階段最大的問題是場景太多，無法窮舉，只能在有限ODD里面Demo運(yùn)行。它可以理解為智能駕駛的「木偶時(shí)代」，無泛化能力，遇到工程師沒考慮到的場景，就直接卡BUG；

神經(jīng)網(wǎng)絡(luò)階段：AI網(wǎng)絡(luò)化，通過給模型喂人類司機(jī)數(shù)據(jù)，模仿學(xué)習(xí)開車，類似AlphaGo，學(xué)習(xí)人類棋譜，但人類司機(jī)數(shù)據(jù)有2個(gè)問題：實(shí)際路采效率低、成本高：開很長時(shí)間也碰不到一次危險(xiǎn)場景，白忙活；劣質(zhì)人類駕駛數(shù)據(jù)：各種路怒癥開車的駕駛習(xí)慣并不值得學(xué)習(xí)。

這個(gè)階段有點(diǎn)類似「猿人時(shí)代」，腦容量有限，有智能但不多，有簡單的模仿與一定的泛化能力，但是野蠻生長，可以學(xué)好也可以學(xué)壞，不受控；

2021年-2023年左右，人類的自動(dòng)駕駛停留在規(guī)則依賴階段；2023年以后，整個(gè)行業(yè)進(jìn)入神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段。但行業(yè)被困了2年遲遲沒有突破。

然而，這一窘境即將被打破。原因是華為乾崑宣布了兩件大事：華為乾崑智駕搭載量突破100萬；今年9月份，華為乾崑智駕ADS 4即將陸續(xù)推送。在ADS 4上，華為乾崑創(chuàng)造性地提出了WEWA架構(gòu)。

100萬搭載量包含了豐富的corner case數(shù)據(jù)，配合WEWA架構(gòu)的云端世界引擎和車端世界行為模型，將徹底改變智能駕駛的底層技術(shù)邏輯。這讓整個(gè)行業(yè)正式迎來“AlphaGo時(shí)刻“，智能駕駛真正從“人類模仿學(xué)習(xí)”進(jìn)入“AI自主進(jìn)化”。

從華為乾崑WEWA開始，自動(dòng)駕駛正式跨入一個(gè)全新的臺(tái)階：AI模型化+云端仿真+強(qiáng)化學(xué)習(xí)。通過給模型喂 “人類司機(jī)數(shù)據(jù)+AI仿真數(shù)據(jù)”+“強(qiáng)化學(xué)習(xí)”牽引，讓AI模型見多識(shí)廣。讓模型的能力真正從“類人”到“超人”。

這個(gè)階段的智能駕駛也正式跨入「智人時(shí)代」。腦容量變大，智能大幅提升，自己開自己學(xué)、從模仿人類到超越人類，并按人類的規(guī)訓(xùn)與社會(huì)倫理開車。

而這一切的底層技術(shù)支持都要從華為乾崑WEWA架構(gòu)的2個(gè)特點(diǎn)說起。

云端世界引擎（WE）：仿真數(shù)據(jù)+人類數(shù)據(jù)+強(qiáng)化學(xué)習(xí)，讓老司機(jī)始于起跑線

智能駕駛數(shù)據(jù)分很多種，一種是比較常規(guī)的駕駛數(shù)據(jù)，比如你從家到公司的行為數(shù)據(jù)，這種對(duì)模型幫助不大；另一種就是特殊場景數(shù)據(jù)，比如大型復(fù)雜十字路口，或者急剎急停，cut in等數(shù)據(jù)，業(yè)內(nèi)俗稱corner case，這個(gè)對(duì)模型訓(xùn)練幫助非常大，但獲取難度也大，而且需要付出巨大的成本，有時(shí)候甚至是車毀人亡的慘痛代價(jià)。

很多企業(yè)宣稱的數(shù)據(jù)大部分都是第一種。過去行業(yè)為了獲取一些corner case場景數(shù)據(jù)，人為設(shè)置各種障礙然后測試采集，但是成本高，效率低，而且能夠涉及的場景有限。

華為乾崑智駕ADS 4 WEWA架構(gòu)里的云端世界引擎（WE），重點(diǎn)解決的就是這個(gè)問題。

WE可以理解成一個(gè)云端運(yùn)行的World Engine世界引擎。利用擴(kuò)散生成模型技術(shù)，能夠高可控地生成各種平時(shí)人類司機(jī)開車很少遇到的難例場景，比如側(cè)前車Cut-in、紅綠燈路口、寵探頭、前車急剎等多種場景及組合場景。

