在2026世界人工智能大会(WAIC)现场,文远知行发布物理AI认知基础大模型 WIIT,探索人工智能从数据理解向真实世界认知演进的新方向。
据介绍,WIIT基于真实世界场景提出“最小物理事实单元(Physical Fact)”理念,将连续变化的现实环境拆解为可识别、可验证的基础事实单元,并以此构建面向物理世界的AI理解框架。
围绕物理事实,WIIT打造了事实提取、事实推理、事实验证、事实编排四项核心能力。其中,事实提取用于从复杂环境中识别关键要素;事实推理帮助模型理解不同事实之间的关系;事实验证提升AI对现实信息准确性的判断能力;事实编排则支持模型基于事实进行任务组织和决策生成。
文远知行表示,物理AI的核心挑战在于让模型不仅能够处理信息,还能够理解现实世界中的空间关系、行为逻辑和动态变化。通过构建以物理事实为基础的认知体系,WIIT旨在提升AI在自动驾驶、机器人等具身智能场景中的环境理解和决策能力。
本文属于物理AI方向的短快讯,重点不在参数规模或训练数据披露,而在认知框架创新。与通用大模型偏重语言与多模态理解不同,WIIT强调把现实世界拆成“物理事实”来处理,更适合自动驾驶、机器人等需要空间感知、行为推理和动态决策的场景。相较于传统感知模型,它更强调从识别走向理解与编排。
WIIT大模型主要解决什么问题?
WIIT聚焦物理世界认知,核心是让模型不只“看懂信息”,还要理解空间关系、行为逻辑和环境变化,从而提升在真实场景中的判断与决策能力。
“最小物理事实单元”是什么意思?
这是 WIIT 提出的基础理念,指把连续变化的现实环境拆解为可识别、可验证的基础事实单元,再基于这些事实构建面向物理世界的理解框架。
WIIT适合哪些应用场景?
文远知行明确提到,WIIT面向自动驾驶、机器人等具身智能场景,重点提升环境理解、事实推理、事实验证和任务决策能力。
最小物理事实单元怎么落到工程里?
可以把传感器观测、地图元素、目标状态和约束条件拆成结构化事实单元,再做时间戳、置信度和来源标记。这样模型在推理时能先检索事实,再进行验证与编排,减少“凭空想象”式决策。
自动驾驶和机器人最需要哪类能力?
最需要的是可验证的环境理解和动作约束。比起单次预测准确率,更重要的是在遮挡、噪声和异常场景下保持稳定推理,并能把不确定性显式传递给规划模块,避免高风险动作。
