2026年，自動駕駛仿真賽道將持續升溫。

回顧2025年，兩大仿真新技術快速走進公眾視野，分別是世界模型（World Model）與3DGS（3D Gaussian Splatting，3D高斯潑濺）。

關于3DGS，我則一直覺得很神秘，因此特地做了一些探索，甚至申請到了軟件來試用，因此本文就3DGS怎么嵌入到自動駕駛仿真流程中，做一些膚淺的探索。

一、3DGS與世界模型的路線差異

3DGS和世界模型，聽起來都很“高大上"。

雖然都是在做仿真，但在我看來是兩種截然不同的技術路線。本文不談公式和理論，我們盡量用通俗的語言快速理解其核心邏輯。

一句話總結世界模型：AI 構建的數字世界模擬器，復刻現實規律，能推演事件發展與結果。例如，向世界模型輸入一段視頻、圖片或文字描述，它就能自動生成后續連貫的視頻內容。

一句話總結3DGS：這是一種基于點云優化的3D高斯分布表征技術，可實現高保真動態三維場景的快速渲染。簡單來說，它是一種革新性的三維建模技術——使用者只需手持掃描設備對目標物體或場景掃描一圈，就能直接生成對應的三維模型（過程如下圖所示）。這種模型的細節紋理與真實世界高度貼合，使得整個仿真過程兼具高效性與逼真度，對傳統三維建模技術形成了降維打擊。

圖片來源：視頻號-扎克力

所以，你看出來了嗎？3DGS與世界模型屬于兩條截然不同的技術路線。

3DGS是在傳統仿真技術的基礎上，對三維建模環節進行革新，屬于“老樹開新花"的迭代升級；

世界模型則走的是AIGC技術路線，通過直接生成所需仿真數據，跳過三維建模步驟，屬于“大力出奇跡"的創新。

前者，我愿稱之為基于規則的仿真，rule-based simulation。

后者，我愿稱之為基于端到端的仿真，e2e-based simulation。

沒想到吧，智駕領域的技術路線之爭，也在仿真賽道同步上演。

扯遠了，還是來繼續看看，3DGS到底能不能解決傳統仿真技術中“自動駕駛感知仿真難"的痛點吧。

二、實操驗證：aiSim軟件的3DGS功能開箱體驗

感知仿真難，也就是傳感器的仿真難。

自動駕駛最重要的三類傳感器：攝像頭、激光雷達、毫米波雷達。其中，激光雷達與毫米波雷達的感知置信度難以量化定義，因此本文以攝像頭仿真為例，直觀呈現3DGS在智駕仿真中的實際效果——畢竟攝像頭仿真的逼真度，可通過肉眼做個簡單判斷。

此前我曾介紹過一些3DGS開源工具，但這類工具的易用性普遍欠佳。而在商用仿真軟件中，目前已知僅aiSim搭載了3DGS功能。為此，我特意向康謀科技（原虹科自動駕駛事業部）申請了試用許可（license），完成了初步的開箱體驗。

圖片：aiSim仿真界面-GUI

作者寄語：使用aiSim的感覺和傳統的仿真傳感器類似，也是要創建地圖，然后編輯場景，然后配置主車的動力學，配置各類傳感器，外接自動駕駛算法，做場景泛化和大規模仿真等等。如果你已經掌握了一個仿真軟件，那么遷移到這個軟件應該是非常快的，像我，就是線下找aiSim的小伙伴，花了半天就感覺已經掌握它了（有點飄了哈哈），另外，aiSim也是支持xosc和xodr的，所有歷史的場景庫什么的遷移也是方便。

這些都不是重點，畢竟你有我有全都有，不值得說道。

但是，aiSim集成了3DGS的功能，讓我著實覺得有點開眼界了。下面的軟件界面，做了一個對比，一個是調用的傳統手段建模的3D地圖，一個是調用的3DGS建模的3D地圖。結果就是，仿真效果肉眼可見的真實了不少。以前的仿真就像是放動畫片似的，調用3DGS地圖后，路面和外景等就更像是我們真實在道路上看到的效果了。

