文遠知行推出物理 AI 大模型 WITT

自動駕駛領域再迎技術突破。2026年7月17日，自動駕駛科技公司文遠知行（WeRide）正式發表自主研發的物理AI認知基礎大模型，命名為WeRide WITT。這款模型不同於傳統以數據為核心的AI系統，而是專注於理解真實物理世界，為自動駕駛的感知與決策提供全新架構。文遠知行表示，WITT的問世，象徵著AI從單純的模式識別，邁向對複雜環境的深層認知，是邁向更高階自動駕駛的關鍵基礎。 WITT模型最核心的創新，在於引入了「最小物理事實單元」的概念。傳統AI在處理連續變化的真實場景時，經常面臨資訊碎片化或語意模糊的挑戰；WITT則透過將動態環境拆解為一個個獨立的物理事實單元，使模型能夠像人類感知一樣，逐一辨識並驗證每個單元所代表的意義。這些單元涵蓋了靜止物體、移動軌跡、光線變化等基本元素，讓AI得以在統一的框架下理解世界。 透過「最小物理事實單元」的拆解與重組，WITT可以有效處理多模態資訊，包括影片、圖像與文本。模型不再只是單純地分類影像或辨識文字，而是能夠在不同模態之間建立因果關聯，進而掌握環境的全貌。舉例來說，當自動駕駛車輛行經十字路口，WITT不僅能辨識出紅綠燈的燈號顏色，還能同時分析行人意圖、鄰車速度與路面狀況，並將這些資訊整合為具體的物理事實，作為後續決策的依據。 這樣的設計，直接強化了自動駕駛車輛對環境的感知能力。WITT能夠在複雜的真實場景中，快速識別核心事實單元，並透過內建的驗證機制確認資訊的正確性，避免因感測器雜訊或遮蔽而產生誤判。文遠知行指出，這項能力讓車輛在面對交通號誌、行人穿越、其他車輛動態等情境時，能有更精準的分析，從而提升行車安全性與整體運輸效率。 更重要的是，WITT所建立的以物理事實為核心的理解框架，讓自動駕駛的決策邏輯變得更加透明。過去許多AI模型的判斷過程宛如黑箱，難以追溯為何做出某個決定；而WITT的事實單元體系，使得每一個決策都能對應到具體的環境證據，不僅有助於工程團隊進行調校，也為法規驗證與安全論證提供了更扎實的基礎。 除了技術層面的突破，WITT的發布也承載著商業化的重要意義。文遠知行認為，自動駕駛要真正走向大規模部署，關鍵在於AI能否在邊際案例（edge cases）中做出可靠反應。WITT透過對物理事實的逐步推理，能更有效處理突發狀況，降低營運風險，進而加速自動駕駛服務的商業落地。隨著模型持續迭代，未來自動駕駛車輛的運營範圍與場景可望進一步擴大。 從產業角度來看，WITT的推出使文遠知行在自動駕駛競賽中取得差異化優勢。當許多業者依然專注於擴大訓練數據量或最佳化感知模型時，文遠知行選擇從認知基礎架構切入，試圖從根本解決AI對物理世界理解不足的問題。這種從數據驅動轉向認知驅動的路線，被視為自動駕駛技術演進的重要方向。 值得一提的是，WITT的設計不僅適用於自動駕駛。文遠知行提到，基於物理事實的AI理解框架具有高度通用性，未來可以延伸應用於機器人、智慧城市管理、工業自動化等領域。透過統一的事實單元語言，不同類型的AI系統能夠共享對世界的理解，促進跨場景協作。這使得WITT不只是一款車用模型，更有潛力成為物理AI生態系的基礎設施。 在自動駕駛技術快速迭代的背景下，WITT的出現也為業界提供了一個全新的研究方向。傳統的自動駕駛系統多採用模組化設計，感知、預測、規劃各自獨立；而WITT試圖將這些環節統整於單一認知框架中，減少資訊傳遞損耗，提升整體反應速度。這種整合式思路，可能影響下一代自動駕駛架構的設計方向。 市場觀察人士分析，文遠知行選擇在此時推出WITT，反映了其對核心技術自主權的重視。在全球AI競爭日益激烈的環境下，掌握底層認知模型的企業，才能在主導權的爭奪中站穩腳步。WITT的發布，不僅展示了文遠知行在物理AI領域的研發實力，也為其爭取更多合作夥伴與商業機會鋪路。 隨著2026年下半年到來，業界預期將有更多基於WITT的自動駕駛示範應用陸續展開。這些實際案例將是檢驗模型成效的重要試金石。文遠知行表示，將持續最佳化WITT的性能，並與合作夥伴共同探索物理AI的更多可能。從實驗室到真實道路，WITT正在把對世界的理解，一步步化為更安全、更智慧的行動力。