【技术向】因为楼教主的一句 Learn From Practice， 大家的目光开始从真实数据移动到仿真数据上。

刚好今天大雨老师@电动知士大雨 也聊了一下这个。就简单说下我的想法。

除去玄妙的这句话，实际上是在说： 在虚拟数据中进行强化学习最终获得更好的自动驾驶算法。
虚拟世界中的强化学习，实际上并不是一个非常新奇的概念。
不论是早期的自动驾驶，还是现在的具身智能，研究人员们在这个领域一直在探索，原因无他。

成本更低，灵活性更高。

Waabi，加拿大的一家自动驾驶公司，实际上从成立起就遵循着这条规则，从仿真里获得真实世界的能力。并且作为最重要的公司目标（视频是demo，图是创始人）

类似的还有， Wayve， Tesla 的Worldmodel ，Nio 提出的NSim，小鹏提出的云端仿真，理想的Street Gaussian等等，都是相似的目的。@大懒货

不论是我们看到的World Model，还是之前很火的NeRF，再到Gaussian Splatting， 甚至一些传统的仿真技术栈，都是为了：
1. 更低的成本
2. 更逼真的传感器数据
3. 更逼真的交互
4. 更强大的泛化能力
而服务的。

但是真实和仿真从来不应该是互相取代的关系，而是互相补充的关系。

简单来说，没有任何一种仿真能够模拟世界上所有的交通场景，也不可能有一个公司能够声称自己能收集到所有的数据。

当一家公司说自己要靠WorldModel 作为训练平台取代大部分真实数据的时候，我们很容易得到两个悖论。

1. 当WorldModel 足够强大能够模拟大部分真实场景，那么意味着大部分真实场景用来训练这个worldmodel了，真实数据从何而来？这些真实数据为啥不能用来训练自动驾驶算法？

2. 当worldmodel 足够强大，能够模拟大部分真实场景，意味着按照像素级理解了这个世界，也理解真实交通运转规律。 这么强大的模型可以直接用来做驾驶模型（蔚来NWM的逻辑），只做训练平台绝对是大材小用。

对于现在的WorldModel，仿真等等，每一家都在非常努力地进行开拓。在某一个位置补足数据，或者某个重要位置提供帮助，或者提供强大的测试能力等等，但是完全取代真实数据，个人认为实际上是不现实的。

#微博新知##ai创造营#