最近的CVPR 2026上Waymo 的Vincent Vanhoucke 主题演讲Lessons from Driving 200 Million Fully Autonomous Miles 中的一页PPT，透露了其下一代自动驾驶系统最重要的技术方向。

这张题为《How we built our World Model》的页面虽然只有寥寥几行字的一页，却揭示了Waymo构建世界模型的完整训练框架：

预训练（Pre-training）→ 中期训练（Mid-training）→ 后训练（Post-training）

更重要的是，它表明Waymo正在全面借鉴大语言模型（LLM）的训练范式，将自动驾驶从传统的软件工程问题，转变为基础模型（Foundation Model）问题，甚至暗示整个自动驾驶行业都会转向这种新范式。

下面我们拿大语言模型的发展来看看基础模型如何转变成驾驶模型。

第一阶段：站在DeepMind肩膀上

在流程图最顶部，Waymo给出的基础模型并不是自己研发的模型，而是：Google DeepMind Genie 3 （当然这是waymo的母公司或着反正有关系的公司）。

这意味着Waymo并没有选择从零开始训练世界模型，而是直接利用Google DeepMind已经构建完成的大规模世界模型能力。

过去几年，谷歌的DeepMind 一直持续推进其 Genie 系列模型的发展：

Genie 1：从单张图片生成可交互游戏世界；

Genie 2：从文本、图片和视频生成动态3D环境；

Genie 3：进一步具备长期时序预测、物理规律建模以及场景演化能力。

本质上，Genie 3已经不再只是一个生成模型，而是一个能够理解现实世界运行规律的“世界模拟器”。

它学习的不仅仅是图像内容，而是：物体如何运动；行人如何行动；光照如何变化；场景如何演化；物理规律如何约束世界。

而这些能力，恰恰是自动驾驶最需要的能力。

这与今天大模型的发展路径高度相似：

GPT → 医疗GPT

GPT → 法律GPT

GPT → 金融GPT

Waymo选择的是：

Genie 3 → Driving Genie 先获得世界规律理解能力，再将其转化为自动驾驶能力。

第二阶段：让Genie学会驾驶

然而，仅有Genie还远远不够。

因为Genie本质上是一个通用世界模型。

它看到的是：图片、视频、文本

而Waymo车辆看到的是完全不同的数据形式。

在第二阶段中，Waymo写道：Add Waymo-specific sensors and properties

即：加入Waymo专属传感器和属性。

例如：多摄像头（Multi-camera）、激光雷达（LiDAR）、毫米波雷达（Radar）、高精地图（HD Map）、这是整个系统最关键的一步。

从视觉世界到驾驶世界

DeepMind的世界模型理解的是：

“这个世界长什么样”。

而Waymo需要理解的是：

“这个世界对于驾驶意味着什么”。

例如同样一个行人：

对于普通视频模型来说：

一个正在移动的人

而对于自动驾驶系统来说：速度是多少？是否会横穿？是否会进入本车道？多久会与车辆产生冲突？这是完全不同的任务。

因此Waymo需要通过海量自动驾驶数据进行中期训练（Mid-training），让Genie建立新的认知体系。

模型需要学会理解：摄像头图像；激光雷达点云；雷达速度信息；地图车道拓扑；

以及这些信息之间的对应关系。

这一步其实非常像GPT向GPT-4o演进的过程：语言模型 加入视觉能力 → 多模态模型

而Waymo则是：通用世界模型 → 加入自动驾驶传感器 → 自动驾驶世界模型

第三阶段：让世界模型学会开车

在最后阶段，Waymo写道：Fine-tune and distill to the task at hand

即：针对具体任务进行微调和蒸馏。

其重点应用包括：Long Sensor Simulation、Planning

长时序仿真

自动驾驶最困难的问题之一，是预测未来。

车辆需要知道：1秒后发生什么；5秒后发生什么；10秒后发生什么；30秒后发生什么。

例如：行人是否会突然横穿；前车是否会加塞；红绿灯是否即将变化；路口是否会出现新的冲突目标。

传统系统通常采用：感知 → 预测 → 规划的串行架构。

而世界模型则尝试直接模拟未来世界的演化过程。如果模型能够准确预测未来，那么自动驾驶决策将变得更加可靠。

从预测走向规划

但Waymo并不满足于预测。

他们还希望模型能够直接参与规划。

传统规划系统关注的是：别人会怎么动

而世界模型进一步思考：我应该怎么动

例如：是否应该变道；是否应该减速；是否应该绕行；是否应该礼让。

一个被忽视的重要关键词：蒸馏

很多人会注意到预训练和微调，却忽略了最后一个词：

Distillation（蒸馏）这是Waymo未来量产落地的关键。

训练阶段的世界模型可能拥有数百亿甚至上千亿参数。但车端算力无法直接运行这样的模型。

因此需要：Teacher Model → Distillation → Student Model

将大模型的能力迁移到车端模型。

这与今天大模型行业的发展路径完全一致：

GPT-4 → GPT-4o mini

Gemini Ultra → Gemini Nano

未来Waymo车端运行的，很可能并不是完整世界模型，而是经过蒸馏后的轻量化版本。

Waymo真正想做什么？

如果把这张图放到整个自动驾驶技术演进历史中看，会发现一个非常明显的趋势。

过去十年，自动驾驶行业主要采用模块化架构：感知 → 预测 → 规划 → 控制每个模块独立开发、独立优化。

在到端到端喂长尾数据不断优化再到今天，包括Waymo、Tesla、理想、NVIDIA在内的头部玩家，正在逐渐走向统一架构：

World Model → Simulation → Planning

不再依赖大量人工设计的模块接口，而是让模型自己学习世界规律、预测未来并完成决策。

换句话说：

自动驾驶正在从“软件工程时代”，迈向“基础模型时代”。

结语

这张看似简单的PPT，其实透露了Waymo下一代技术路线的核心逻辑：

利用DeepMind Genie 3获得通用世界理解能力，通过Waymo专属传感器数据完成自动驾驶领域训练，再针对仿真与规划进行微调和蒸馏，最终形成面向Robotaxi和量产自动驾驶的基础模型。

未来自动驾驶竞争的核心，或许不再是谁拥有更复杂的模块化系统，而是谁拥有更强大的世界模型。

而这也可能是整个辅助驾驶、自动驾驶的新范式。所以，现在正欢的各家自动驾驶算法公司或许千万要小心，打败你的可能真不是你熟悉的同行，未来这些科技基础模型公司的降维打击才是致命的。

来源：CVPR 2026上Waymo 的Vincent Vanhoucke 主题演讲Lessons from Driving 200 Million Fully Autonomous Miles 中的一页PPT。

*未经准许严禁转载和摘录-

       原文标题 : Waymo世界模型在CVPR 2026上首次曝光：自动驾驶正在进入“Genie时代”