雨天中，当一辆智能网联汽车驶过人车匆忙穿行、情况复杂的路口，它“看到”的不仅是自身传感器捕捉到的模糊影像，还有“AI大脑”提供的上帝视角，实时计算着视野盲区之外的最优通行路线和风险规避策略，此外，这个“AI大脑”还能让城市交通管理者轻松掌握所辖区域内的交通系统全局情况，做出更及时、更科学的分析预测和调控指挥。

这不是5-10年后的畅想，而是已在上海嘉定区落地的真实应用案例，背后的技术方案来自蘑菇车联。

左右滑动查看更多

近日，WAIC 2025展会期间，蘑菇车联对外发布了首个物理世界认知模型——MogoMind，成为本届大会中备受关注的人工智能技术应用之一，有趣的是，其展位与美国自动驾驶代表特斯拉紧邻，两种不同的自动驾驶发展范式交相呼应。

进入2025年以来，“世界模型”已成为AI头部玩家必争之地，国际厂商如英伟达、谷歌、Meta、World Labs等纷纷从不同技术维度出发大力推动AI从数字世界向真实物理世界迈进，蘑菇车联的MogoMind有何独特之处？又能为行业带来怎样的创新价值？

在发展多年的自动驾驶领域，让车辆准确感知周围环境，预测未来事件并评估其影响力对于安全性、通行效率和实时决策至关重要。

尽管随着AI技术的发展如今的大模型都已经非常智能，例如OpenAI的GPT 、谷歌Gemini、DeepSeek等等，一些领先模型在多模态分析处理方面也很强，但它们的能力都仅限于数字世界，无法通过互联网数据去预测实时变化的现实物理世界，在这样的背景之下，世界模型由于其理解物理环境并具备与环境交互的能力，被视为是自动驾驶领域的一种变革性方法，通过模拟人类感知和决策过程，让车辆拥有预测和适应动态环境的本领。

不少业内人士认为，未来5～10年内想要真正实现无人驾驶的大规模普及，世界模型是必然技术路径。

业内的一部分世界模型研究起初聚焦在游戏环境和模拟环境领域，后来逐渐向工业级物理AI方向迈进。

如OpenAI推出的Sora模型被视为是“物理世界模拟器”，其核心能力突破了传统视频生成工具范畴，在物体动力学、流体力学、空间几何一致性方面表现出色，支持实时调整物理参数（如重力、摩擦力、材料属性等），逐渐在自动驾驶、工业设计等硬核领域开启了数字孪生的应用。

谷歌DeepMind开发了Genie 2基础世界模型，技术路径聚焦于物理规律建模、多模态交互与复杂环境模拟，在游戏开发、具身智能训练等领域取得突破。

AI算力巨头英伟达在今年1月份推出了Cosmos世界基础模型平台，专为物理人工智能（Physical AI）开发的生成式建模系统，旨在通过模拟物理世界的动态规律，为自动驾驶、机器人等领域提供数据生成与决策支持。

截至目前，国内外众多车企和自动驾驶供应商都纷纷公开表示引入“世界模型”技术，一般而言，主要用于四个方面：

1、长尾数据生成，世界模型可以生成包含极端环境、交通路况、行人和车辆的特殊偶发场景，弥补训练中真实数据缺少的问题；2、通过物理规律建模、多模态交互与动态环境模拟，为对抗样本的生成、防御和物理世界攻击验证提供系统性解决方案；3、闭环仿真测试，验证系统在仿真虚拟环境中闭环运行的能力，缩短研发周期降低真实路测成本；4、世界模型通过自监督学习、无监督强化学习等技术，能够高效利用无标注数据提升复杂场景下的泛化能力。

不过，这些模型大多围绕车辆本体的数据训练，例如特斯拉提出的世界模型整合了游戏引擎仿真技术，利用合成数据训练FSD自动驾驶系统，减少对真实路测数据的依赖，但这仍缺乏对宏观超视距交通情况判断和真实世界实时驾驶情景的理解，而蘑菇车联的MogoMind算是补上了这一行业缺口。

据了解，在模型训练数据方面，蘑菇车联通过部署自研的通感算AI数字道路基站设备，能够毫秒级捕捉道路上车辆行驶轨迹、速度变化、交通流量、行人动态等实时动态数据，此外，还有旗下自动驾驶车辆的多种车端感知设备数据，以及融合智慧交通摄像头、车路云系统、V2X通信等传统交通基建系统，实时采集了更立体化多维度的全城交通数据。

在此基础上，MogoMind通过深度整合实时、海量的多模态交通数据，能够从物理世界的复杂数据中抽取意义、从经验中学习规则、在不同场景中灵活决策，形成对交通环境的全局感知、深度认知和实时推理决策能力，这样可以为智能汽车提供实时数字孪生与深度理解服务，让自动驾驶车辆突破“单点智能”向“全局智能”迈进，从“各自为战”变为“协同共生”。

与其他世界模型对比来看，MogoMind算是首个能实时理解物理世界的一款独特世界模型，或将进一步拓展当下自动驾驶技术和应用的能力边界。

据蘑菇车联方面介绍，MogoMind模型参数大小仅有70亿，但其感知精度和认知准确度超过90%，多模态推理准确率大于88%，该模型的六大核心能力与其他世界模型形成了显著区别和优势互补：