圖片：aiSim仿真界面-手搓地圖

圖片：aiSim仿真界面-3DGS地圖

以前覺得3DGS很神秘，但是使用軟件體驗下來，發現的變化竟然只是，搭建場景的時候選擇什么地圖。

這是什么意思呢？

具體來說，aiSim中的動態場景仍通過OpenSCENARIO協議設計，而對于協議中調用的靜態地圖（OpenDRIVE格式），既可以選用傳統工具（如RoadRunner）搭建的地圖（動畫感較強，真實度有限），也可以選用3DGS生成的地圖（紋理細節更貼近真實場景）。

可見，3DGS本質上只是一種高效的建模手段。未來，它大概率會成為自動駕駛仿真軟件的一個標準化組件——用戶可選擇3DGS生成的靜態場景地圖，再在此基礎上定義動態場景，例如添加各類交通參與者，構建完整測試場景。

淺嘗了一下aiSim的3DGS的仿真效果后，接下來暢想一下未來3DGS應用到自動還是仿真測試的流程。

如果3DGS能在解決感知仿真問題然取得突破，那么接下來的一些工程化應用將成為重點。

三、流程變革：3DGS對仿真測試工作流的優化

（1）傳統仿真測試流程

以前的傳統的仿真測試可能大概是這樣的：

1. 智駕產品定義中有新的功能需求發布啦；

2. 仿真小伙伴收到需求，開始構思具體的測試用例該有哪些，以完整的覆蓋產品需求；

3. 測試用例制定完畢，交給上游產品們進行評審，確認無誤后就開始畫場景。一般都是基于某款仿真軟件徒手制作靜態地圖，然后定義各種動態場景，形成場景庫；

4. 在仿真工具鏈中集成被測對象（智駕軟件），然后開始進行仿真測試；

5. 跑完一輪仿真測試，輸出測試報告，然后推動軟件開發進行迭代；

（2）集成3DGS后的流程優化

無需手動繪制地圖，通過3DGS快速生成——采集實景數據（如十字路口、特定車輛）導入工具，即可自動生成高精度三維模型/地圖，大幅縮短場景搭建周期，降低人工成本。

流程圖：3DGS在仿真測試的工作流

作者寄語：在使用aiSim的過程中，我發現相應的地圖非常大，動輒幾十個G，這對于工程化部署非常不利，3DGS格式的3D地圖或者3D模型，必須支持客戶自定義編輯，以實現模型、局部細節調整、地圖組裝等功能，那么一款3DGS的可視化編輯器是非常有必要的。

四、展望：3DGS的潛力與局限

3DGS的核心價值的是解決“場景還原度與建模效率"的矛盾，未來大概率會成為自動駕駛仿真軟件的標準化組件。但它能否成為感知仿真的破局者，仍取決于兩大關鍵：一是海量實景數據的訓練積累，二是理論研究的深入（解決偽影、場景模糊等技術痛點）。

值得注意的是，3DGS的技術門檻較高，并非企業可輕易自研，這或將幫助頭部仿真軟件供應商構建核心競爭壁壘，進一步促進行業分化。在智駕端到端技術普及的當下，唯有攻克仿真置信度難題，3DGS才能在閉環測試、訓練數據生成等核心場景中發揮更大價值。

3DGS并非自動駕駛仿真的“答案"，但無疑是破解感知仿真置信度困境的關鍵突破口。3DGS和世界模型并不是非此即彼的單選題，而是可以組合使用，互相取長補短，形成互補。這種互補格局的核心的是技術短板互抵、能力邊界互補，圍繞“高保真、高效率、全場景覆蓋"的核心需求形成協同范式：3DGS以實景掃描為基礎，提供高保真靜態場景基底，解決世界模型“虛擬失真"與“仿真-實車gap"問題，為其提供真實數據錨點；世界模型則憑借邏輯推演與場景生成能力，快速拓展長尾、場景，彌補3DGS對稀缺場景采集成本高、覆蓋不足的短板，同時借助3DGS的真實數據反哺自身優化。隨著兩者技術的持續迭代與商業化落地，這種“實景基底+虛擬拓展"的協同模式，將推動自動駕駛仿真從“輔助驗證工具"向“核心閉環環節"轉型，為端到端智駕技術的快速落地提供核心支撐。