合成数据破解训练数据枯竭：世界模型生成的合成数据成为自动驾驶、机器人、工业仿真领域的关键训练燃料

合成数据破解训练数据枯竭：世界模型生成的合成数据成为自动驾驶、机器人、工业仿真领域的关键训练燃料

作者：泷码软件（上海）有限公司、泷码软件研究院、泷码首席数据官（CDO）平台

摘要

过去十余年，人工智能的跃迁建立在"数据—算力—参数"同步放大之上。然而，当互联网高质量文本与真实物理场景数据被反复消耗，这条路径正逼近天花板：高质量训练数据正在枯竭。Ilya Sutskever 曾指出数据峰值已至，"互联网只有一个"；Epoch AI 测算，前沿模型可能在 2026 至 2032 年间耗尽公开互联网高质量文本，中位数约 2028 年，大模型训练从"大力出奇迹"走向边际收益递减已成行业共识。

在存量红利见底之际，由世界模型（World Model / World Foundation Model）生成的合成数据正成为增量供给路径：通过学习真实世界的物理规律与时空一致性，它能把数据获取从"昂贵、缓慢、不可复刻的真实采集"转向"低成本、大规模、按需生成的合成生产"。本报告论证合成数据如何破解训练数据枯竭，及其为何正成为自动驾驶、机器人、工业仿真三大物理智能领域的关键训练燃料。报告认为，当真实数据见顶，物理世界本身——经由世界模型建模——成为可再生的数据工厂；合成数据也带来质量失真、仿真幻觉、版权隐私与监管治理等新挑战，其价值实现取决于质量门控与物理一致性机制的持续演进。

一、引言：一道正在逼近的"数据墙"

过去十年，AI 能力的跃迁可概括为：把更多数据喂给更大模型。从 ImageNet 掀起的深度学习复兴，到 Transformer 主导的大模型时代，训练数据规模几乎与模型能力同步增长。但所有指数增长都绕不开一个朴素问题：数据有限，需求无限。

这堵"数据墙"正从三个方向收紧。总量上，人类积累的高质量文本是固定存量，Epoch AI 估算公开互联网高质量文本约 15 至 20 万亿 token，按当前训练节奏可能于 2026 至 2032 年间耗尽，中位数约 2028 年。增量上，版权保护收紧、隐私法规趋严、平台访问受限，靠爬虫"开源引流"越走越窄。收益上，规模扩张的边际提升急剧衰减。

数据墙对语言模型已构成约束，对面向物理世界的自动驾驶、机器人与工业仿真则更为严峻。物理数据稀缺、昂贵、危险、不可复刻：自动驾驶要覆盖长尾场景需要海量路测；机器人要学会抓取需要大量遥操作示教；工业产线要覆盖全部缺陷需要漫长积累。物理数据的三大特征——高噪声、强耦合、不可复刻——决定了真实采集的成本与效率瓶颈几乎是结构性的。

正是在"通用数据见顶、物理数据奇缺"的双重压力下，世界模型生成的合成数据被推到聚光灯下。它不靠爬虫去"淘"存量，而像工厂一样"造"增量。这是本报告全部论证的起点：训练数据枯竭不是终点，而是合成数据时代的发令枪。

二、训练数据枯竭：规模化红利的退潮

理解合成数据的价值，先要理解它要解决的危机有多根本。训练数据枯竭不是遥远假设，而是正在发生、可被数据量化的进程。

（一）数字的三重证据

第一重证据来自存量测算。Epoch AI 估算，公开互联网高质量人类文本约 15 至 20 万亿 token。这一数字看似庞大，但在单次前沿训练即可消耗百亿级 token 的今天并不宽裕。按当前需求曲线外推，库存耗尽的时间窗口在 2026 至 2032 年之间，中位数约 2028 年。

第二重证据来自已消耗比例。MIT CSAIL 2025 年 1 月分析显示，主流模型已训练过互联网 90% 至 95% 的高质量文本。

第三重证据来自前沿研究者。2024 年底，Ilya Sutskever 明确表示："我们已经达到了数据的峰值，未来不会再有更多数据，我们必须利用现有的数据，因为互联网只有一个。"他据此提出 AI 正从"规模化时代"进入"研究时代"。

