聚富配资 8.68万新车普及车位到车位，世界模型不吃高算力！零跑夯爆了

贾浩楠发自凹非寺量子位 | 公众号 QbitAI

2026智能车最热黑科技——世界模型，第一个把门槛打下来的玩家，意料之外，情理之中：

零跑汽车，创造了科技“普及平权”的新纪录，四五十万豪华车的世界模型智能辅助驾驶方案，将下放到10万以内的入门级车型。

而且放话不只是能用，依托世界模型技术体系，AI司机从能用变成了好用。

世界模型，本身是AI模型和真实物理世界直接链接、交互，具有AGI“终局”潜力的全新范式。

而上车之后，有巨大的潜力和价值，毕竟智能汽车是眼下直通物理AI最成熟的平台——自由移动、自由定义、自由进化。

零跑入局，可能会彻底改变格局：

车端的世界模型，要从旗舰车型的零星尝试，走向普惠大众的“铺天盖地”了。

零跑世界模型上车，体验怎么样？

零跑世界模型智能辅助驾驶系统的实测，选在杭州浙二医院附近的核心城区，本地人一听就知道附近路况的复杂程度：

这也是零跑世界模型实测的第一个厉害之处：人车混行的极窄路段，敢博弈，而且轨迹策略合理，高效通过。

既不鲁莽危险，也不会让用户觉得过于“胆小”。

复杂环境的多目标博弈通行，这一点是当下绝大多数量产智能辅助驾驶系统不具备的能力。

除了博弈场景，零跑世界模型在不那么复杂的路段，也展现出比正常通行更高阶的能力：

一个常规匝道并入的场景，仍然能看出零跑世界模型的“好用”之处：和人类司机一样，平滑规划变道时机，兼顾安全和效率。

这样无限贴近人类成熟司机，以及安全驾驶习惯的风格，还体现在和低速交通参与者的交互中：

整个过程没有重刹没有顿挫，也没有停车等待，而是和人类司机一样，缓慢蠕行等待行人通过。

还有一个令人印象深刻的场景：

路边的临停、违停指示牌，零跑世界模型不但看到了，还看懂了，聪明地选择了绕行。

所以从这几个场景体验可以看出，零跑世界模型所谓的“好用”，其实翻译成具象的表达，就是一个预期感，和你自己开车会采取的策略几乎一致，不会让你感到系统太蠢太胆小，更不会让你感到害怕。

系统对场景，从感知到认知；对决策，从模仿到思考。

就比如路边的临停、违停其实是对AI司机考验很大的科目，尤其是流行的端到端方案，大概率会把路边临停违停理解成正常等红灯的车流，尾随傻等。

反而是真正等红灯的车流，容易被标记成“慢车”，做出危险、突兀的绕行动作。

这是端到端的局限，本质是模仿人类司机驾驶行为，但并不理解场景，容易出现不可控的危险动作。

再比如，前面说的匝道并入，目前多数量产系统都能完成，但往往从匝道汇入后，系统的规则会强制车辆线驶向最右车道，然后又在“靠左快速通行”的规则指导下再向左变道。

结果就是在高速路上“画龙”，反倒增加了风险——这是古早规则主导自动驾驶时代的“遗毒”，现在其实也不少见：

用巨量人力手写规则代码的智能辅助驾驶系统，的确也能处理绝大部分路况。但规则就像“毒药”，能快速解决难题，但写了第一条就会有第一万条，最后得到一套驾驶风格“前倨后恭”、用户体验“前俯后仰”的“屎山”算法。

所以量产高阶智能辅助驾驶普及之后，在2026年出现了新的竞争趋势：

各家都有车位到车位，但真正有价值的L2+产品体验，是用户“无感”的，和你的家人朋友开车一样让你安心。

或者说，好的AI司机，不需要去刻意测评。

零跑的世界模型，到底是什么？

朱江明在世界模型实测中，说了一句话很有意思的话：

如果是规则（主导），那只会先选一条固定路线。

所以可以推测，零跑世界模型目前为止是没有任何一行“if else”规则代码的。

但又和不依赖规则的端到端“黑盒”体系，有根本不同。

简单来说，“世界模型”首先是一个大模型，但是多模态输入：不仅通过文字，更通过视觉、触觉、声音等多种感知来理解世界。

打个比方，你扔出一个玻璃杯，ChatGPT、DeepSeek、豆包等等语言模型知道“杯子会碎”，但它并不真正理解重力、硬度、动量这些物理量是如何在时空中相互作用的。

但世界模型不一样，AI建立了对三维空间、物理规律、物体持久性、因果关系的认知，尤其是万事万物的因果关系理解。

一般世界模型架构核心由三组件构成：

视觉编码器/压缩器：将高维度的观测数据（如摄像头拍摄的图像、视频帧）压缩成低维度的潜在向量。序列预测器/动态核心：使用（RNN）或Transformer 架构的“物理引擎”核心，它接收当前状态的潜在向量和智能体（或外界）采取的动作，预测下一个状态的潜在向量。实际上是在潜在空间里“模拟”世界。渲染器/解码器：当需要人类观察或评估模型推演的结果时，将预测出的“潜在状态”还原成可视的像素图像，它相当于“图形显卡”。

所以世界模型最大的价值，是允许“如果……会怎样”的推理式交互，理解行为与后果之间的因果链条，而不是仅仅发现统计相关性。