2026 世界人工智能大会（WAIC）现场，自动驾驶与具身智能赛道迎来底层模型范式革新。据界面新闻、文远知行官方 7 月 17 日现场发布内容，文远知行正式推出自研物理 AI 认知基础大模型WIIT（World Intelligence Toward Truth），首次提出最小物理事实单元（Physical Fact） 核心理论，跳出传统大模型仅做数据识别的局限，搭建一套完整面向现实空间、物理规律、动态交互的 AI 原生认知框架。
当前行业通用大模型普遍存在 “看得懂画面、看不懂现实逻辑” 的短板，无法自主理解空间关系、物体运动、环境因果，难以支撑自动驾驶、人形机器人等高可靠具身场景。WIIT 以可验证物理事实为核心载体，打通感知、推理、校验、决策全链路，为物理 AI 规模化落地提供全新技术路径。
一、颠覆传统多模态逻辑：用 “最小物理事实单元” 拆解连续真实世界
市面上绝大多数视觉语言大模型，仅能对图像、视频做像素级特征提取，输出碎片化视觉描述，无法锁定稳定、可复现的现实客观规律，一旦遇到路况突变、物体遮挡、动态交互等长尾场景极易出现逻辑错乱、事实幻觉。
WIIT 的核心创新，是引入最小物理事实单元作为 AI 认知世界的基础颗粒：将持续流动、动态变化的真实三维环境，拆解为独立、可识别、可量化、可反复验证的标准化事实单元，包含物体属性、空间位置、运动轨迹、作用力、时序因果、风险约束六大类客观信息。
这套设计借鉴哲学家维特根斯坦 “世界是事实的总和” 核心思想，区别于传统模型 “像素→文字” 的浅层映射，WIIT 先把场景转化为标准化事实图谱，再基于事实完成全部推理与决策，从根源降低物理场景下的模型幻觉问题。
中科大人工智能与机器人实验室副教授王翔在 WAIC 分论坛解读该架构：“传统 VLM 是图像匹配思维，而 WIIT 切换为事实建模思维。最小物理事实单元相当于给 AI 一套标准化‘现实标尺’，不管车辆、行人、障碍物如何动态变化，模型都能拆解出不变的客观物理规则，大幅提升自动驾驶、机器人复杂场景下的决策稳定性。”
二、四大闭环核心能力，构建完整物理世界认知链路
围绕 “最小物理事实单元” 底层架构，WIIT 搭建四层递进式能力体系，形成从环境感知到自主任务决策的全闭环，四项能力相互联动、互为校验：
- 事实提取：从多模态原始数据中筛选客观物理信息依托原生 VLM 视觉语言底座，同步读取摄像头、激光雷达、视频、文本标注多源数据，过滤环境噪声，自动剥离主观描述，只提取重力、距离、速度、物体材质、运动趋势等客观物理事实，完成现实场景标准化结构化转化。
- 事实推理：挖掘事实之间的空间与因果关联基于提取完成的事实单元图谱，自主推导隐藏物理逻辑，例如 “前车减速→跟车距离缩小→存在追尾风险”“行人靠近车道→车辆需减速避让”，实现跨时序、多物体交互的因果推演，区别于单一画面静态识别。
- 事实验证：对推理结论做真实性校验，规避现实幻觉WIIT 内置事实校验机制，调用历史运营场景数据、仿真库物理规则比对推理结果，若出现违背现实物理规律的结论，自动标记、修正推理链路，解决通用大模型凭空编造路况、物体运动逻辑的行业痛点。
- 事实编排：基于可信事实自主拆解、规划复杂任务在完整事实图谱基础上，AI 自动编排多步骤连续动作，支撑长周期、高动态的具身任务，例如城市道路连续变道、复杂路口多车会车、机器人多物体搬运等，自主输出分阶段执行决策方案。
整套四层能力统一运行，不再割裂感知、预测、规划模块，实现 AI 对物理世界 “识别 — 理解 — 校验 — 行动” 一体化认知。
三、WIIT 核心技术优势：数据处理效率大幅提升，适配车端、机器人端落地
文远知行官方同步披露 WIIT 工程化优化成果，对比通用多模态大模型具备两大落地优势，解决物理 AI 部署成本高、推理延迟大的痛点：
