汽车行业 AI 系列深度：世界模型作为“数据工厂”

本报告分析了物理 AI 与数字 AI 在数据范式上的本质差异，指出物理 AI 的核心挑战在于长尾、极端及事故场景在现实中天然稀疏且采集成本高昂。报告认为世界模型正从车端预测组件演变为云端“数据工厂”，通过生成式模拟弥补真实数据的不足，为物理 AI 提供合成训练数据与边界样本。

当前业界通过两种主要范式缓解世界模型在分布外场景的退化风险：一是以“外生受控生成”为代表，通过真实结构锚定与可执行性约束确保生成质量，如 DriveDreamer4D 及理想汽车的重建加生成模型；二是以“内生问题驱动”为代表，通过系统自诊断归因（如小马智行 PonyWorld 2.0），实现定向 Corner Case 生成。报告认为，世界模型是物理 AI 基础设施的核心，未来趋势是提升生成的可控性、物理一致性及样本有效性，而非单纯追求生成规模。