Baidus Apollo World will das Weltmodell zum Fahrprüfer für autonomes Fahren machen: Entwickler bekommen trotz 33 Millisekunden keine Gewichte
Laut einem Bericht von Xinzhiyuan vom 4. November 2026 hat Baidu mit Apollo World ein agentengesteuertes Weltmodell veröffentlicht, das über zehn Minuten Fahrstrecke durchgehend simulieren und innerhalb von 33 Millisekunden reagieren soll; zudem werden „2+3“-Kriterien für Weltmodelle vorgeschlagen. Der Bericht nennt weder Gewichte noch Lizenz oder API.
Was sich geändert hat
Laut einem Bericht von Xinzhiyuan vom 4. November 2026 hat Baidu unter dem Namen Apollo World ein Weltmodell veröffentlicht, das der Bericht als „erstes agentengesteuertes multimodales Weltmodell für physische KI“ beschreibt. Demnach bringt das System städtische Straßennetze, multimodale Sensorik und das Wechselspiel im Verkehr in eine Cloud-Simulation ein, unterstützt Interaktion in Echtzeit im Millisekundenbereich und kann in einer virtuellen Stadt zwischen beliebigen Start- und Zielpunkten über zehn Minuten am Stück fahren – eine vollständige Fahrt vom Auftrag über die Fahrgastaufnahme bis zur Ankunft. Der Bericht nennt einige technische Details: Jedes Fahrzeug, jeder Kurier und jeder Fußgänger in der Szene wird als eigenständiger Agent mit eigener Wahrnehmungs- und Entscheidungsfähigkeit modelliert, sodass sie reagieren, wenn das fahrerlose Fahrzeug seine Aktion ändert. Das Modell erzeugt neben Ansichten aus mehreren Kameras gemeinsam auch 3D-Lidar-Punktwolken und führt einen hochpräzisen dreidimensionalen Straßenstruktur-Prior ein, um langes Driften zu unterdrücken. Indem ein mehrstufiges Diffusionsmodell zu einem Studentenmodell mit wenigen Inferenzschritten destilliert wird, soll die Echtzeitreaktion laut Bericht unter 33 Millisekunden (etwa 1/30 Sekunde) liegen. Zudem heißt es, das Modell habe aus über einer Milliarde realer Frames physikalische Gesetzmäßigkeiten gelernt, etwa die Abschwächung von Punktwolken bei Regen und längere Bremswege auf nasser Fahrbahn; das Basismodell ADFM (End-to-End AI Driver) der neuen L4-Generation von Apollo Go sei bereits im Fahrzeug im Einsatz, und über hundert Fahrzeuge ohne Sicherheitsfahrer seien im Betrieb. Der Bericht gibt außerdem Baidus „2+3“-Kriterien für Weltmodelle wieder: Kausalität und Interaktivität als Einstiegshürde, physikalische Genauigkeit, Persistenz und Echtzeitfähigkeit als Kennzahlen für einen L4-Trainingsplatz. Betont werden muss: Alle diese Leistungszahlen, Szenendemonstrationen und Angaben zum Betriebsumfang sind einseitige Aussagen des Berichts und des Herstellers; eine unabhängige Reproduktion oder Bewertung liegt nicht vor.
Auswirkungen für Entwickler
Für Entwickler hat das auf zwei Ebenen praktische Bedeutung. Die erste ist methodisch: Der Bericht trennt den „Videogenerator“ vom „interaktiven Trainingsplatz“ und nennt Kausalität, aktionskonditionierte Generierung, Langzeitkonsistenz und Echtzeitfähigkeit als überprüfbare Dimensionen. Teams, die an embodied AI, autonomem Fahren oder Simulationsdaten-Pipelines arbeiten, können diese Dimensionen als Checkliste für den Eigenbau oder Einkauf einer Simulationsumgebung nutzen – statt einfach eine Rangliste eines Anbieters zu übernehmen. Die zweite Ebene ist die Anbindung: Im gesamten Bericht werden für Apollo World keine Modellgewichte, keine Open-Source-Lizenz, kein API-Endpunkt, kein Abrechnungsmodell und kein Antragskanal für Dritte genannt; es heißt nur, es diene dem eigenen Trainingskreislauf von Apollo Go. Mit anderen Worten: Dies ist eine öffentlichkeitsgerichtete Technikankündigung, kein Modellprodukt, das von außen aufgerufen werden kann. Es als reproduzierbare Baseline oder direkt integrierbare Komponente zu behandeln, entbehrt derzeit der Grundlage. Außerdem sind Formulierungen wie „weltweit nur zwei“, „das Unmöglichkeitsdreieck durchbrochen“ oder „AGI-Moment“ Medien- und Herstellerrhetorik und keine technischen Schlussfolgerungen; auch für Zahlen wie 33 Millisekunden, 100.000 Kilometer pro Tag oder eine Lizenz in wenigen Minuten gibt es keine unabhängig dokumentierte Testmethodik. Zu Apollo World sind in jüngster Zeit mehrere Berichte erschienen; neu in diesem sind die Beschreibung eines nächtlichen Praxistests in Shenzhen und die Demonstration einer durchgehenden Fahrt mit mehreren Zielen in einer virtuellen Stadt Hongkong, doch auch sie lösen das Problem der externen Überprüfbarkeit nicht.