- 数据处理效率提升 200 倍，Token 消耗最高降低 98%依靠标准化事实单元压缩冗余视觉信息，无需完整加载原始图像像素数据，大幅减少云端、车端算力开销，适配车载边缘硬件低算力、低延迟运行要求。
- 兼容自研世界模型 GENESIS，打通仿真与现实双向迁移WIIT 可与文远知行 GENESIS 仿真世界模型深度联动，仿真场景生成的物理事实可直接导入模型训练，真实道路采集的事实单元同步回流仿真库，大幅缩短自动驾驶算法迭代周期，补齐极端长尾路况数据短板。
产业智能驾驶分析师秦舟向《21 世纪经济报道》表示：“此前物理 AI 落地最大阻碍是算力成本与数据冗余，WIIT 以事实单元做信息压缩，兼顾推理精度与部署成本，打通‘仿真训练 — 实车落地’的数据闭环，对 L4 自动驾驶、通用人形机器人商业化具备极强参考价值。”
四、落地场景清晰：锚定自动驾驶、通用具身机器人两大核心赛道
文远知行明确 WIIT 定位为物理 AI 通用认知基座，核心解决具身智能无法深度理解现实世界的行业共性难题，两大落地场景路径清晰：
- 全阶自动驾驶（Robotaxi+L2++ 辅助驾驶）车辆端实时采集道路行人、车辆、交通标识、路面状态等信息，WIIT 提取路面物理事实，预判周边交通参与者运动轨迹，输出安全、可解释的行车决策，降低复杂路口、雨雪、夜间等复杂场景事故风险。本届 WAIC 文远知行 H2-B125 展位同步搭载实车演示 WIIT 道路实时推理效果。
- 通用人形、工业机器人面向工厂机械臂、家用服务机器人，模型识别物体重量、摩擦力、空间摆放位置等物理事实，自主规划抓取、搬运、组装动作，适配多变实体交互场景，解决传统机器人固定程序无法适配环境变动的短板。
行业普遍共识：传统数字大模型擅长文字、代码、线上信息处理，但无法适配存在重力、惯性、空间约束的实体世界；WIIT 补齐 AI 在物理维度的认知短板，打通数字智能到实体智能的关键断层。
五、行业范式变革：物理 AI 进入事实建模时代，告别浅层特征识别
结合 WIIT 发布与 2026WAIC 整体产业风向，物理 AI、具身智能赛道竞争逻辑发生根本性转变：
- 技术路线从 “像素特征识别” 转向 “物理事实建模”过去智驾、机器人大模型比拼图像识别精度，下一阶段核心考核指标为物理规律理解、因果推理、事实校验能力，单纯视觉匹配不再构成核心壁垒。
- 统一物理认知基座成为头部企业标配自动驾驶、机器人厂商将同步布局面向现实世界的底层认知大模型，打通仿真、实车、机器人多端数据流转，形成统一事实数据闭环，降低多产品线重复开发成本。
- 可解释、可验证物理事实解决行业安全痛点自动驾驶、人形机器人属于高安全等级场景，传统黑盒大模型决策无法溯源；基于标准化事实单元的推理链路可完整追溯每一步判断依据，满足车载、工业场景合规监管要求。
结尾
现阶段 WIIT 已完成内部实车仿真测试，本届 WAIC 仅展示基础认知架构与道路推理演示，文远知行暂未公布模型对外开放、商用部署时间表。但这款物理 AI 认知大模型的发布，清晰定义了国产具身智能底层模型全新研发路线，证明依托物理事实构建世界认知框架，是 AI 从虚拟数字空间走向真实物理世界的可行落地路径。
信息来源汇总
- 界面新闻 2026 年 7 月 17 日文远知行 WAIC 新品现场报道
- 文远知行官方海外投资者新闻稿 WIIT 技术白皮书
- 文远知行 GENESIS 世界模型官方产品资料
- 《21 世纪经济报道》2026WAIC 物理 AI 产业专题
AITOP100-AI资讯频道将持续关注AI行业新闻资讯消息，带来最新AI内容讯息。
想了解AITOP100平台其它版块的内容，请点击下方超链接查看
AI创作大赛 | AI活动 | AI工具集 | AI资讯专区 | AI小说
AITOP100平台官方交流社群二维码：