要構(gòu)建這樣一套逼真的物理世界模型并不容易。華為乾崑自研了仿真工具，并且具備充沛的云端算力。這一點(diǎn)很重要，華為具備軟硬件的全套自給自足能力，很多企業(yè)即便有這個(gè)意識(shí)，也不具備這樣的底層實(shí)力支撐。通過打造“數(shù)字風(fēng)洞”，華為乾崑直接將現(xiàn)實(shí)世界的難例密度提升1000倍。日常數(shù)據(jù)就像咱們高考的時(shí)候天天刷的常規(guī)題，但華為乾崑的WE自己生成附加題，然后訓(xùn)練模型，讓AI訓(xùn)練AI，類似讓AlphaGo與AlphaGo對(duì)戰(zhàn)，產(chǎn)生更強(qiáng)大的Alpha Zero。

截至2025年4月，華為乾崑已經(jīng)在世界引擎里進(jìn)行了6億公里的高速L3仿真驗(yàn)證。

還有一點(diǎn)需要特別強(qiáng)調(diào)的是，為了引導(dǎo)模型的正向發(fā)展，WE還設(shè)置了“安全優(yōu)先”的強(qiáng)化學(xué)習(xí)原則，如同設(shè)立了一個(gè)獎(jiǎng)懲監(jiān)督員，“安全優(yōu)先”給獎(jiǎng)勵(lì)，“忽略安全”給懲罰，讓模型時(shí)刻牢記“安全第一”基本法則。這就像是在孩子很小的時(shí)候給他樹立一個(gè)正確的價(jià)值觀，做壞事就懲罰，做好事給獎(jiǎng)勵(lì)一樣，長大后他就是一個(gè)誠實(shí)正直的人。

這個(gè)和VLA理念里的一些行為剛好相反。比如AI思考過程的可視化、人語音指揮車的實(shí)踐，這是安全優(yōu)先還是炫技優(yōu)先？

AI司機(jī)與人類指揮指令相矛盾或有安全風(fēng)險(xiǎn)時(shí)，聽誰的？ 這是純炫技，還是對(duì)AI司機(jī)能力的不信任？

除了大量的云端AI數(shù)據(jù)，華為乾崑還在現(xiàn)實(shí)場景中積累了大量的人類優(yōu)秀數(shù)據(jù)。截止到2025年7月底，華為乾崑輔助駕駛總里程達(dá)到40.5億公里，泊車輔助累計(jì)使用次數(shù)2.6億次，7月份，人均輔助駕駛里程達(dá)到699公里，是業(yè)界平均水平的2-4倍。

通過“人類司機(jī)數(shù)據(jù)+AI仿真數(shù)據(jù)”+“強(qiáng)化學(xué)習(xí)”的方式，華為乾崑構(gòu)建了模型自學(xué)習(xí)成長閉環(huán)。

車端世界行為模型(WA)：一腦多能，專題專解

云端AI司機(jī)訓(xùn)練只是第一步，在車端，還有更多復(fù)雜的問題需要解決。

如何統(tǒng)一不同信號(hào)源輸入形式？如何保證模型的并發(fā)能力？如何保證低延遲？如何保證在不同的場景有專屬的駕駛體驗(yàn)，而不是千篇一律的“機(jī)械化”動(dòng)作？

這里就引出了華為乾崑WEWA架構(gòu)的第二個(gè)優(yōu)勢：車端世界行為模型（WA）。

WA是指在車端運(yùn)行的World Action Model世界行為模型。這是華為乾崑從零到一開發(fā)的原生基模型。原生架構(gòu)是非常關(guān)鍵的一步。目前整個(gè)行業(yè)的智能駕駛方案普遍采用通用語言大模型添加交通場景數(shù)據(jù)二次訓(xùn)練出輔助駕駛大模型，雖然模型參數(shù)很大，但很多都做了無用功，效率很低，而且大參數(shù)模型還增加了輔助駕駛“大腦”的硬件負(fù)荷。

