華為乾崑打響第一槍！輔助駕駛迎來“類人”到“超人”的跨越

從2021年Transformer被引用在智能駕駛上開始，整個行業迎來突飛猛進的發展，隨后BEV、占用網絡、端到端等技術相繼出現，智能駕駛可以說是一年一跨越。

在底層邏輯上，智能駕駛技術大概經歷了2個階段：

規則依賴階段：“if 紅燈 then 停； if 綠燈 then 行”的規則代碼。這個階段最大的問題是場景太多，無法窮舉，只能在有限ODD里面Demo運行。它可以理解為智能駕駛的「木偶時代」，無泛化能力，遇到工程師沒考慮到的場景，就直接卡BUG；

神經網絡階段：AI網絡化，通過給模型喂人類司機數據，模仿學習開車，類似AlphaGo，學習人類棋譜，但人類司機數據有2個問題：實際路采效率低、成本高：開很長時間也碰不到一次危險場景，白忙活；劣質人類駕駛數據：各種路怒癥開車的駕駛習慣并不值得學習。

這個階段有點類似「猿人時代」，腦容量有限，有智能但不多，有簡單的模仿與一定的泛化能力，但是野蠻生長，可以學好也可以學壞，不受控；

2021年-2023年左右，人類的自動駕駛停留在規則依賴階段；2023年以后，整個行業進入神經網絡學習階段。但行業被困了2年遲遲沒有突破。

然而，這一窘境即將被打破。原因是華為乾崑宣布了兩件大事：華為乾崑智駕搭載量突破100萬；今年9月份，華為乾崑智駕ADS 4即將陸續推送。在ADS 4上，華為乾崑創造性地提出了WEWA架構。

100萬搭載量包含了豐富的corner case數據，配合WEWA架構的云端世界引擎和車端世界行為模型，將徹底改變智能駕駛的底層技術邏輯。這讓整個行業正式迎來“AlphaGo時刻“，智能駕駛真正從“人類模仿學習”進入“AI自主進化”。

從華為乾崑WEWA開始，自動駕駛正式跨入一個全新的臺階：AI模型化+云端仿真+強化學習。通過給模型喂 “人類司機數據+AI仿真數據”+“強化學習”牽引，讓AI模型見多識廣。讓模型的能力真正從“類人”到“超人”。

這個階段的智能駕駛也正式跨入「智人時代」。腦容量變大，智能大幅提升，自己開自己學、從模仿人類到超越人類，并按人類的規訓與社會倫理開車。

而這一切的底層技術支持都要從華為乾崑WEWA架構的2個特點說起。

云端世界引擎（WE）：仿真數據+人類數據+強化學習，讓老司機始于起跑線

智能駕駛數據分很多種，一種是比較常規的駕駛數據，比如你從家到公司的行為數據，這種對模型幫助不大；另一種就是特殊場景數據，比如大型復雜十字路口，或者急剎急停，cut in等數據，業內俗稱corner case，這個對模型訓練幫助非常大，但獲取難度也大，而且需要付出巨大的成本，有時候甚至是車毀人亡的慘痛代價。

很多企業宣稱的數據大部分都是第一種。過去行業為了獲取一些corner case場景數據，人為設置各種障礙然后測試采集，但是成本高，效率低，而且能夠涉及的場景有限。

華為乾崑智駕ADS 4 WEWA架構里的云端世界引擎（WE），重點解決的就是這個問題。

WE可以理解成一個云端運行的World Engine世界引擎。利用擴散生成模型技術，能夠高可控地生成各種平時人類司機開車很少遇到的難例場景，比如側前車Cut-in、紅綠燈路口、寵探頭、前車急剎等多種場景及組合場景。

要構建這樣一套逼真的物理世界模型并不容易。華為乾崑自研了仿真工具，并且具備充沛的云端算力。這一點很重要，華為具備軟硬件的全套自給自足能力，很多企業即便有這個意識，也不具備這樣的底層實力支撐。通過打造“數字風洞”，華為乾崑直接將現實世界的難例密度提升1000倍。日常數據就像咱們高考的時候天天刷的常規題，但華為乾崑的WE自己生成附加題，然后訓練模型，讓AI訓練AI，類似讓AlphaGo與AlphaGo對戰，產生更強大的Alpha Zero。

