百年德国「战车」征服欧陆，驾驶位上是中国AI司机

德国不限速高速、法国复杂环岛、日本右舵左行道路……

这几天，量产L2++测试车辆正穿梭这些国家公开道路之上，车身上的标识格外醒目：

△文远知行WRD 3.0测试车在德国

Powered by WeRide。

Robotaxi海外大规模落地运营步履不停，文远知行的另一条腿——量产车L2++，也迈出了国门。

而不论是德国、日本还是法国，都是传统汽车时代的强国。

如今，在这些汽车强国的道路上，智能化浪潮是由中国的文远知行来引领。

这同样是一个时代的缩影。

文远知行L2++出海，到底走到了哪一步？

这是文远知行这次首次系统性披露了全球道路验证的最新进展：

目前，文远知行一段式端到端辅助驾驶解决方案WRD 3.0智能辅助驾驶核心算法，已经先后在德国、法国、日本完成道路测试与验证。

很多人第一反应可能是：无非就是把车开到国外测试。

但真正复杂的，是让同一套智能驾驶系统，在完全不同的驾驶环境里依然能够正常工作。

德国、法国、日本对应着三种截然不同的驾驶环境和条件。

德国高速公路，是很多智能驾驶系统都会遇到的一道难题。

原因很简单——速度。

部分高速路段不限速，车辆高速超车、快速变道十分常见。对于AI来说，它需要面对的，不只是更快的车流，而是整个交通环境都在高速变化。

每一次决策，都必须提前完成。否则留给系统反应的时间，将远比普通道路短得多。

法国则完全是另一种风格。这里大量存在复杂环岛，一个环岛可能拥有多个出口，同时不断有车辆汇入、驶离。对于人类司机来说，这依赖多年驾驶经验：什么时候进入？什么时候等待？什么时候让行？

很多时候并没有标准答案，而是建立在对其他交通参与者行为的持续判断之上。对于智能驾驶而言，这样的场景比红绿灯路口更难。因为真正需要理解的，不是交通规则，而是人的行为。

日本带来的挑战，则来自另一套道路体系。

△文远知行WRD 3.0测试车在日本

右舵左行意味着驾驶逻辑几乎全部发生变化。驾驶员位置变了，车辆行驶方向变了，路口组织方式变了，道路标识和交通设施也都发生了变化。

如果说德国考验的是高速能力，法国考验的是复杂交互，日本更像是在考验系统能否快速适应另一套世界规则。

这些差异看似零散，但背后都指向同一个问题。

AI司机面对的，表面是不同国家，本质是不同的数据分布。

对于模型来说，它并不知道什么叫德国、日本或者法国，它只知道，自己眼前出现了一套过去很少见、甚至从未见过的环境，会直接影响最终做出的判断。

所以，这次验证真正想回答的问题，除了文远知行是不是有途径进入海外市场，更重要的是：

同一套智能驾驶技术，是否具备跨环境运行能力。

而文远知行，的确没有选择针对不同国家分别开发不同版本。

文远知行利用同一套技术架构，研发、测试、验证到商业化落地，并搭建了全流程工程体系，不同国家持续完成道路验证。

这意味着，自动驾驶，甚至今后物理AI竞争的重点，正在悄悄发生变化。

为什么全球道路验证如此重要？

1年前，L2++行业竞争的关键词还是功能。

高速领航有没有？城市辅助驾驶什么时候开？能不能自动泊车？覆盖了多少城市？

谁先把一个功能做出来，谁就更容易成为市场关注的焦点。

但今天，这套竞争逻辑正在慢慢失效。

原因很简单，越来越多企业已经能够完成相似的功能。真正拉开差距的，不再是谁会做，而是谁能在陌生环境里依然做好——泛化能力——AI离开自己熟悉的环境之后，是否依然知道该怎么开车。

△文远知行创始人兼CEO韩旭(左)、博世智能驾控中国区总裁吴永桥(右)在2025慕尼黑车展合影

因为现实世界没有标准答案，每天都会出现新的施工区域、新的交通标识、新的驾驶行为，甚至同一条道路，不同时间段都会呈现完全不同的状态。

没有任何一家公司能够提前收集所有数据，也没有任何模型能够把所有场景全部背下来。

真正成熟的L2++，不应该依赖“见过”才能处理，而应该依靠对世界的理解，去应对那些从未见过的情况。

这也是为什么，全球道路验证越来越重要。

德国、日本、法国，并不仅仅代表三个海外市场，对于AI来说，它们更像是三张完全不同的考卷。

文远知行的方案在这几个交通条件截然不同的国家完成测试，说明它学习到的已经不是某一个国家的驾驶经验，而是一种能够适应不同环境的底层能力。

这就是近两年行业频繁提到世界模型（World Model）的重要原因，它是AI对于现实世界的一种“认知能力”。

△文远知行GENESIS可模拟任意空间内的位移，实现闭环感知，指数级扩大仿真世界范围

相比传统一段式“黑盒”直接输出方向盘该往哪里打、油门该踩多少，世界模型更关注的是：这个世界正在发生什么，接下来可能发生什么。

它需要理解车辆、行人、自行车之间的关系，需要预测交通参与者未来几秒钟的行为，也需要在大量不确定因素中找到最合理的决策。

从某种意义上说，世界模型真正学习的，不是开车，而是理解世界。

而不同国家、不同道路环境，恰恰就是检验这种能力最天然的考场。

那么，为什么文远知行能够参与这样的全球道路验证？

一个重要原因，在于它过去多年持续积累的L4自动驾驶能力，和在L4实践中建立的技术体系。

包括一段式端到端架构、WeRide GENESIS世界模型，以及面向不同算力平台的适配能力。这些能力共同构成了模型训练、仿真验证和量产部署的完整链路，让系统不仅能够持续学习，也能够更快适应新的环境。