還有一個(gè)更致命的問題，語言大模型擅長的語言推理能力，并不適用輔助駕駛需要的空間推理能力，這樣就造成了資源錯(cuò)配。

目前被行業(yè)熱炒的VLA架構(gòu)就是典型案例。VLA來源于機(jī)器人領(lǐng)域公開的理論范式，被引入到了智能駕駛領(lǐng)域。智能駕駛車輛的輸入主要是視頻、激光點(diǎn)云或者是雷達(dá)點(diǎn)云，輸出Action，但VLA在中間加了一個(gè)大語言模型，轉(zhuǎn)換成動(dòng)作Action來直接控車。大語言模型在業(yè)界非常成熟，開源架構(gòu)很多。它的優(yōu)點(diǎn)是文字推理能力比較強(qiáng)，對(duì)交通標(biāo)識(shí)等場景的理解能力強(qiáng)。但空間的感知與推理能力不行。輔助駕駛的車需要做具體動(dòng)作，在空間里面運(yùn)動(dòng)，對(duì)空間的準(zhǔn)確感知與推理是輔助駕駛的重要前提。

華為乾崑的世界行為模型WA 是從0開始訓(xùn)練的輔助駕駛專用大模型，空間推理能力強(qiáng)，距離位置判斷更精準(zhǔn)，模型精干，參數(shù)規(guī)模并不大，降低了對(duì)車端硬件的依賴，效率高，響應(yīng)快。更恐怖的是，華為乾崑WEWA的專用大模型采用MoE多專家架構(gòu)，在面向不同場景時(shí)，只有部分專家會(huì)被激活，這進(jìn)一步提升了模型的運(yùn)行效率與響應(yīng)速度。而響應(yīng)快幾十毫秒，安全與體驗(yàn)將是另外一個(gè)層次。

這里我們可以參考一個(gè)實(shí)際駕駛案例，比如在雙向8車道的大型十字路口，社會(huì)車輛，兩輪車，自行車，包括行人，多交通參與者混行的時(shí)候，對(duì)模型的能力上限要求直線飆升，老司機(jī)處理這樣的場景都會(huì)非常謹(jǐn)慎。這時(shí)候MoE專家模型的其中一支就會(huì)發(fā)揮作用，對(duì)這些場景專門分析，專門輸出行為規(guī)劃，包括一些潮汐車道，環(huán)島車道等復(fù)雜場景都是如此，相當(dāng)于每一個(gè)特殊場景都擁有一個(gè)專屬的VIP專家，專題轉(zhuǎn)解，效率更高，效果更好。

量變到質(zhì)變：WEWA架構(gòu)下，L3商用只是“開胃菜”

有人說智能駕駛是一場馬拉松長跑，但我更愿意相信智能駕駛是一個(gè)結(jié)合了長短跑特征的產(chǎn)業(yè)。既要看選手的馬拉松耐力血條，又要求選手具備快速?zèng)Q策調(diào)整能力。

從2013年全球發(fā)力智能駕駛開始，一直到2021年，智能駕駛呈現(xiàn)出來的是馬拉松特征，大家在里面找方法，找出路，積累經(jīng)驗(yàn)；熬過這一段馬拉松時(shí)期，從2021年Transformer開始，智能駕駛進(jìn)入短跑階段，BEV，占用網(wǎng)絡(luò)，端到端……技術(shù)一年一升級(jí)，每一步都不能錯(cuò)，錯(cuò)一步就就會(huì)出局。

對(duì)于所有參賽選手，既要有持續(xù)的資金積累又要有敏銳的技術(shù)判斷，才能在技術(shù)收斂階段勇立潮頭。技術(shù)發(fā)展到今天，只有華為乾崑智駕ADS 4搶跑“AI訓(xùn)練AI”階段，其實(shí)也揭示了市場的殘酷性。這是華為乾崑在智能駕駛上持續(xù)技術(shù)迭代與進(jìn)化的結(jié)果。

2021年4月，華為乾崑發(fā)布ADS 1，基于Transformer的BEV架構(gòu)，率先商用城區(qū)NCA。

在技術(shù)層面，ADS 1首次創(chuàng)新性地采用 BEV（鳥瞰圖）+Transformer 算法，成功實(shí)現(xiàn)3D場景感知，這為華為乾崑智駕從無到有的突破奠定了基礎(chǔ)。

