一辆无人车要在一个陌生城市上线，最贵的成本不是车，是时间。安全员坐在副驾，一条街一条街地跑，遇到加塞、逆光、暴雨、施工围挡，全靠碰运气攒里程。现在百度想把这段攒里程的过程搬进电脑。
11月3日，在深圳的百度 AI Day·Apollo 专场上，百度 Apollo 第一次披露了 Apollo World——一个给物理世界做“模拟考场”的模型。按新华网的报道，它已经用在萝卜快跑的全球化测试与验证里。
一天跑完一辆车三年的路
最直观的一个数字是“日行十万公里”。行业人士的换算口径是：它在虚拟环境里一天跑出的里程，约等于一辆配了安全员的真实路测车连续跑三年。
这个换算当然是在讲效率，不是讲等效。真实道路上的每一公里都带着不可复制的偶然性，虚拟环境里的每一公里都带着可重复的可控性，两者不能直接对冲。
但对做生意的人来说，这个差别很实际。要去一个新城市开城，不必先派几十辆车过去跑几个月，先在虚拟城市里把“接单、载客、送达”走通，把明显会出事的场景提前撞一遍，落地成本就下来了。
攒了三亿多公里的家底
支撑这套虚拟训练的，是萝卜快跑真实跑出来的数据。按会上披露的口径，它已落地全球28座城市，累计完成超2300万次出行服务，自动驾驶总里程突破3.5亿公里，其中全无人驾驶里程超过2.4亿公里。
真实数据喂给模型，模型生成虚拟场景，虚拟场景再反过来训练车——这个循环一旦转起来，跑得越多的玩家，虚拟环境越像真的，新城市的开城速度越快。
为什么不能只当画师
百度智能驾驶事业群组首席架构师王亮有一句话说得挺狠：世界模型不能只做“生成炫酷视频的画师”，更要成为验证无人驾驶安全性的“考官”。
画师和考官的区别在于要不要负责。画得好看，观众鼓掌就行；判得对不对，直接关系到一辆近两吨的车在几十公里时速下做什么动作。按他的说法，开放道路的容错空间几乎为零，安全决策周期要压在三分之一秒以内。
所以百度给“世界模型”立了一把尺子，叫“2+3”。两项门槛是因果性和交互性：前者要求模型按时间单向推演，由当前状态预测下一刻，而不是先拼出一张好看的画面再倒推原因；后者要求模型能被外部动作改变，你打方向盘，世界要跟着变。
三项进阶指标是物理准确性、持久性和实时性：模拟出的状态是否符合物理规律、长时间运行会不会漂移、场景变复杂了推理时间会不会失控。这三条恰好也是同类产品最容易翻车的地方——demo 里一切正常，跑两小时就开始穿模。
这门生意的边界在哪
需要泼一点冷水。这场发布会没有给出 Apollo World 的参数量、训练成本、单场景生成耗时，也没有第三方对“十万公里等效三年”这个换算做过独立验证。它目前更像一份能力说明，而不是一份可复核的成绩单。
另一层限制来自场景本身。把交通参与者建模成会决策的智能体，本质上是把“别人怎么想”变成一段可计算的规则；真实路口上那种毫无理由的犹豫、抢行、突然停车，恰恰是最难被规则覆盖的部分。
不过方向已经很清楚：无人驾驶的竞争，从“谁在路上跑得多”，慢慢变成“谁在电脑里跑得多”。前者拼钱和牌照，后者拼数据闭环和仿真逼真度。对乘客来说，这意味着新城市开通的速度可能变快；对行业来说，这意味着后来者靠堆车队追平的机会，正在变小。