截至2025年4月，華為乾崑已經在世界引擎里進行了6億公里的高速L3仿真驗證。

還有一點需要特別強調的是，為了引導模型的正向發展，WE還設置了“安全優先”的強化學習原則，如同設立了一個獎懲監督員，“安全優先”給獎勵，“忽略安全”給懲罰，讓模型時刻牢記“安全第一”基本法則。這就像是在孩子很小的時候給他樹立一個正確的價值觀，做壞事就懲罰，做好事給獎勵一樣，長大后他就是一個誠實正直的人。

這個和VLA理念里的一些行為剛好相反。比如AI思考過程的可視化、人語音指揮車的實踐，這是安全優先還是炫技優先？

AI司機與人類指揮指令相矛盾或有安全風險時，聽誰的？ 這是純炫技，還是對AI司機能力的不信任？

除了大量的云端AI數據，華為乾崑還在現實場景中積累了大量的人類優秀數據。截止到2025年7月底，華為乾崑輔助駕駛總里程達到40.5億公里，泊車輔助累計使用次數2.6億次，7月份，人均輔助駕駛里程達到699公里，是業界平均水平的2-4倍。

通過“人類司機數據+AI仿真數據”+“強化學習”的方式，華為乾崑構建了模型自學習成長閉環。

車端世界行為模型(WA)：一腦多能，專題專解

云端AI司機訓練只是第一步，在車端，還有更多復雜的問題需要解決。

如何統一不同信號源輸入形式？如何保證模型的并發能力？如何保證低延遲？如何保證在不同的場景有專屬的駕駛體驗，而不是千篇一律的“機械化”動作？

這里就引出了華為乾崑WEWA架構的第二個優勢：車端世界行為模型（WA）。

WA是指在車端運行的World Action Model世界行為模型。這是華為乾崑從零到一開發的原生基模型。原生架構是非常關鍵的一步。目前整個行業的智能駕駛方案普遍采用通用語言大模型添加交通場景數據二次訓練出輔助駕駛大模型，雖然模型參數很大，但很多都做了無用功，效率很低，而且大參數模型還增加了輔助駕駛“大腦”的硬件負荷。

還有一個更致命的問題，語言大模型擅長的語言推理能力，并不適用輔助駕駛需要的空間推理能力，這樣就造成了資源錯配。

目前被行業熱炒的VLA架構就是典型案例。VLA來源于機器人領域公開的理論范式，被引入到了智能駕駛領域。智能駕駛車輛的輸入主要是視頻、激光點云或者是雷達點云，輸出Action，但VLA在中間加了一個大語言模型，轉換成動作Action來直接控車。大語言模型在業界非常成熟，開源架構很多。它的優點是文字推理能力比較強，對交通標識等場景的理解能力強。但空間的感知與推理能力不行。輔助駕駛的車需要做具體動作，在空間里面運動，對空間的準確感知與推理是輔助駕駛的重要前提。

華為乾崑的世界行為模型WA 是從0開始訓練的輔助駕駛專用大模型，空間推理能力強，距離位置判斷更精準，模型精干，參數規模并不大，降低了對車端硬件的依賴，效率高，響應快。更恐怖的是，華為乾崑WEWA的專用大模型采用MoE多專家架構，在面向不同場景時，只有部分專家會被激活，這進一步提升了模型的運行效率與響應速度。而響應快幾十毫秒，安全與體驗將是另外一個層次。

這里我們可以參考一個實際駕駛案例，比如在雙向8車道的大型十字路口，社會車輛，兩輪車，自行車，包括行人，多交通參與者混行的時候，對模型的能力上限要求直線飆升，老司機處理這樣的場景都會非常謹慎。這時候MoE專家模型的其中一支就會發揮作用，對這些場景專門分析，專門輸出行為規劃，包括一些潮汐車道，環島車道等復雜場景都是如此，相當于每一個特殊場景都擁有一個專屬的VIP專家，專題轉解，效率更高，效果更好。

量變到質變：WEWA架構下，L3商用只是“開胃菜”

