专治智驾幻觉，文远知行推出WITT物理AI大模型

“WITT”这个名字致敬了20世纪哲学家路德维希·维特根斯坦——他提出“世界是事实的总和”，这与物理AI的底层逻辑高度契合：AI要认知真实世界，必须从环境、行为、规则、风险与时序关系中提炼可信事实。 随着物理AI落地进程加速，自动驾驶成为首个可被大规模商业化验证的赛道，但痛点也集中显现：数据越来越多，但真正有训练价值、评测价值和迭代价值的数据，并不容易被高效识别；高价值长尾样本稀缺，L4实际运营与L2量产数据中混杂着人为接管、无效片段等噪声；通用大模型在理解复杂交通场景时，也容易产生幻觉与误判。 根据文远知行提供的资料，WITT的应对方式是引入“最小物理事实单元”概念，将连续变化的真实场景拆解为可被识别和验证的事实单元。 举例来说，一段夜间雨天城市道路行车的视频，会被WITT拆解为“自车右转、城市道路、交叉口、路口信号变化”等多个事实单元。每个事实单元都具备高置信、可校准、可追溯的特征。 事实验证：从弱势道路使用者、自车行为、他车行为、场景理解、事实完备性和交通设施六个维度评估模型输出，引入事实置信度反向验证；在自动驾驶垂类场景中，平均每片段事实错误率约为通用大模型的三分之一。 工程效率上，相较于动辄百B级参数的通用大模型，WITT以更轻量的模型规模，在同类任务中可节省98%的Token成本，单卡单日可处理1万分钟车辆运行视频，最高实现200倍数据处理效率提升；标签模式下单次请求即可输出100余个动态标签。 在业内人士看来，WITT的发布，本质上是文远知行在“数据—算法—商业化”闭环效率上的一次押注——它试图回答一个核心问题：当车队规模从百辆级跃迁至千辆、万辆级时，如何用更低的算力成本处理指数级增长的数据？ 但技术升级能否转化为可持续的商业模式，还要看两个变量：一是WITT带来的数据处理效率提升，能否实质性地压缩文远知行的研发与运营开支；二是L4车队的规模化扩张速度，能否跟上“2026年规模化落地元年”的行业预期。 中信建投等机构在研报中提示，2026年Robotaxi行业将迎来扩张潮，高盛将2026年中国Robotaxi车队规模预测上调至1.4万辆。在这个时间窗口里，谁先跑通“千辆级车队自我造血”的经济模型，谁就握住了下一轮竞争的主动权。