2023年4月，ADS 2如約而至，華為乾崑向業(yè)界首發(fā)了“全向主動(dòng)安全”，并實(shí)現(xiàn)全國都能開。ADS 2最大的優(yōu)勢就是擺脫了對(duì)高精地圖的依賴，構(gòu)建了一套“全國都能開”的實(shí)用化輔助駕駛方案。并且引入 GOD 網(wǎng)絡(luò)（通用障礙物檢測），打破傳統(tǒng) “白名單識(shí)別”的局限性，能夠精準(zhǔn)識(shí)別錐桶、外賣小哥等異形障礙物，同時(shí)BEV與GOD協(xié)同工作，實(shí)現(xiàn)對(duì)“物+路”的雙重感知。

2024年4月，華為乾崑ADS 3發(fā)布，業(yè)界首發(fā)“車位到車位P2P”，實(shí)現(xiàn)全場景貫通。

這一階段，華為乾崑徹底摒棄BEV，采用端到端大模型，其中感知部分使用GOD（通用障礙物識(shí)別）大感知網(wǎng)絡(luò)，而決策規(guī)劃部分通過PDP（預(yù)測-決策-規(guī)劃）網(wǎng)絡(luò)來實(shí)現(xiàn)，同時(shí)添加本能安全網(wǎng)絡(luò)提升表現(xiàn)。GOD和PDP都是端到端神經(jīng)網(wǎng)絡(luò)，在端到端架構(gòu)下，ADS 3的復(fù)雜路況通行跟車更平順、換道更柔和、通行更舒適，具體表現(xiàn)上，ADS 3的重剎率減少15%、平順性提高50%、顛簸幅度減少50%。

一直到今天的ADS 4，華為乾崑WEWA架構(gòu)正式將整個(gè)行業(yè)帶向新高度。

仔細(xì)研究會(huì)發(fā)現(xiàn)，在技術(shù)迭代上，華為乾崑一直具備嚴(yán)密的邏輯遞進(jìn)規(guī)律。華為乾崑強(qiáng)調(diào)高價(jià)值元器件才能帶來高感知性能，高感知性能才能讓模型更好地理解世界，帶來更合理、安全的規(guī)劃決策。

它始終強(qiáng)調(diào)多種傳感器的深度融合能力，比如激光雷達(dá)用來探測小目標(biāo)、分布式毫米波雷達(dá)識(shí)別雨霧塵天氣障礙物、高精度固態(tài)激光雷達(dá)識(shí)別近距離障礙物等，提升在高速L3場景中的環(huán)境感知能力。沒有這個(gè)1，后面再好的模型算法都是零。

然后再將算法與整車工程的深度整合能力，比如算法與底盤的融合，在高速行駛中出現(xiàn)爆胎、濕滑路面等情況下仍可以保障安全；再比如算法與AR-HUD、座艙及車燈的融合，提升駕駛員的安全心理感知與車外其他車輛的安全感知能力。

在此基礎(chǔ)上，WEWA架構(gòu)才能發(fā)揮作用。在云端對(duì)天氣、路況、異常情況的仿真，高可控、高密度的生成大量的高速L3難例場景訓(xùn)練算法，讓智能駕駛真正從“學(xué)習(xí)人”到“超越人”。

技術(shù)路線快速發(fā)展，但企業(yè)要有自己的技術(shù)價(jià)值觀和信仰堅(jiān)持，才能行穩(wěn)致遠(yuǎn)，而不是人云亦云，什么時(shí)髦講什么。而且中途頻繁切換技術(shù)路線，模型重新訓(xùn)練優(yōu)化，工作量巨大，難以形成持續(xù)積累，用戶體驗(yàn)也無法穩(wěn)定與持續(xù)提升。

相較于行業(yè)里搖擺多變，盲目跟風(fēng)的技術(shù)風(fēng)格，華為乾崑對(duì)技術(shù)路線的堅(jiān)持和投入，才迎來量變到質(zhì)變的突破。從WEWA架構(gòu)上車開始，L3只是華為乾崑ADS 4的開胃菜，智能駕駛將從類人學(xué)習(xí)正式進(jìn)化到AI自主學(xué)習(xí)階段，不斷向L4、L5突破，智能駕駛技術(shù)路線正翻開新的篇章。