文章核心观点 - 公司Wayve推出的GAIA-3是一个用于自动驾驶评估的规模化世界模型，它将世界建模从一个视觉合成工具转变为自动驾驶安全与评测的基石，旨在解决大规模评估自动驾驶系统时面临的成本高、数据效率低、罕见安全事件难以捕获等核心挑战 [1][4] GAIA-3的定位与目标 - 旨在将世界建模从视觉合成工具转变为自动驾驶评估的基石，生成的驾驶场景不仅逼真，而且结构化和有目的性，用于测量、比较并加速实现安全、可扩展的自动驾驶 [4] - 结合了真实世界数据的真实感与仿真的可控性，允许对真实驾驶序列进行精确、参数化的变体重现，例如在保持场景其他元素一致的同时改变自车轨迹 [6] - 其目标是确立生成式仿真作为衡量进展和证明整个具身人工智能领域安全性的主要工具 [20] GAIA-3的技术能力与规模 - GAIA-3是一个拥有150亿（15B）参数的基于潜在扩散（Latent Diffusion）的世界模型 [3][16] - 其视频分词器（video tokenizer）大小是前代GAIA-2的两倍 [3][19] - 训练计算量是GAIA-2的五倍，数据量大约是GAIA-2的两倍，覆盖了3大洲的8个国家 [16] - 模型规模相比GAIA-2增加了一倍，扩展了表征能力和生成精度，实现了更清晰的视觉效果、更一致的光照和更丰富的纹理细节 [18][19] GAIA-3的核心应用：安全关键场景生成与评估 - 可对真实世界驾驶序列进行受控且逼真的变体生成，在保持环境其他部分一致的同时改变自车轨迹，从而系统化生成碰撞和接近碰撞场景，用于可扩展、可复现的安全验证 [7] - 可以虚拟地、大规模地生成类似NCAP（新车评估规程）风格的测试，既可以在模拟的测试场环境中，也可以在不同的现实世界条件下进行 [7] - 生成安全关键场景时注重一致性，确保当仅自车行为改变时，场景的其余部分在物理上和视觉上保持连贯 [8] GAIA-3的核心应用：离线评估套件 - 通过动作条件控制自车行为，并结合“世界在轨”扰动，可以从单个记录序列创建一整套“假设”情景，形成结构化、可扩展、可重复且可测量的离线评估测试套件 [9] - 该评估套件比静态回放提供更丰富的诊断信号，能揭示驾驶策略在条件改变时的行为变化，其合成干预与道路实验之间的相关性研究表明，该模型能够可靠地预测相关策略性能 [9] GAIA-3的核心应用：化身迁移 - 支持化身迁移，可以从新的传感器配置重新渲染同一场景，只需使用目标摄像头配置的一个小型、非配对样本即可 [10] - 这意味着评估套件可以轻松地在不同的“化身”或不同汽车制造商（OEM）的车辆项目之间迁移，而无需进行配对采集 [10] GAIA-3的核心应用：鲁棒性与可解释控制 - 引入了受控的视觉多样性，允许场景的外观（如光照、纹理和天气）发生变化，而底层结构（几何结构和运动）保持一致，从而可以直接比较模型在不同视觉条件下的性能，大规模评估鲁棒性 [11] GAIA-3的核心应用：数据丰富化与调试 - 可以从少量示例中学习，并围绕它们生成结构化变体，从而将诸如刹车或并线等场景家族扩展为丰富且物理一致的测试集 [12] - 能够将罕见的故障模式（如在街道中央急刹车）转换到新的场景和地理环境中，帮助利用罕见的分布外示例来扩展数据集，用于针对性测试或再训练 [13][15]