智驾的“第二现实”来了，卓驭 ZYT-World 首次解密

本篇文章2518字，读完约6分钟

你有没有想过一个问题：一个刚拿驾照的新手，怎么才能在最短时间内变成老司机？

答案是，让他把所有倒霉事都经历一遍。鬼探头、前车急刹、电瓶车从盲区窜出来——撞一万次，出来就是老司机。

问题是，现实世界不给这个选项。它不给你补考的机会。

对物理AI来说，这恰恰是最要命的事。安全的上限，从来不由那些天天都能遇到的场景决定，而是由那些“等一年碰不上一次、碰上一次就结束”的低频高风险事件决定。高频驾驶可以靠路采慢慢攒，但鬼探头、盲区窜出的电瓶车这些，你赌不起。

所以卓驭做了一个选择：不在现实里赌，给AI造一个“第二现实”。

这就是ZYT-World。

ZYT-World，就是这句话的第一份答卷。

先说清楚：世界模型、强化学习、闭环，到底是什么

要理解ZYT-World，得先把三个词说清楚。

世界模型，就是“脑补下一秒”。 你开车时，看到前车刹车灯亮了，不用等它真停下来，脑子里已经知道接下来会发生什么。AI的世界模型，就是从海量真实驾驶视频里学会这套预判能力：车怎么动、光怎么变、路口长什么样，然后根据一个起点和一串指令，实时推演出多路摄像头接下来会看到的画面。

强化学习，就是“试错学习”。 不给标准答案，只给奖惩。做对了加分，撞了扣分，让AI反复试，自己试出一套高分策略。AlphaGo就是这么跟自己下了几百万盘练出来的。它最吃的是“环境”——下棋的环境是规则，不要钱；开车的环境是整个世界，真车撞一次代价太大。

闭环，就是把方向盘插上电。 传统自动驾驶测试是开环：看录像、握一个不插电的方向盘，AI说“我会打左”，但你永远验证不了打了左之后会怎样。闭环世界里，AI打左，世界真往左，新画面再喂回AI。它既是考场，也是训练场。

闭环逼着世界模型同时做到四件事：真实、可控、反应快、记得住。ZYT-World要做的，就是同时过关。

为什么是“脑补”，不是“拍3D照”

在做世界模型之前，行业里更成熟的路子是重建。NeRF、3D Gaussian Splatting这类技术，本质上像把真实道路扫成一张极其精细的3D照片。

精确吗？非常精确。但问题是，它只能复刻，不能加戏。扫描那天路边停了5辆车，就只有5辆车。你想加一个横穿马路的行人？做不了。你想把绿灯改成红灯？做不了。而且每条路都得重新扫。

世界模型走的是另一条路。它不扫描，它学习世界怎么运转。所以它的长处恰恰是重建的死穴：能想象。没发生过的事故可以生成，红绿灯可以改，旁车可以加塞。这种“反事实”场景，恰恰是评测和训练最缺的长尾。

但纯脑补有一个毛病：编过头。第二次路过同一个路口，路牌可能换了颜色，路边那辆停着的车可能不见了。

所以ZYT-World的思路是：生成负责想象，记忆负责认路。

它厉害在哪？四个字：真、控、记、快

真：多目异构，一起脑补。

量产车的摄像头从来不是一种。有视场角超过180°的鱼眼，也有针孔，画幅从5:1到5:4五花八门。很多方案的做法是先把它们“翻译”成一种标准镜头再生成，结果出来的画面“像”，但不像你车上那组眼睛。

ZYT-World的做法是：原生同时生成所有视角。鱼眼是鱼眼，针孔是针孔，而且严格对齐同一物理时刻——前视里那辆白车，侧鱼眼里也在该在的位置。每路约720P，两张GPU跑到4帧/秒，每帧只需1步去噪。训练只见过8秒的片段，却能连贯跑1分钟以上不崩。

控：三层可控，干预可测。

控自车：同一起点，掉头和刹停是两个世界。控他车：前车急刹、旁车加塞、电瓶车从盲区窜出。控道路环境：直路改岔路、绿灯提前变红。一次只动一个变量，AI司机哪里不行，一测就知道。

相机也能换。同一段乘用车数据，换一套相机位置和参数重新生成，就成了重卡、物流大小车视角的数据。卓驭正是靠这一手，把已有数据拓展到了新车型上。

记：记忆回溯，老路重逢。

这是ZYT-World最独特的地方。当车辆沿另一条轨迹重新驶入去过的路段，记忆模块会翻出“历史观测”，把路牌、路边停着的车这些不会走路的东西找回来，而不是随机再编一个。

这意味着什么？意味着同一个场景下，两条独立轨迹的生成完全对齐。你可以在同一个路口试一百种不同的走法，而路边的环境始终一致。这是闭环仿真的前提。

快：两张卡，实时长跑。

40步压到1步，再配整套推理加速。生成器比40步老师快107.7倍，解码器快59.8倍。有界KV-cache让显存不随时间增长，训练只见过8秒的片段，却能连续跑30秒以上，车道、建筑、光照依然稳定。

它是怎么做出来的

底座是“逐帧接龙”：每步只生成一个时刻的多视角画面，写进KV-cache再推下一步。两路Plücker adapter分别编码鱼眼和针孔的射线几何，自车运动、他车与车道布局逐帧注入。

40步压成1步，靠的是四阶段“师徒传功”：因果化训练、一致性蒸馏、自回滚DMD、RigCritic。结果就是，学生模型1步画完，画质保持老师的90%以上。

记忆模块是一个零初始化插件：刚接上对基座几乎零影响，不接时整层直接跳过。训练数据用端到端模型在真实场景上生成替代轨迹并重建渲染，已经攒了近百万对。

推理栈则是在抠每一毫秒：19M参数的TinyVAE、W8A8低比特矩阵乘、自研推理框架通过硬件感知优化，单次推理再加速1.6倍。两张GPU协同，叠加1步去噪，最终达到107.7倍加速，保障实时推理。

写在最后

ZYT-World带来的不是一段路测视频，也不是一个演示品。它已经在三条线上跑起来了：往下，给量产原生多模态基础模型做闭环仿真评测和长尾数据合成，每次模型发版贡献超20万场景闭环用例；往上，给MFM当强化学习训练场；往外，把已有数据拓展到重卡、物流车等多种构型平台。

卓驭对ZYT-World的定位，是“移动物理AI”的基础设施。智能驾驶只是物理AI的初始形态。当一套世界模型真正复刻了物理逻辑，模型在平行世界里习得的知识和分寸感，就能在现实中生效。不只是对一种车，而是对所有遵循同一套物理逻辑的移动载具。

ZYT-World不是宣称仿真已经替代路测。它给的是一条路径：把“最贵”、也“最危险”的那一课，先在平行世界里上完。

现实不给第二次机会。第二现实可以。

多目全知，逐帧实时，万物可控，生成想象，记忆认路。