在L4级无人驾驶从技术验证迈入规模化商业化的当下，行业出现了一道核心命题：如果A驾驶能力已经超越了教它开车的人类，那以后如何让系统持续、高效、低成本地自我进化？

近日，自动驾驶企业小马智行（PONY）提出了解决思路：该公司正式发布其PonyWorld世界模𶭰.0，这不仅是一次技术升级，更标志着自动驾驶研发范式正从“人类驱动”向“AI驱动”发生根本性转变。

在这套新系统中，AI不再是被动接受人类指令的学生，而是能自我诊断、定向进化，并反过来指导人类团队工作的“首席研发官”。

AI开启“自我进化”飞轮

据悉，小马智行是�年启动世界模型研发的，初衷是跳出“模仿人类驾驶”的局限，转向以“开得更好”为目标的强化学习路径，这就如同AlphaGo不靠模仿人类棋谱，而是通过自我对弈突破能力上限。

与PonyWorld世界模𶭯.0版本相比，如𱏦.0最本质的变化，是AI具备了自知之明与自我改进能力，不再依赖人工定位问题、分配任务。其核心突破在于三大能力：

第一，自我诊断。依托车端模型中的“Intention（意图）语义层”，系统能清晰回溯每一次驾驶决策的逻辑。例如，“我在此减速，是因为预判右前方行人将横穿马路”。这种结构化表达使得系统能自动区分问题是出在感知、意图生成还是动作执行环节。

第二，定向进化。基于诊断结果，世界模𶭰.0能主动识别自身精度不足的场景，并自动生成精准的数据采集指令。例如：“请于下𴃔:30-5:30，在A、B、C三个路口，重点采集逆光条件下非机动车与行人混行数据。”工程师的角色由此从“经验判断者”转变为“AI指令执行者”。

第三，训练效率跃升。系统可跳过已熟练掌握的“送分题”，专攻薄弱环节，大幅减少无效计算与存储开销。

这一系列变革，构建了一个强大的“精度飞轮”：大规模L4无人车队运营→产生真实世界高价值数据（尤其是AI与其他交通参与者的独特交互数据）→世界模型精度提升→车端模型能力增强→支撑更大规模部署→产生更多高价值数据。

小马智行强调，当AI驾驶能力已远超人类后，普通人类驾驶数据对其进化价值趋近于零，唯有其自身在真实世界中产生的千万公里级纯无人驾驶数据，才是推动世界模型持续进化的“燃料”。这构成了极高的结构性壁垒。

人类为AI打工？

世界模𶭰.0的深远意义，远不止于技术本身。它正在重塑整个研发组织的运作逻辑。

自动驾驶研发的早期阶段，行业高度依赖工程师经验：人设计规则、标注数据、判断训练重点，效率天花板明显。当AI驾驶水平远超人类，人类指导反而可能误导模型迭代——这正是小马智行推动范式变革的核心原因。

世界模𶭰.0落地后，人类工程师的角色彻底转变：从教AI开车的“驾校教练”，变为响应AI需求的“定向数据采集员”与“系统执行者”。

研发人员、测试工程师、运营团队——整个组织开始围绕世界模𶭰.0的“精度需求”来运转。它说哪里弱，人类就去补哪里的数据。它说哪类场景需要更多真实样本，人类就开着车去跑那类场景。

“研发人员在给世界模𶭰.0打工。”——这不是一句玩笑话，而是一种全新的研发范式。

在业内人士看来，这一变革的商业价值直击行业痛点：L4级无人驾驶对安全性要求极致，普通人类驾驶数据的提升价值已趋近于零，只有AI在真实路况中产生的独特交互数据，才能推动模型持续进化。

从技术路线看，小马智行坚持跳过语言层“中间商”，传感器数据直接映射驾驶动作，配合Intention意图层实现可解释、可调试、可迭代，既节省算力，又让物理世界的建模更直接高效，与部分厂商走的VLA（视觉-语言-动作）路线形成鲜明差异。

从这个角度看，小马智行在自动驾驶领域的深耕，或许正在为其打开一扇通往更广阔物理AI世界的大门。而这场由世界模𶭰.0引领的研发范式革命，或将重新定义人工智能与物理世界交互的未来。

采写：南都·湾财社记者 胡雯雯