因果和交互只是门槛，持久和实时才算本事：百度这份「2+3」，其实是一张世界模型的验收表
五个判据里，两条决定「算不算」，三条决定「好不好」。真正卡人的是后三条中的「持久性」——视频生成模型撑不过 30 秒，而机器人要连续跑 8 小时。
- 发布事实：2026-11-03，百度在深圳「AI Day·Apollo 专场」首次披露面向物理 AI 的智能体驱动全模态世界模型 Apollo World，并提出世界模型「2+3」判断标准。
- 「2」是门槛：因果性（遵循时间单向性，由过去决定未来，不是拼凑画面反推过去）与交互性（能动态响应外部干预，动作能改变未来状态）。
- 「3」是进阶：物理准确性（学到的能力回到物理世界还能不能用）、持久性（长时运行物体与细节是否漂移）、实时性（复杂度增长不影响推理时延）。
- 可换算的量级：官方称其可「日行十万公里」，相当于一辆配安全员的真车连续测试约 3 年；作者折算，十万公里／天约合 4167 公里／小时，是 300 公里／天真车强度的约 333 倍。
- 判断：这套标准最值得抄的不是结论，是它的排序——把「持久性」放在「物理准确性」后面、「实时性」前面。这意味着它承认了一件事：世界模型能骗过人眼很容易，能连续跑 8 小时不漂移很难。而这恰好是具身智能比自动驾驶更苛刻的地方。
先把这场发布会定性清楚：百度没有发布一个产品，它发布的是一套判断标准。Apollo World 是模型，但真正会被行业拿走用的，是那五条判据。
原因很简单。世界模型这个词，2026 年已经被用到几乎失去意义——生成一段机器人做家务的视频叫世界模型，做一个能推演物理规律的仿真器也叫世界模型。两者难度差着几个量级，但对外都叫同一个名字。这时候谁先给出一套可核查的判据，谁就定义了讨论的坐标系。
百度的分法是：「2」是决定「算不算世界模型」的基础门槛，「3」是衡量「能力高下」的进阶指标。这两句话听起来像套话，但它们做了一件很实际的事——把一大批「视频生成模型」挡在了门外。
因果性：遵循时间单向性，由过去决定未来，基于当前状态预测下一刻。反过来说，把画面拼得像、但无法解释「为什么下一刻是这样」的模型，不合格。
交互性：能动态响应外部干预，注入动作可以改变未来世界状态。反过来说，只能按脚本播放、给什么动作都放同一段视频的，不合格。
这两条一起看，划掉的是一整类做法：训练一个视频生成器，输入历史帧、输出未来帧，看起来很像，但换一个动作输入还是输出同一段。这类模型在演示里很能唬人，在闭环里没有用——因为闭环需要的是「我做了 A，世界变成 X；我做 B，世界变成 Y」。
判断：这两条门槛的实质，是把「世界模型」从内容生成赛道拉到了控制论赛道。前者的验收标准是像不像，后者的验收标准是可不可控。具身智能需要的是后者，但过去两年市场上卖的大多是前者。
物理准确性、持久性、实时性。三条并列写出来很整齐，但对做机器人的公司来说，权重完全不一样。
物理准确性是大家都会写的指标，因为好验证：拿几个刚体碰撞、液体倾倒、绳索缠绕的场景，一看就知道像不像。实时性也有明确的工程口径：推理时延能不能压到某个阈值以下。
真正难的是持久性——报道的原话是「持续运行的时间和稳定性能不能跟上，长时间运行物体和细节是否发生漂移」。
漂移这个词用得很准。生成式模型跑久了会累积误差：第 1 秒的小偏差进到第 100 秒就变成大偏差，物体开始穿模、纹理开始糊、物理规律开始失效。这不是调参能解决的，是自回归生成的结构性问题。
给一个量级感受：主流的视频生成模型，能保持几分钟不塌已经算不错；而一台进厂的人形机器人，昨天刚有厂商公布连续作业 8 小时。8 小时对 3 分钟，是 160 倍的时间跨度。如果世界模型只能在 3 分钟内可信，那它就没法给「整班作业」做仿真验证——它只能验证单动作。
判断：这就是为什么「持久性」在具身智能语境下比在自动驾驶语境下更重要。自动驾驶的一次决策周期是 1/30 秒，一趟行程通常几十分钟，仿真可以切成无数个短片段重放；机器人不是，机器人的价值恰恰来自「连续不断」——它要在一个工位上待满 8 小时，中间不能重启。能跑 30 秒的模型叫演示，能跑 8 小时的才叫工具。
报道给了一个很有画面感的数字：Apollo World 可「日行十万公里」，其一天完成的虚拟路测里程，相当于一辆配备安全员的真实路测车连续测试约三年。
把它拆开：十万公里除以 24 小时，是每小时约 4167 公里，约 3.4 倍音速。按真车一天跑 300 公里计，倍数是 333 倍。
这个倍数的意义不在于「快」，在于它改变了测试的统计性质。真车路测的问题从来不是跑得慢，是稀有场景遇不到：一个「电动车逆行闯红灯 + 后车急刹」的组合，可能跑十万公里才碰上一次。虚拟仿真的价值是把这种组合从「等它发生」变成「让它发生」——不是把同一段路跑得更快，是把长尾场景从概率分布里拎出来反复跑。
判断：所以「日行十万公里」真正该问的后续问题是「其中多少公里是长尾场景」。如果十万公里里有九万九千公里是空旷高速，那 333 倍只是把简单题的做题量放大了 333 倍，对能力提升有限。报道没有拆这个比例，这是这份材料最大的空白。
另外两个数字也值得摆出来。萝卜快跑累计 3.5 亿公里、2300 万次出行，相除是每次约 15.2 公里；其中全无人里程 2.4 亿公里，占 68.6%。前者说明它的运营半径是城市尺度，后者说明「全无人」已经是主流量而不是试验量——这两条是世界模型有真实数据可学的底气。
五条判据的价值，在于它能被改成一份问卷。以下五个问题，任何一个做具身智能的公司都应该能答上来——答不上来的，说明它所谓的世界模型还停在「生成视频」这一层。
| 判据 | 该问的问题 | 答不上来意味着 |
|---|---|---|
| 因果性 | 换一个动作输入，输出会不会变？变了之后符合物理直觉吗？ | 本质是视频生成，不是可交互环境 |
| 交互性 | 你的策略在仿真里做闭环，还是只做开环回放？ | 无法用于策略训练，只能做展示 |
| 物理准确性 | 在仿真里学会的任务，搬到真机上成功率掉多少？ | 迁移率未验证，「仿真有效」是自述 |
| 持久性 | 连续跑 8 小时，第 7 小时的画面和物理还成立吗？ | 只能验证单动作，不能验证整班 |
| 实时性 | 场景复杂度翻倍，单步推理时延涨多少？ | 复杂场景下退化成离线渲染 |
其中第四问最见真章，因为它很难靠话术糊过去。连续跑 8 小时，要么跑得住，要么跑到第 40 分钟就出现物体穿模——这是一个可以当场演示、也可以被第三方复现的事实。
判断：这五条里，能被第三方复跑的只有第四、第五两条。前三条都需要拿到模型和训练数据才能验证，只有「连续跑多久不塌」和「复杂度上去时延涨多少」可以在不知道内部结构的情况下测出来。能被外部复跑的指标，才是真正有约束力的指标。