摘要： Waymo 在 2026 年 2 月 6 日推出 World Model。這款生成模型打底於 Google DeepMind 的通用世界模型 Genie 3，再針對大規模、高度擬真的自駕模擬做專門後訓練。輸出端同時涵蓋相機影像與光達資料，其中包含能在互動 3D 檢視器裡查看的 4D 點雲；藉此，Waymo 得以在虛擬環境中重播、改動並延伸路上的各種情境。
Waymo 在 2026 年 2 月 6 日推出 World Model。這款生成模型打底於 Google DeepMind 的通用世界模型 Genie 3，再針對大規模、高度擬真的自駕模擬做專門後訓練。輸出端同時涵蓋相機影像與光達資料，其中包含能在互動 3D 檢視器裡查看的 4D 點雲；藉此，Waymo 得以在虛擬環境中重播、改動並延伸路上的各種情境。
看數字就知道它的分量。真實道路上，Waymo 的全自動駕駛里程已累積到約 2 億英里；虛擬世界的行駛里程則達到數十億英里的量級。在 Waymo「可證明安全的 AI」的三大支柱裡，World Model 承擔的正是產生模擬環境的那一支。自駕安全的辯論如今集中在長尾情境上——誰能把這些長尾轉化為可以量產的測試素材，誰就握住驗證的主導權。
Waymo World Model 是什麼
官方給它的定位是「為大規模、超擬真自駕模擬立下新標竿的前沿生成模型」，這篇發表出自 Chiyu Max Jiang、Xander Masotto 與 Bo Sun。技術上最值得注意的一點是輸出的多模態：模型產出的不只是影片，還有對應 Waymo 硬體、且和相機畫面互相一致的 3D 光達點雲。
這項能力源自針對 Genie 3 進行的專門後訓練：Genie 從海量影片中吸收的 2D 世界知識，被轉換成符合 Waymo 感測器規格的 3D 輸出。Ars Technica 把這項主打能力稱作「駕駛重模擬」——取一段實際拍攝的行車影片，透過提示修改行進路線，重播出一條「如果當時別這樣開」的平行時間線。
三種控制手段：路線、場景與語言
它提供三種控制方式。其一是駕駛動作控制：把一段錄好的行駛過程重播出來，既能沿原本路線、也能改走全新路線，藉此做反事實測試——在相同的路口上，「開得積極一點」跟「提早讓行」各自導致的結果可以擺在一起對照。其二是場景布局控制，用來調整道路配置、號誌狀態與其他用路人。其三是語言控制，用文字描述時間與天氣，甚至直接生成完全合成的場景。
Waymo 特別拿它和 3D Gaussian Splatting 一類的重建式技術作比較：重建式做法一旦離開錄製路線，就會因為缺少觀測資料而讓畫面崩壞；學習式模型卻能保持在合理的狀態。「重建過去」與「生成可能」的分界就在這裡，而這也正是世界模型的賣點。
挑 Genie 3 的理由：預訓練帶來的槓桿
業界大多數自駕模擬器走的是「從零開始、只用自家路測資料」的訓練路線，可模擬的範圍因此被自家車隊見過的世界給框住。Genie 3 相反，它先在龐大且多元的影片語料上預訓練，Waymo 於是有辦法模擬車隊從未親身遭遇的情境——這就是通用模型提供的槓桿。對 DeepMind 而言，Genie 也從一個研究計畫轉身成為擁有內部客戶的基礎設施。
另有講求效率的版本，用些許品質換取長時間的滾動模擬，示範影片是以 4 倍速呈現的。此外，它也能把行車紀錄器或手機拍下的影片，轉換成從 Waymo Driver 視角出發的多模態模擬。
長尾情境如何支撐安全驗證
官方列出來的示範清單，本身就夠說明問題了：龍捲風、洪水、被雪覆蓋的金門大橋、大象、獅子、穿著暴龍裝的行人，還有跟汽車一樣大的風滾草。這些狀況不是終其一生碰不到，就是碰上了也根本無法當作練習素材。World Model 的作用是把它們轉成可重複、可控制的測試案例——先在虛擬世界演練，再據此訂出安全基準。
開發者與 AI 團隊能帶走什麼
可以帶走三個啟示。其一，世界模型正在離開展示階段、進入工程階段：當生成的環境既可控、可重播，又能對齊感測器規格，模擬就不再是成本中心，而是驗證資產。其二，「預訓練再領域後訓練」這條配方又一次奏效——與其從零蓋一座領域模擬器，更好的做法是站在通用模型上做轉移，機器人與工業自動化團隊同樣吃這一套。其三，反事實測試是評估代理系統的通用工具：同一個情境配上不同策略並排對照，遠比單一的成功率更能暴露行為上的差異。