1、交通数据流实时全局感知。部署在路口的通感算一体化设备可以全天候、不间断捕捉车辆行驶轨迹、速度变化、交通流量、行人动态等海量异构数据，MogoMind能快速整合、分类和标准化这些数据，提取其中的关键要素，为分析和决策提供依据，据悉，该模型能够推演的交通场景数量超过800个。

2、物理信息认知理解。相对于数字世界，物理世界的多模态信息理解更为复杂，包含路面状况、交通标识、天气变化、临时施工或突发交通事故等等，MogoMind能对这些多源数据进行深度融合分析和理解，例如，前方视距之外有临时施工路障，模型能迅速识别并给到车辆合理的变道预判或绕行方案，亦或是暴雨天路段开始积水，模型可结合历史事故数据评估潜在通行风险，向交管部门或出行者提供疏导建议。

3、

4、最优路径实时自主规划。基于对路面多维信息的实时感知、理解和推理，MogoMind可以做出精准度更高的路况预判，帮助车辆提前规划最佳的安全高效行驶路径，而不是被动应对路况问题。

5、交通环境实时数字孪生。基于多维度全量实时交通数据，MogoMind可以构建起对现实交通环境精准映射的数字孪生环境，而且可交互可模拟能用于仿真实验，假设城市管理者要落实新的道路管控策略，可以模拟出实施效果和潜在未知问题，让决策从过往经验驱动变成科学数据决策驱动。

6、道路风险实时预警提醒。一旦识别到路上的风险事件，如个别车辆开始异常行驶、交通流量突变或道路设施损坏，MogoMind能迅速判断风险类型和严重程度，并通过多渠道（如手机APP、车载终端、车联网系统等）向交管部门、汽车驾驶者等发出实时预警信息。

据悉，在实际的落地案例中，MogoMind对长尾场景处理综合准确率在85%以上，对于交通管理提效比例超过35%，目前已在北京、上海、沈阳、长春、鄂尔多斯、桐乡、南京、无锡、武汉、广州等多个城市区域进行落地验证和实地部署，让当地整体交通情况大幅改善，此外，搭载MogoMind系统的L4级RoboBus，在全国10个省份落地运营，安全行驶里程突破200万公里，服务乘客超过20万人次。

整体来看，MogoMind世界模型的本质是赋予了车辆更加实时深度“理解真实世界”的能力，其价值不仅在于提升单个智能车辆的驾驶安全性，更有望重构整个智能交通系统的底层逻辑。

对于交通管理者而言它可以是“科学决策中枢”，对于智能车辆而言它可以是拥有上帝视角的“AI领航员”，对于自动驾驶技术向L4迈进它则是更好的“数字基座”，无论是to G、to B还是to C，似乎都有着广泛的应用空间可以拓展。

未来的自动驾驶世界，需要的不是厂商之间针锋相对的孤立竞争，更多的是车路协同技术生态大融合。

据了解，蘑菇车联致力于将MogoMind打造成一个开放的兼容性和可扩展性平台，使之能够无缝接入来自不同厂商、不同类型的交通设备与系统，包括道路传感器、车载终端、交通管理软件等，进而对多元异构数据进行统一管理和分析处理。

此外，该模型还提供标准化接口，车企也可以接入MogoMind进行功能适配与应用开发，类似智能网联汽车的“安卓系统”，让车企跳过对世界大模型的额外研发投入，更加聚焦产品和应用，专注于用户体验和服务的改进，政府部门、交管部门、车企等都能在MogoMind上找到适合自身需求的应用场景，实现资源共享、优势互补，共同助推AI科技与交通生态真正有机融合发展。

放眼未来，除了智能汽车和自动驾驶，MogoMind世界模型的核心能力据悉也可延伸与无人机、具身机器人等结合，在低空经济和无人配送等领域发挥巨大技术想象空间。

随着新质生产力的渗透，中国正催生出多个新兴的万亿级市场，相关行业研报显示，中国正在成为全球首个实现L3级智驾车辆大规模商用的国家，而大规模L4乃至L5级别的无人驾驶应用或将在未来5年左右落地，随着产业链成熟和硬件成本的下降，自动驾驶的普及速度正在加快，预计2025年市场规模将突破3000亿元，年复合增长率达30%-40%，到2030年，市场规模有望达到1.2万亿元。

此外，2025年我国低空经济的市场规模有望达到1.5万亿元，到2035年有望增长至3.5万亿元，而具身智能机器人市场规模到2030年预计也将会达到1.55万亿元，市场前景可谓十分广阔。

从大模型到协同网络的实践，从感知到认知的演进，是构建智能出行生态的关键路径，从长远来看，蘑菇车联围绕MogoMind的技术实践获得了一个绝佳的产业生态位，有望为万亿级新兴市场的崛起提供加速增长飞轮。

当每辆车不再是信息孤岛，当道路开始学会思考，当城市交通流得以全局优化，我们迎来的不仅是更安全、更高效的智驾出行体验，一个以数据和AI技术协同驱动的全新交通文明形态也已然不远。

-END-