在深圳举办的百度 AI Day·Apollo 专场活动中，百度 Apollo 首次公开了面向物理 AI 的智能体驱动全模态世界模型 Apollo World，并提出了针对世界模型的“2+3”评估标准。

Apollo World 能够生成相对逼真的视频内容，让虚拟场景遵循现实世界的物理规律，对无人车的操作做出响应，并支持驾驶系统从起点出发，一路行驶至终点。

据相关了解，用于无人驾驶的 Apollo World 不仅需要生成逼真的图像，还需准确预测现实世界的变化。百度 Apollo 为此制定了世界模型的“2+3”判断标准：

“2”代表基础门槛：

• 因果性：世界模型应遵循时间单向性，即由过去决定未来，基于当前状态预测下一时刻，而非拼凑画面或反推过去。
• 交互性：能够动态响应外部干预，通过注入动作影响未来世界状态。

“3”代表进阶指标：

• 物理准确性：模拟状态的可靠性，是否符合自然规律，以及学习到的能力能否在物理世界中应用。
• 持久性：持续运行的时间和稳定性，长时间运行时物体和细节是否会漂移。
• 实时性：低延迟，生成世界的复杂度增加不影响模型推理时间，以实现高效的模拟测试。

在 Apollo World 构建的虚拟城市中，车辆、行人等交通参与者并非按照固定脚本运行的“道具”，而是具备决策和交互能力的 AI 智能体。

例如，面对相同的交通场景，无人车采取不同动作时，虚拟世界也会相应变化：

Apollo World 还能实时生成相机画面、激光雷达点云等多模态观测数据，使无人驾驶系统像在真实道路上一样感知周边环境。

天气变化时，相机和激光雷达的观测数据同步调整。

驾驶系统根据这些信息做出转向、加速或减速等决策，并将动作反馈回 Apollo World。随后，Apollo World 会更新交通环境和其他智能体的行为，并生成下一时刻的观测。

通过这种方式，感知、决策、行动和反馈不断循环，形成端到端闭环。这个闭环不仅限于单个路口或路段。

Apollo World 支持无人车在虚拟城市中从任意起点驶向任意终点，连续穿越不同道路和交通场景，完成从接单、载客到送达的完整出行任务。

Apollo World 从真实数据中提取高价值场景，将复杂路况和风险转化为可重复的虚拟测试。无人车可在虚拟世界中反复演练和验证驾驶策略，测试结果再反馈给系统进行迭代，更新后的驾驶系统回到真实道路接受检验，形成持续优化的闭环。

由此，一条持续循环的数据飞轮得以形成：

百度表示，萝卜快跑是中国唯一采用端到端技术规模化运行 L4 无人驾驶的出行平台。数据显示，萝卜快跑已覆盖全球 28 个城市，累计自动驾驶里程超过 3.5 亿公里，其中全无人驾驶里程超过 2.4 亿公里。

目前，Apollo World 已用于萝卜快跑的全球化测试与验证，助力无人驾驶规模化落地。