Integration und Bewertung
Das Folgende sind Empfehlungen und bedingte Analysen, keine Berichtsfakten. Erstens: Wenn Sie geschlossene Simulations-Trainingslösungen evaluieren, können Sie die im Bericht genannten „2+3“-Punkte zunächst in messbare Kriterien zerlegen: Kausalität heißt, ob sich das nächste Frame allein aus historischen Frames ableiten lässt, ohne das Ergebnis zu „kennen“; Interaktivität heißt, ob sich der Umgebungszustand nach einer gegebenen Aktion ändert; Persistenz heißt, ob Karte und Fahrspurstruktur nach zehn Minuten fortlaufender Simulation noch stabil sind. Voraussetzung ist, dass Sie eine lauffähige Umgebung zur Hand haben; wenn Sie Apollo World nicht bekommen, können Sie mit diesen Kriterien nur andere Simulatoren prüfen und daraus nicht ableiten, dass Baidus Ansatz besser sei. Als messbares Vorgehen bietet sich an: dieselbe Start-Ziel-Kombination zehnmal laufen lassen und geometrisches Driften sowie Konsistenz der Kollisionsurteile erfassen. Zweitens: Wenn Ihr Workload das Nachtrainieren eines End-to-End-Fahrmodells ist, liegt der im Bericht genannte Nutzen darin, seltene Gefahrensituationen zu vielen Long-Tail-Aufgaben zu vervielfachen. Prüfen Sie dies zunächst bedingt: Nehmen Sie ein kurzes, selbst aufgezeichnetes reales Log und schauen Sie, ob die Simulationsumgebung bei gleichem Ausgangszustand die realen Bremswege und den Trend der Punktwolkenabschwächung reproduziert. Wenn die Trefferquote unter den Erwartungen liegt, sollten Sie simulierte Kilometer nicht direkt in reale Testkilometer umrechnen. Drittens: Auf Schnittstellenebene gibt es derzeit keine Option. Wenn Sie ein aufrufbares Modell brauchen, gehört Apollo World nicht zur Auswahl; das im Bericht erwähnte ADFM wird ebenfalls nur als Fahrzeugmodell beschrieben, ohne Hinweis auf externe Verfügbarkeit. Leiten Sie aus dem Bericht nicht ab, dass es eine öffentliche API oder einen Gewichts-Download gibt.
Grenzen und offene Fragen
Zunächst: Weder Apollo World noch die im Bericht genannte ADFM-Version erscheinen derzeit im Echtzeit-Modellkatalog von KimiSeek; falls der Bericht eine API- oder Serviceverfügbarkeit erwähnt, ist das eine Aussage des Herstellers und hat nichts mit dieser Plattform zu tun. Zweitens lässt der Bericht offen, ob Gewichte veröffentlicht werden und unter welcher Lizenz, und ob es einen Weg für Drittanbindung oder kommerzielle Lizenzierung gibt; offene Gewichte und eine Open-Source-Lizenz sind zwei verschiedene Dinge, und hier lässt sich beides nicht beurteilen. Drittens sind Zahlen wie 33 Millisekunden Reaktionszeit, 100.000 Kilometer pro Tag, über eine Milliarde Trainings-Frames, 28 Städte und 350 Millionen Kilometer einseitige Angaben ohne Beschreibung von Testumgebung, Hardware und Statistikmethode. Viertens sind der nächtliche Praxistest in Shenzhen und die Demo in der virtuellen Stadt Hongkong Medienbeobachtungen und keine unabhängigen Tests. Fünftens stammt die Marktprognose für physische KI von Grand View Research, ist also eine Schätzung einer externen Organisation und keine Aussage über die kommerziellen Aussichten von Apollo World.