一、混战之源：世界模型为何成为“必争之地”
路线分歧源于安全与成本的终极平衡
世界模型并非新词，但当它从学术概念涌入自动驾驶与具身智能的产业腹地，立刻被推上风口。所谓世界模型，本质是让AI在内部构建一个对物理世界的可预测表征——它能理解物体恒存、运动惯性、遮挡推理，甚至预演“如果这样开，下一秒会发生什么”。在中国这个全球最大智能汽车市场，谁能率先做出可靠、实时、低成本的世界模型，谁就能在智驾下半场掌握定义权。于是，路线分裂了。不同背景的玩家从自身能力禀赋、商业逻辑和安全哲学出发，各自押注截然不同的技术路径。纯视觉派相信极致简约会带来涌现智能；融合派坚持冗余感知才是安全底线；车路云派试图用系统能力绕开车端瓶颈；生成式派则想用海量数据蒸馏出物理法则。这不是一场温柔的学术讨论，而是直接关系到千亿级产业格局的生存之战。每一派都声称自己代表未来，但未来从不由单一声音决定。这场“路线战争”的背后，是安全、成本、数据闭环与政策适配四重约束下的残酷筛选。

二、纯视觉派：做减法的极致信仰
摄像头阵列加端到端预测，复刻人类驾驶直觉
纯视觉世界模型的核心主张近乎“激进”：扔掉激光雷达，只依靠摄像头阵列输入，通过端到端的神经网络直接输出驾驶决策或未来场景的预测图。这一派将人类驾驶作为唯一标杆——人仅有双眼，却能靠大脑中的世界模型安全驾驶，机器理应也能做到。特斯拉的Occupancy Network和端到端方案给了中国追随者巨大信心，一批新势力车企和算法创业公司坚定站队此路。他们的理论自洽：视觉信号信息密度最高，成本最低，只要数据规模足够大、模型足够深，算法就能自行学会三维空间理解、运动预测和不确定性估计。在这条路上，世界模型往往以“视频预测”或“神经渲染”形态呈现，网络观察几帧图像后直接生成未来场景的动态演化，然后交由规划器使用。拥趸认为，减少传感器异构性非但不会降低安全，反而消除了多源融合带来的时延与偏差，使模型更贴近原始物理流。批评者则指其“纯粹而脆弱”，面对极端光照、恶劣天气和罕见长尾场景时，缺乏主动冗余的风险显而易见。但纯视觉派相信，这些问题最终都会被海量真实数据和仿真数据喂饱的模型攻克，他们正在将减法进行到底。

三、融合感知派：不把鸡蛋放在一个篮子里
激光雷达与毫米波筑起冗余之墙，世界模型即融合器
与纯视觉派的减法哲学相对，融合感知派选择做加法——确切地说，做异构冗余。在他们眼中，世界模型不应是一个单一模态的幻想引擎，而是一座能将摄像头、激光雷达、毫米波雷达乃至超声波数据无缝对齐、交叉验证的融合大厅。这一派在中国拥趸最众，多数头部智驾供应商和自主品牌车企押注于此。其安全逻辑朴素而坚硬：没有任何单一传感器能覆盖所有场景，激光雷达提供精确几何测量，毫米波雷达擅长恶劣天气穿透，视觉提供语义理解，将它们喂入一个统一的世界模型，让模型学习多模态之间的互补与冲突消解，才是通往可靠认知的路径。此处的世界模型往往充当“多模态时序融合器”，它不仅要预测其他交通参与者的未来轨迹，还要同时感知环境静态结构，并在传感器失效时利用未失效模态进行“想象性补全”。挑战同样巨大：实时对齐多种数据流需要大量算力，传感器本身成本不菲，且融合模型的设计与调试极复杂。但融合派反击说，安全这件事上，冗余不是浪费，是底线；用算力和硬件成本换来比人类事故率低几个数量级的系统，这笔账完全划算。

四、车路云一体派：系统最优的宏大叙事
路侧智能与云控平台补全车端世界模型的盲区
如果说前两派还在围绕单车智能争吵不休，车路云一体派则把棋盘画得更大。他们主张，真正的世界模型不应只运行在一辆车上，而应由路侧感知设施、区域云控平台和车载系统共同编织一张“超视距认知网”。这一路线的兴起带有浓烈的中国基建特色，背后是智慧城市、新基建和车联网先导区的政策推力。路侧的高位摄像头、毫米波雷达和激光雷达，能以“上帝视角”俯视路口和路段，看到的远比单车更全；云平台将这些全局信息融合成动态世界模型，再通过5G发送给车辆，相当于赋予了每辆车透视和预知能力。车端世界模型在这个框架里，更多负责近距离实时响应和通信中断时的安全兜底。车路云派的论证逻辑在于，单车智能永远存在物理遮挡和传感器有效距离的硬约束，而全息路口和云控序列可以把复杂路口的盲区鬼探头、多车博弈等难题化解为确定性信息发放。批评者担忧其基建成本高昂、商业模式模糊、标准难统一。然而支持者认为，这是发挥体制优势、实现系统性安全的终极解，一旦成网，就能将世界模型的感知天花板推到前所未有的高度。

五、生成式基础世界模型派：用数据蒸馏物理规律的“造物主”视角
扩散与自回归模型将世界知识压缩进神经网络权重
最新入场的一派，来自大模型浪潮的深度冲击。他们不纠结于传感器配置，而是试图用生成式AI直接学习一个通用的、可交互的世界模拟器：输入初始状态和动作序列，模型就能生成长序列的未来场景视频，并保证其中物理规律的合理。扩散模型、自回归Transformer和神经辐射场的组合成为技术利器，科研团队和AI公司争先恐后地“喂”给模型海量的驾驶视频、仿真数据和物理交互示例，让模型自发掌握重力、碰撞、刚体运动和道路规则的隐式表达。这一派的口号近乎浪漫：让AI像人类一样，在“内部经验”中想象并推演世界，而无需手写物理方程。其潜力令人窒息——如果成功，世界模型将不仅能用于自动驾驶，还能泛化到机器人、增强现实等广泛领域。然而，魔鬼在细节：生成式世界模型当前仍易产生违背物理的幻觉，帧间一致性不稳定，实时推理成本极高。但这一派坚信，规模定律同样会在此处生效，更大的模型、更多的数据以及更好的算力，终将使神经网络本身变成一台高保真物理引擎。他们将这视为“第四范式”，一旦成熟，前面几派关于传感器的争论将变得不再关键。