百年德國「戰車」征服歐陸，駕駛位上是中國AI司機

德國不限速高速、法國復雜環島、日本右舵左行道路……

這幾天，量產L2++測試車輛正穿梭這些國家公開道路之上，車身上的標識格外醒目：

△文遠知行WRD 3.0測試車在德國

Powered by WeRide。

Robotaxi海外大規模落地運營步履不停，文遠知行的另一條腿——量產車L2++，也邁出了國門。

而不論是德國、日本還是法國，都是傳統汽車時代的強國。

如今，在這些汽車強國的道路上，智能化浪潮是由中國的文遠知行來引領。

這同樣是一個時代的縮影。

文遠知行L2++出海，到底走到了哪一步？

這是文遠知行這次首次系統性披露了全球道路驗證的最新進展：

目前，文遠知行一段式端到端輔助駕駛解決方案WRD 3.0智能輔助駕駛核心算法，已經先后在德國、法國、日本完成道路測試與驗證。

很多人第一反應可能是：無非就是把車開到國外測試。

但真正復雜的，是讓同一套智能駕駛系統，在完全不同的駕駛環境里依然能夠正常工作。

德國、法國、日本對應著三種截然不同的駕駛環境和條件。

德國高速公路，是很多智能駕駛系統都會遇到的一道難題。

原因很簡單——速度。

部分高速路段不限速，車輛高速超車、快速變道十分常見。對于AI來說，它需要面對的，不只是更快的車流，而是整個交通環境都在高速變化。

每一次決策，都必須提前完成。否則留給系統反應的時間，將遠比普通道路短得多。

法國則完全是另一種風格。這里大量存在復雜環島，一個環島可能擁有多個出口，同時不斷有車輛匯入、駛離。對于人類司機來說，這依賴多年駕駛經驗：什么時候進入？什么時候等待？什么時候讓行？

很多時候并沒有標準答案，而是建立在對其他交通參與者行為的持續判斷之上。對于智能駕駛而言，這樣的場景比紅綠燈路口更難。因為真正需要理解的，不是交通規則，而是人的行為。

日本帶來的挑戰，則來自另一套道路體系。

△文遠知行WRD 3.0測試車在日本

右舵左行意味著駕駛邏輯幾乎全部發生變化。駕駛員位置變了，車輛行駛方向變了，路口組織方式變了，道路標識和交通設施也都發生了變化。

如果說德國考驗的是高速能力，法國考驗的是復雜交互，日本更像是在考驗系統能否快速適應另一套世界規則。

這些差異看似零散，但背后都指向同一個問題。

AI司機面對的，表面是不同國家，本質是不同的數據分布。

對于模型來說，它并不知道什么叫德國、日本或者法國，它只知道，自己眼前出現了一套過去很少見、甚至從未見過的環境，會直接影響最終做出的判斷。

所以，這次驗證真正想回答的問題，除了文遠知行是不是有途徑進入海外市場，更重要的是：

同一套智能駕駛技術，是否具備跨環境運行能力。

而文遠知行，的確沒有選擇針對不同國家分別開發不同版本。

文遠知行利用同一套技術架構，研發、測試、驗證到商業化落地，并搭建了全流程工程體系，不同國家持續完成道路驗證。

這意味著，自動駕駛，甚至今后物理AI競爭的重點，正在悄悄發生變化。

為什么全球道路驗證如此重要？

1年前，L2++行業競爭的關鍵詞還是功能。

高速領航有沒有？城市輔助駕駛什么時候開？能不能自動泊車？覆蓋了多少城市？

誰先把一個功能做出來，誰就更容易成為市場關注的焦點。

但今天，這套競爭邏輯正在慢慢失效。

原因很簡單，越來越多企業已經能夠完成相似的功能。真正拉開差距的，不再是誰會做，而是誰能在陌生環境里依然做好——泛化能力——AI離開自己熟悉的環境之后，是否依然知道該怎么開車。

△文遠知行創始人兼CEO韓旭(左)、博世智能駕控中國區總裁吳永橋(右)在2025慕尼黑車展合影

因為現實世界沒有標準答案，每天都會出現新的施工區域、新的交通標識、新的駕駛行為，甚至同一條道路，不同時間段都會呈現完全不同的狀態。

沒有任何一家公司能夠提前收集所有數據，也沒有任何模型能夠把所有場景全部背下來。

真正成熟的L2++，不應該依賴“見過”才能處理，而應該依靠對世界的理解，去應對那些從未見過的情況。

這也是為什么，全球道路驗證越來越重要。

德國、日本、法國，并不僅僅代表三個海外市場，對于AI來說，它們更像是三張完全不同的考卷。

文遠知行的方案在這幾個交通條件截然不同的國家完成測試，說明它學習到的已經不是某一個國家的駕駛經驗，而是一種能夠適應不同環境的底層能力。

這就是近兩年行業頻繁提到世界模型（World Model）的重要原因，它是AI對于現實世界的一種“認知能力”。

△文遠知行GENESIS可模擬任意空間內的位移，實現閉環感知，指數級擴大仿真世界范圍

相比傳統一段式“黑盒”直接輸出方向盤該往哪里打、油門該踩多少，世界模型更關注的是：這個世界正在發生什么，接下來可能發生什么。

它需要理解車輛、行人、自行車之間的關系，需要預測交通參與者未來幾秒鐘的行為，也需要在大量不確定因素中找到最合理的決策。

從某種意義上說，世界模型真正學習的，不是開車，而是理解世界。

而不同國家、不同道路環境，恰恰就是檢驗這種能力最天然的考場。

那么，為什么文遠知行能夠參與這樣的全球道路驗證？

一個重要原因，在于它過去多年持續積累的L4自動駕駛能力，和在L4實踐中建立的技術體系。

包括一段式端到端架構、WeRide GENESIS世界模型，以及面向不同算力平臺的適配能力。這些能力共同構成了模型訓練、仿真驗證和量產部署的完整鏈路，讓系統不僅能夠持續學習，也能夠更快適應新的環境。

