WeRide WITT：用物理事实单元重构自动驾驶感知
WeRide 在 7 月 17 日发布了自研的物理 AI 认知基础大模型 WITT。这个模型试图解决传统自动驾驶的一个老毛病：AI 经常把“看起来像”的东西当成“就是”的东西，导致在复杂动态环境下决策不稳。WITT 的切入点是引入“最小物理事实单元”（Minimum Physical Fact Unit），把对物理世界的理解拆解成可验证的基本事实，而不是单纯堆砌传感器数据。
模型的工作流分三步走。首先是多模态融合，把摄像头视频、激光雷达点云和文本提示拉通，让模型能同时处理不同维度的信息。其次是场景解构，系统会把持续变化的真实场景切成独立的物理事实单元，比如“前方 50 米处有一辆静止的卡车”或“路口当前为红灯且无行人”，这些单元必须能独立验证真伪。最后是基于事实的推理，AI 不再依赖预设规则去硬套场景，而是根据这些验证过的物理事实直接推导出下一步动作。
具体到自动驾驶场景，WITT 能显著提升对复杂环境的理解。以前模型看到行人穿过斑马线可能只是触发一个简单的“避让”标签，现在它会先确认“行人处于过街状态”这一物理事实，再结合车速、距离和交通规则判断是否需要紧急制动。这种基于物理逻辑的决策比单纯依赖规则匹配更稳，尤其是在光线变化或遮挡等极端情况下。
从落地角度看，这套架构能降低长尾场景的试错成本。传统方案需要海量数据去覆盖各种罕见情况，而 WITT 通过物理事实的验证机制，可以让模型在少样本条件下也能做出符合物理常识的判断。这意味着自动驾驶从封闭园区的“剧本式”测试，能更快地走向开放道路的复杂实境。
WeRide 这次发布不只是多了一个大模型，而是把自动驾驶的感知逻辑从“数据驱动”推向了“物理事实驱动”。当行业还在讨论怎么清洗更多数据时，WITT 的思路是把数据先翻译成物理事实，再让模型去理解。这步走对的话，自动驾驶的泛化能力会有实质性提升，而不是继续在数据量上内卷。
