当行业普遍追求端到端自动驾驶的效率时，吉利却另辟蹊径，提出“世界行为模型”（WAM）。这条技术路径不追求最短反应链路，而是强调在行动前进行物理世界的仿真推演。这为L3级自动驾驶的安全性、可解释性与系统稳定性提供了新的解决思路，尤其在处理极端物理博弈场景时，其工程价值值得深入探讨。
智能速览
吉利的WAM是世界行为模型，强调决策前的物理仿真预演。
与VLA模型的语义推理不同，WAM侧重时空预测与物理闭环。
吉利用WAM统一整车认知，实现驾驶、座舱、底盘系统的全域融合。
计划2026年推送L3/L4功能，依托于双Thor芯片与标配5颗激光雷达。
优势在于软硬一体深度耦合和海量安全数据，挑战在于系统复杂性与实时响应。
精华内容
自动驾驶的技术路线并非只有一条快车道。在追求极致效率的VLA范式之外，以吉利WAM为代表的世界模型，试图用物理直觉为高阶自动驾驶构建更安全的基石。
两条技术路线
自动驾驶领域的技术路线正出现分化。一方是以VLA（视觉-语言-行动）和特斯拉为代表的端到端模型，其核心是压缩从“看见”到“执行”的链路，追求效率极致，让模型从海量数据中自主学习策略。
另一方则是吉利选择的“世界模型”路径，其WAM（世界行为模型）更像一个“物理仿真预演器”。它在决策前，会先在内部模拟未来数秒的环境演变，预演动作的物理后果。这种差异决定了两者不同的优势：VLA在处理需要社会常识的场景（如理解交警手势）时更灵活；而WAM在应对高速紧急避障等极限物理博弈时，凭借更强的空间预判能力，其动作精确度和安全性边界更高。
全域统一认知
吉利试图将WAM作为整车层面的统一认知内核。在全域AI 2.0架构下，驾驶、座舱、底盘与安全系统不再是独立模块，而是共享同一套对世界的理解方式。这意味着，车辆对距离、速度和危险的判断，在不同系统间不会产生冲突。
这种“全域一致”的思路，源于整车工程理性，而非单点性能竞争。它牺牲了部分短期激进性，换来了系统级协同的可能性。值得注意的是，吉利并未放弃端到端，只是将其重新定位，不再视为智能的唯一来源，这反映了对自动驾驶长期发展的克制判断：系统仍需要结构化约束和价值排序。
2026的底气
吉利宣布在2026年内推送高速L3和低速L4功能，其底气来自于“含模量”极高的千里浩瀚G-ASD系统。该系统依托于算力高达1400TOPS的双Thor芯片硬件平台，并标配5颗激光雷达，在感知冗余上达到了行业顶级水平。
这种“重硬件、重预演”的策略，为迈向高阶自动驾驶提供了极强的确定性。对于L3最核心的“接管安全闭环”，WAM通过后台持续进行“平行预演”，能更早预判系统无法处理的极端风险，为人类驾驶员留出更充裕、更安全的接管窗口。在低速L4场景，高精度物理仿真也能更好地解决窄路通行、复杂泊车等长尾问题。
机遇与挑战
吉利的优势在于“全域融合”与“数据深度”。它不仅拥有海量实车数据，更有行业领先的百万量级事故安全数据库，让AI能深刻理解事故的物理诱因。此外，智驾与底盘、动力域的打通，实现了决策与空气悬架、电机扭矩分配的“软硬一体”深度耦合，这是纯算法公司难以企及的护城河。
但挑战同样严峻。WAM的系统复杂度会显著提高验证成本；面对中国复杂的城市街道博弈，AI是否能具备足够“人情世故”而不因过度谨慎导致效率低下，仍有待市场验证。同时，如何在高参数模型下将端到端AI的固有延时压制在毫秒级，以及如何平衡多品牌间的体验与成本，都是长期难题。
吉利选择世界模型，是放弃了对单点技术指标的激进追逐，转而构建一个更稳健、可解释的系统级工程方案。长远来看，这种“稳即是快”的哲学，或许能为自动驾驶从L3迈向L4的艰难阶段，铺就一条更可靠、更具确定性的道路。这条路，能走通吗？
