文远知行在 WAIC 发布 WITT：自动驾驶积累的数据，开始拿来教 AI 理解现实

自动驾驶汽车每天看到的，不只是车辆和行人。雨天的反光、突然滚进路面的球、被货车遮住的非机动车，以及一个动作之后可能发生的连锁变化，都在考验系统是否真正理解物理世界。

7 月 17 日，文远知行在 WAIC 2026 发布物理 AI 认知基础大模型 WITT。它想把多年道路运营中积累的真实数据，整理成可以被训练、推理和验证的“物理事实”，再交给自动驾驶和其他物理 AI 系统学习。

WITT 先把连续世界拆成可核对的事实
文远知行把 WITT 的核心单元称为 Atomic Physical Facts，也就是“原子物理事实”。可以把它理解为：从一段复杂的道路视频里，抽出谁在什么位置、发生了什么变化、哪些因果关系能够被验证，再把这些小而可靠的事实组织成学习信号。

公司介绍的流程包括事实抽取、推理、验证和整理。它与只靠互联网文本学习的通用模型不同，重点不是记住更多说法，而是减少物理世界里的含糊和矛盾。对自动驾驶而言，一条可核对的事实，比一段流畅但不可靠的描述更有价值。

真正的资产，是车队遇到过的长尾场景
文远知行已经在 Robotaxi、无人小巴、货运和环卫等场景部署产品。车辆在不同城市和交通规则下运行，会遇到大量难以在实验室预先设计的长尾情况。WITT 的思路，是把这些经验从“存下来的视频”变成可以复用的数据结构。

这也解释了自动驾驶公司为什么开始谈物理 AI 基础模型：车队、传感器、仿真平台和运营系统共同构成数据闭环。模型能否进步，不只取决于参数规模，也取决于现实数据怎样被筛选、纠错和重新送回训练。

发布之后，还要看它如何开放
WITT 目前首先是一项公司发布。文远知行称它能降低数据处理所需的 token，并提高处理效率，但这些数字仍需要更多公开测试、开发接口和跨场景结果来判断。

对普通开发者和行业用户而言，下一步最关键的问题是：WITT 会只服务文远知行内部车队，还是会提供 API、数据工具或合作入口；从道路中学到的物理认知，又能否迁移到机器人和其他现实任务。本文依据公司公告、WAIC 官方目录及媒体报道整理，不代表本站完成了道路或模型实测。

想继续了解
• 文远知行公告：WeRide WITT
• 经济观察网：文远知行发布大模型并推进海外测试
• WAIC 2026 官方企业目录