当然，智能驾驶最终能否真正走向全球，仅靠算法远远不够。

真正决定一项技术能否落地的，往往是工程体系。

从数据闭环、仿真验证，到车规级开发、供应链协同，再到不同国家的法规和测试标准，每一个环节都会影响最终产品表现。

举个例子，数年前L4玩家就在强调对量产车智能辅助驾驶的“降维打击”，但事实是，最终只有文远知行做到了。

文远知行创始人兼CEO韩旭，把L4比作马拉松——42.195公里，考验耐力、系统能力和对长尾场景的覆盖。把L2++比作1500米中长跑——需要爆发力、量产能力和成本控制。

△文远知行创始人兼CEO韩旭出席量子位·MEET2026智能未来大会

所以深耕“马拉松”的文远知行，和其他L4相比，技术、理论其实站在同一起跑线，真正在降维这件事上拉开差距的，是坚持——日日夜夜地磨量产、适配不同芯片、满足主机厂的种种要求，一路坚持下来。

对应到技术层面，除了基础的知识蒸馏之外，还涉及更多细致到代码级的Know-how，比如蒸馏前的混合精度量化 (Mixed-Precision)、模型减枝、动态推理优化、MoE架构优化等等……

这也是文远知行与博世合作的重要意义：

当智能驾驶真正走向全球，AI是否已经具备了跨越不同“驾驶世界”的能力。

技术、工程之外，文远知行的第三道护城河

如果把视角拉远，文远知行L2++海外道路验证，背后折射出的是文远知行技术路线的一次延伸，也是整个行业正在发生的变化。

过去几年，L2辅助驾驶和L4自动驾驶，往往被看作两条并行发展的路线。

一条面向量产市场，一条探索更高等级的自动驾驶。

但随着数据驱动、世界模型、强化学习等技术路线不断成熟，两者之间的边界正在变得越来越模糊。

△2025年11月，文远知行正式达成港股+美股双上市布局

有的L4玩家对待这种趋势的态度是“如临大敌”，不断在公开表态中怒怼“升维”路线，但文远知行从技术本质出发，看到了新的机遇：

L4是L2++不断向上的技术来源。

后续L2++的大规模量产，又能够带来更多真实道路数据，进一步推动模型持续学习和迭代。

两条路线之间，不再是过去那种“各做各的”，而是在逐渐形成一个相互促进的技术飞轮。

从商业层面，这种变化也开始有所体现。

2026年第一季度，文远知行实现营收1.14亿元，同比增长58%，毛利率达到35%。

这些数字本身并不能说明一家自动驾驶公司已经完成商业化，但至少能够看到一个趋势——过去沉淀在L4领域的技术能力，正在进入更大规模的市场，并逐步释放价值。

相比单纯增加一项业务，更重要的是技术开始形成复用——

对于一家自动驾驶企业来说，这意味着研发投入不再只服务于单一场景，而能够同时支撑Robotaxi和量产辅助驾驶的发展，形成持续迭代的正循环。

△文远知行纯无人Robotaxi GXR已在全球多地开启商业化应用

自动驾驶公司从Day 1开始梦寐以求的AI司机授权费模式，正在文远知行快速达成闭环。

同样值得关注的，还有文远知行L2++出海的模式。

博世代表的是成熟汽车工业积累数十年的车规体系、工程能力和全球供应链经验，以及这家百年Tier 1和跨过车企的强连接关系。

而文远知行代表的，则是近年来快速发展的一段式端到端算法、世界模型以及Physical AI能力。

博世擅长说服车企拥抱变革，取得信任；文远知行则持续推动智能驾驶底层能力不断演进。

双方合作是尝试让新一代AI能力，与成熟汽车工业体系真正融合。

最后是对于自动驾驶技术迭代，文远开始定义新的行业“基线”：

数据闭环是否能够持续运转、验证体系是否足够完善、车规开发是否满足安全要求，以及产品是否能够适应不同市场、不同法规和不同用户需求。

只有这些能力共同建立起来，一项智能驾驶技术才真正具备全球量产的基础。

过去一年中，文远知行已经连续六站获得中国智驾大赛第一名，并累计获得30余款车型量产定点项目。

这些成绩未必意味着它已经解决了高阶辅助驾驶所有问题，但至少说明，其技术体系已经具备持续工程化、持续量产化的能力。

而对于下一阶段的智能驾驶竞争来说，这种能力可能比一次功能突破更重要。

它所对应的，也不只是某一代车型，而是下一代世界模型、下一代Physical AI，以及未来智能驾驶技术演进的方向。

因此，这次文远知行全球道路验证，回答的是一个更基础的问题：

当AI第一次来到一个完全陌生的世界，它究竟是在重复已经学会的规则，还是已经拥有了理解这个世界的能力？

这个问题，或许才是未来物理AI竞争真正的分水岭。