从"编场景"到"采数据"：五一视界(6651.HK)观察到的物理AI仿真工作流之变

自动驾驶仿真行业的工作流，正在发生变化。

6月30日，51Sim CEO 鲍世强在与 NVIDIA 汽车行业开发者关系经理李博的对谈中，提到了一个很有意思的观察："以前大家可能喜欢编辑很多场景，但是现在大家不喜欢编场景，大家喜欢真正采过来很多数据，能用这些数据直接地完成整个的闭环。"

这句话描述了一个本质性的转变。传统仿真的工作流，很大程度上依赖人工建模。工程师根据经验和规范，手工搭建虚拟场景、设置交通参与者行为、调整环境参数。这种方式的优点是可控性强，缺点是效率低、难以覆盖真实世界的复杂性，更重要的是，手工编辑的场景与真实世界之间存在难以弥合的"Sim-to-Real Gap"。

但在端到端自动驾驶时代，这种依赖人工编辑的工作流遇到了根本性的瓶颈。一方面，端到端模型需要处理的是海量的、高度复杂的真实世界输入，手工编辑的场景无论如何精心构建，都难以复现真实环境的全部细节和动态变化。另一方面，量产的压力要求仿真系统能够快速响应算法迭代，人工建模的速度远不及模型训练的节奏。

于是，行业的工作重心开始发生迁移：从"人工编辑场景"转向"真实数据直驱仿真"。

这一转变的技术基础之一，是神经重建技术的成熟。NuRec 通过 3D 高斯神经渲染等技术，可以将车队真实路测数据重建为可编辑的仿真场景。工程师可以直接把采集到的数据转换成可测试的仿真资产，而不必从零手工搭建场景。

鲍世强将这种变化描述为"上半场"和"下半场"的分野。上半场，行业精力主要放在仿真平台和执行性能的优化上；下半场，神经重建等新技术的出现，使得"即使用真实数据，也大幅提升了仿真的执行度，同时又能完成闭环仿真"。这是他从业近十年来第一次感到"真实和闭环在一个应用方式上达成了某种平衡和统一"。

李博则从 NVIDIA 的视角补充了一个判断：重建与生成具有互补性，"重建是一种收敛的技术，有确定性；生成的技术非常擅长于发散，但是会有幻觉。"他预计，未来的趋势是重建和生成以一定比例混合使用。

从工作流的角度看，自动驾驶仿真正在从手工建模模式，向数据驱动的模式过渡。但这一过渡能走多远，取决于神经重建的成功率、生成技术的可控性，以及两者在实际量产环境中的稳定性表现。