World Model与端到端，自动驾驶的革命性时刻到来了么？

World Model在自动驾驶领域内的应用，来自论文《World Models for Autonomous Driving: An Initial Survey》。World Model主要作用有两点，一是低成本生成海量接近真实的包含Corner Case多样化训练视频数据，二是采用强化学习的方法来达到端到端的效果，从视频直接输出驾驶决策。

自2015年就开始了World Model的研究，基本定型于2018年，2023年底开始火爆全网。基础理论主要来自谷歌，少量来自META。

特斯拉和Wayve都在去年提出了World model，这是端到端必备条件。端到端需要海量的包含尽量多的Corner Case的数据，目前智能驾驶数据库价值极低，能够公开得到的数据可以分为两种：

一种是简单工况下的正常行驶，千篇一律，不具备多样性，这种数据大概能占到公开数据的90%，有效性大概只有万分之一到十万分之一，特斯拉影子模式就是如此，马斯克承认这种数据价值很低，只有万分之一，实际更低。

再有一种就是事故数据，也就是错误示范。用这样的数据做端到端的训练，要么只能适应非常有限的工况，要么会出错。端到端是完全彻底的黑盒子，无法解释，不具备确定性，只具备相关性，这就需要数据尽量多样化、高质量，这样训练结果可能会好一点。

端到端首先要解决数据的问题，想要靠外界采集数据是不可能的，成本极高，效率极低，且欠缺多样化。还有就是缺乏交互，自车与其他车辆的交互，与环境的交互，这需要昂贵的人工标注才能完成，因此就引入了World Model，人工制造海量多样化数据，且无需人工标注，成本很低。

ChatGPT给了自动驾驶业界很大的启发，它采用无需标注的低成本的海量数据训练，人机互动，回答问题。自动驾驶仿照这种人机互动，输入环境提问，回答就是输出驾驶决策，这种模型就是World Model。

世界模型分成三段，感知，记忆和动作。

当AI领域中讲到世界（World）、环境（Environment）这个词的时候，通常是为了与智能体（Agent）加以区分。研究智能体最多的领域，一个是强化学习，一个是机器人领域。因此可以看到，world models、world modeling最早也最常出现在机器人领域的论文中。而如今world models这个词影响最大的，可能是Jurgen 2018年放到arxiv的这篇以“world models”命名的文章，该文章最终以 “Recurrent World Models Facilitate Policy Evolution”的title发表在NeurIPS'18。

该论文中并未定义什么是World models，而是类比了认知科学中人脑的mental model，引用了1971年的文献。人类是根据有限的感官来感受并理解这个世界, 我们所做的决策和行为其实都是基于我们自已内部建立的模型，学车和开车都是这个模型不断修正的行为，这个模型根据眼睛和耳朵输入的信息，让大脑做出对应的未来时间序列上的决策，再由手脚完成决策，不管老司机还是新手，大脑驾驶模型都有预测能力，即手脚执行决策后会出现什么样的场景，或者要达到什么样的场景，大脑驾驶模型已经做出了响应。这与自动驾驶是一致的，因为自动驾驶就是一个序列到序列的映射过程，输入的是一个传感器信号序列，可能包括多个摄像头采集到的视频、Lidar采集到的点云、以及GPS、IMU等各类信息，输出的是一个未来时间段驾驶决策序列，例如可以是驾驶动作序列、也可以输出轨迹序列再转为操作动作。这个过程与大部分AI任务基本一致，这种映射过程就相当于一个函数 y = f(x)。传统的自动驾驶将这个函数分解成诸多子函数，而端到端则只有一个。

该框架图有三个主要的模块组成， 即 Vision Model（V）， Memory RNN（M）和 Controller （C）。首先是Vision Model （V），此模块的主要作用是学习视觉观测的表示，这里用的方法是VAE（变分自编码器），其主要作用是将输入的视频（早期是图片） 转成特征，Transformer兴起后则转换为Token，这个过程变成Tokenizer。