有人說智能駕駛是一場馬拉松長跑，但我更愿意相信智能駕駛是一個結合了長短跑特征的產業。既要看選手的馬拉松耐力血條，又要求選手具備快速決策調整能力。

從2013年全球發力智能駕駛開始，一直到2021年，智能駕駛呈現出來的是馬拉松特征，大家在里面找方法，找出路，積累經驗；熬過這一段馬拉松時期，從2021年Transformer開始，智能駕駛進入短跑階段，BEV，占用網絡，端到端……技術一年一升級，每一步都不能錯，錯一步就就會出局。

對于所有參賽選手，既要有持續的資金積累又要有敏銳的技術判斷，才能在技術收斂階段勇立潮頭。技術發展到今天，只有華為乾崑智駕ADS 4搶跑“AI訓練AI”階段，其實也揭示了市場的殘酷性。這是華為乾崑在智能駕駛上持續技術迭代與進化的結果。

2021年4月，華為乾崑發布ADS 1，基于Transformer的BEV架構，率先商用城區NCA。

在技術層面，ADS 1首次創新性地采用 BEV（鳥瞰圖）+Transformer 算法，成功實現3D場景感知，這為華為乾崑智駕從無到有的突破奠定了基礎。

2023年4月，ADS 2如約而至，華為乾崑向業界首發了“全向主動安全”，并實現全國都能開。ADS 2最大的優勢就是擺脫了對高精地圖的依賴，構建了一套“全國都能開”的實用化輔助駕駛方案。并且引入 GOD 網絡（通用障礙物檢測），打破傳統 “白名單識別”的局限性，能夠精準識別錐桶、外賣小哥等異形障礙物，同時BEV與GOD協同工作，實現對“物+路”的雙重感知。

2024年4月，華為乾崑ADS 3發布，業界首發“車位到車位P2P”，實現全場景貫通。

這一階段，華為乾崑徹底摒棄BEV，采用端到端大模型，其中感知部分使用GOD（通用障礙物識別）大感知網絡，而決策規劃部分通過PDP（預測-決策-規劃）網絡來實現，同時添加本能安全網絡提升表現。GOD和PDP都是端到端神經網絡，在端到端架構下，ADS 3的復雜路況通行跟車更平順、換道更柔和、通行更舒適，具體表現上，ADS 3的重剎率減少15%、平順性提高50%、顛簸幅度減少50%。

一直到今天的ADS 4，華為乾崑WEWA架構正式將整個行業帶向新高度。

仔細研究會發現，在技術迭代上，華為乾崑一直具備嚴密的邏輯遞進規律。華為乾崑強調高價值元器件才能帶來高感知性能，高感知性能才能讓模型更好地理解世界，帶來更合理、安全的規劃決策。

它始終強調多種傳感器的深度融合能力，比如激光雷達用來探測小目標、分布式毫米波雷達識別雨霧塵天氣障礙物、高精度固態激光雷達識別近距離障礙物等，提升在高速L3場景中的環境感知能力。沒有這個1，后面再好的模型算法都是零。

然后再將算法與整車工程的深度整合能力，比如算法與底盤的融合，在高速行駛中出現爆胎、濕滑路面等情況下仍可以保障安全；再比如算法與AR-HUD、座艙及車燈的融合，提升駕駛員的安全心理感知與車外其他車輛的安全感知能力。

在此基礎上，WEWA架構才能發揮作用。在云端對天氣、路況、異常情況的仿真，高可控、高密度的生成大量的高速L3難例場景訓練算法，讓智能駕駛真正從“學習人”到“超越人”。

技術路線快速發展，但企業要有自己的技術價值觀和信仰堅持，才能行穩致遠，而不是人云亦云，什么時髦講什么。而且中途頻繁切換技術路線，模型重新訓練優化，工作量巨大，難以形成持續積累，用戶體驗也無法穩定與持續提升。

相較于行業里搖擺多變，盲目跟風的技術風格，華為乾崑對技術路線的堅持和投入，才迎來量變到質變的突破。從WEWA架構上車開始，L3只是華為乾崑ADS 4的開胃菜，智能駕駛將從類人學習正式進化到AI自主學習階段，不斷向L4、L5突破，智能駕駛技術路線正翻開新的篇章。