當然，智能駕駛最終能否真正走向全球，僅靠算法遠遠不夠。

真正決定一項技術能否落地的，往往是工程體系。

從數據閉環、仿真驗證，到車規級開發、供應鏈協同，再到不同國家的法規和測試標準，每一個環節都會影響最終產品表現。

舉個例子，數年前L4玩家就在強調對量產車智能輔助駕駛的“降維打擊”，但事實是，最終只有文遠知行做到了。

文遠知行創始人兼CEO韓旭，把L4比作馬拉松——42.195公里，考驗耐力、系統能力和對長尾場景的覆蓋。把L2++比作1500米中長跑——需要爆發力、量產能力和成本控制。

△文遠知行創始人兼CEO韓旭出席量子位·MEET2026智能未來大會

所以深耕“馬拉松”的文遠知行，和其他L4相比，技術、理論其實站在同一起跑線，真正在降維這件事上拉開差距的，是堅持——日日夜夜地磨量產、適配不同芯片、滿足主機廠的種種要求，一路堅持下來。

對應到技術層面，除了基礎的知識蒸餾之外，還涉及更多細致到代碼級的Know-how，比如蒸餾前的混合精度量化 (Mixed-Precision)、模型減枝、動態推理優化、MoE架構優化等等……

這也是文遠知行與博世合作的重要意義：

當智能駕駛真正走向全球，AI是否已經具備了跨越不同“駕駛世界”的能力。

技術、工程之外，文遠知行的第三道護城河

如果把視角拉遠，文遠知行L2++海外道路驗證，背后折射出的是文遠知行技術路線的一次延伸，也是整個行業正在發生的變化。

過去幾年，L2輔助駕駛和L4自動駕駛，往往被看作兩條并行發展的路線。

一條面向量產市場，一條探索更高等級的自動駕駛。

但隨著數據驅動、世界模型、強化學習等技術路線不斷成熟，兩者之間的邊界正在變得越來越模糊。

△2025年11月，文遠知行正式達成港股+美股雙上市布局

有的L4玩家對待這種趨勢的態度是“如臨大敵”，不斷在公開表態中怒懟“升維”路線，但文遠知行從技術本質出發，看到了新的機遇：

L4是L2++不斷向上的技術來源。

后續L2++的大規模量產，又能夠帶來更多真實道路數據，進一步推動模型持續學習和迭代。

兩條路線之間，不再是過去那種“各做各的”，而是在逐漸形成一個相互促進的技術飛輪。

從商業層面，這種變化也開始有所體現。

2026年第一季度，文遠知行實現營收1.14億元，同比增長58%，毛利率達到35%。

這些數字本身并不能說明一家自動駕駛公司已經完成商業化，但至少能夠看到一個趨勢——過去沉淀在L4領域的技術能力，正在進入更大規模的市場，并逐步釋放價值。

相比單純增加一項業務，更重要的是技術開始形成復用——

對于一家自動駕駛企業來說，這意味著研發投入不再只服務于單一場景，而能夠同時支撐Robotaxi和量產輔助駕駛的發展，形成持續迭代的正循環。

△文遠知行純無人Robotaxi GXR已在全球多地開啟商業化應用

自動駕駛公司從Day 1開始夢寐以求的AI司機授權費模式，正在文遠知行快速達成閉環。

同樣值得關注的，還有文遠知行L2++出海的模式。

博世代表的是成熟汽車工業積累數十年的車規體系、工程能力和全球供應鏈經驗，以及這家百年Tier 1和跨過車企的強連接關系。

而文遠知行代表的，則是近年來快速發展的一段式端到端算法、世界模型以及Physical AI能力。

博世擅長說服車企擁抱變革，取得信任；文遠知行則持續推動智能駕駛底層能力不斷演進。

雙方合作是嘗試讓新一代AI能力，與成熟汽車工業體系真正融合。

最后是對于自動駕駛技術迭代，文遠開始定義新的行業“基線”：

數據閉環是否能夠持續運轉、驗證體系是否足夠完善、車規開發是否滿足安全要求，以及產品是否能夠適應不同市場、不同法規和不同用戶需求。

只有這些能力共同建立起來，一項智能駕駛技術才真正具備全球量產的基礎。

過去一年中，文遠知行已經連續六站獲得中國智駕大賽第一名，并累計獲得30余款車型量產定點項目。

這些成績未必意味著它已經解決了高階輔助駕駛所有問題，但至少說明，其技術體系已經具備持續工程化、持續量產化的能力。

而對于下一階段的智能駕駛競爭來說，這種能力可能比一次功能突破更重要。

它所對應的，也不只是某一代車型，而是下一代世界模型、下一代Physical AI，以及未來智能駕駛技術演進的方向。

因此，這次文遠知行全球道路驗證，回答的是一個更基礎的問題：

當AI第一次來到一個完全陌生的世界，它究竟是在重復已經學會的規則，還是已經擁有了理解這個世界的能力？

這個問題，或許才是未來物理AI競爭真正的分水嶺。