图片来源：论文《World Models for Autonomous Driving: An Initial Survey》

上图就是核心的世界模型World Model，它用了MDN，Mixture Density Networks，MDN非常古老，顺便说一句，AI的所有基础数学知识都在上世纪四十年代就完成了，如今的AI不过是这些基础数学的应用，本质上人类近百年来没有进步。早在1994年，Christopher M. Bishop就提出Mixture Density Networks，MDN 结合了常规的深度神经网络和高斯混合模型GMM。神经网络可以拟合任意连续函数，通过增加网络的隐藏层数量和隐藏层大小，你可以得到强大的学习网络，无论是二次三次函数，还是正弦余弦，都可以用你的网络进行无限逼近。当我们希望拟合的函数有多个输出值的时候，这时候就需要MDN，它输出的是连续的概率分布，即高斯分布。通过组合多个高斯概率分布，理论上我们可以逼近任意概率分布。

MDN在网络的输出部分不再使用线性层或softmax作为预测值，为了引入高斯分布模型的不确定性，每个输出都是一种高斯混合分布，而不是一个确定值或者单纯的高斯分布，高斯混合分布可以解决高斯分布不好解决的多值映射问题。以回归问题为例，输入和输出均是可能有多个维度的矢量。目标值的概率密度可以表示成多个核函数的线性组合。实际很接近强化学习，我们一般用的监督学习，输出单个确定值，自然需要标注训练数据，而强化学习输出概率值，可以不需要标注训练数据，大大降低数据成本。World Model的核心作用：反事实推理（Counterfactual reasoning），也就是说，即便对于数据中没有见过的决策，在world model中都能推理出决策的结果。这里的RNN后来演化成了LSTM （长短期记忆网络）。

最后一个环节是Controller，这部分的作用就是预测接下来的action，这里设计的非常简单，目的就是为了把重心移到前面的模块中，前面的模块可以基于数据来学习。

观测经过V提取feature, 然后经过M得到h, 最后观测和历史信息一块儿送给C得到动作， 基于动作会和环境交互产生新的观测....，这样可以不断地进行下去。对应微软、软银和英伟达投资的Wayve的GAIA-1，图中的VAE被改成了Tokenizer，参数是3亿，第二段的MDN-RNN演化为Transformer中的编码encoder，参数是65亿。第三段的C就是GAIA-1的第三段，视频解码decoder，参数是26亿。合计94亿参数。

世界模型的框架自2018年就定型了。2019年进一步演化出了RSSM。

RSSM将确定和随机结合，既有确定部分防止模型随意发挥，又有随机部分提升容错性。

另外演化出了JEPA，RSSM和JEPA是目前的主流世界模型核心架构。JEPA是在2023年才提出的，目前也有了多个版本，JEPA是META提出的，作者中包括了AI三巨头之一的杨立昆，Yann LeCun，CNN之父，纽约大学终身教授，与Geoffrey Hinton、Yoshua Bengio并成为“深度学习三巨头”。前Facebook人工智能研究院负责人，IJCV、PAMI和IEEE Trans 的审稿人，他创建了ICLR(International Conference on Learning Representations)会议并且跟Yoshua Bengio共同担任主席。

上图是从2022年开始World Model的关键模型技术类型分布，特斯拉的可能比较接近OccWorld，因为特斯拉的Occupancy Network做得比较好，用Occupancy Network输入，算力和存储要求都会降低很多，HW4.0能够运行。

当然，端到端不一定非要用World Model，也有其他方法，但低成本生成海量接近真实的包含Corner Case多样化训练视频数据非World Model莫属。从数据领域来说这是革命性的，从模型训练来说，算不上革命性，黑盒子的属性更强了。相对经典分段式做法，谁性能更好还无法评估，只是换了一种思路。自动驾驶，依然前路漫漫，任重道远。