（二）边际收益递减：数据墙的另一面

数据枯竭与模型收益的边际递减互为表里。当单位新增数据的边际收益不断下降，"数据够不够"与"数据值不值"便同时浮出水面。行业观察勾勒出清晰的衰减曲线：2023 年前同等投入常带来数量级跃迁，之后十倍投入对应性能提升仅剩 10% 至 15%；2024 年以来即使成本翻倍，性能提升也常不足 5%。头部模型表现趋同，仿佛集体撞上同一块天花板，其背后正是高质量数据稀缺。

（三）合成数据：从"存量淘金"到"增量制造"

面对数据墙，产业界提出多种应对：更高效算法、更强算力、多模态融合、强化学习。但被寄予最高期望、且已现规模化落地的，是合成数据——不再依赖从外部"淘"现成数据，而由模型自己"造"数据。合成数据并非新生事物，计算机视觉时代就曾用 3D 渲染补充训练集，但传统合成数据与真实数据域差异明显，价值长期受限。真正改变局面的是世界模型的出现：当生成模型学会真实世界的物理规律、空间几何与时间演化，其生成数据在保真度与可控性上开始逼近甚至部分超越真实采集数据——这正是其与以往"仿真生成的合成数据"的本质区别。

三、世界模型：从"理解世界"到"生成世界"

如果说合成数据是破解数据枯竭的钥匙，世界模型就是打造它的熔炉；理解其能力边界，才能理解合成数据为何能担当"关键训练燃料"。

（一）什么是世界模型

"世界模型"（World Model）是含义宽泛、但在生成式 AI 语境下逐渐明确的术语。简言之，它是一个对物理世界进行内部建模的生成模型：给定当前环境状态（一段视频、一帧图像、一张地图、一组动作指令），它能预测并生成与物理规律一致的下一时刻世界状态。与仅"生成像照片的图像"的普通生成模型不同，世界模型的核心诉求是预测——理解物体如何运动、光线如何变化、交互如何发生，从而生成时空自洽的"虚拟世界"。在自动驾驶与机器人领域，它常以"世界基础模型"（World Foundation Model, WFM）形态出现，典型代表如 NVIDIA Cosmos、Wayve GAIA 等——生成的是"物理正确"的场景，而非"漂亮"视频。

（二）与普通生成模型的分野

区分世界模型与普通生成模型，关键在于三个维度。其一，时空一致性。普通视频生成模型可能某几帧精美，却难保证跨相机、跨时间步的物体身份与位置一致；世界模型强调多视角、多时间步自洽——一辆车从左侧相机进入，必须在右侧相机以正确位置出现，并在后续帧沿合理轨迹运动。其二，可控性。世界模型允许用户通过结构化条件（本车动力学、智能体配置、环境因素等）控制生成内容，定向生成长尾场景——极端天气、罕见事故、危险路况，而这些正是真实采集中最稀缺、最难安全获取的数据。其三，物理保真。好的世界模型在生成中内化物理规律，输出可作为"物理正确的虚拟世界"用于训练与评估；在机器人领域尤为关键——若合成数据物理属性失真，训练出的策略在真实世界就会"见光死"。

（三）合成数据的三条生成路径

按数据来源与生成机制，世界模型驱动的合成数据大致有三条路径。一是世界基础模型直接生成，如 NVIDIA Cosmos 提供 Predict（预测）、Transfer（迁移）、Reason（推理）三类模型，一条提示词即可生成大规模照片级、物理一致的合成场景。二是仿真引擎与世界模型协同，以 Isaac Sim 为代表的高保真物理与传感器仿真引擎构建可标注的精确场景，世界模型在此基础上增强、补全与泛化，生成仿真引擎难以穷尽的变体——"仿真为骨架、世界模型为血肉"。三是从少量真实数据"开枝散叶"，如 Isaac GR00T-Dreams 从单张图片与一句语言指令出发生成海量合成轨迹，再经逆向动力学提取三维神经轨迹，以极小真实数据成本撬动指数级数据规模。

四、自动驾驶：合成数据最大的主战场

三大领域中，自动驾驶是合成数据落地最密集、商业价值最明确的主战场，根源在于其数据的"长尾困境"。

（一）长尾困境：为什么自动驾驶最缺数据

自动驾驶安全性取决于对极少数危险场景的处理能力，而这些场景恰是真实路测中最难遇到的。要"学会"罕见事故、极端天气、非机动车横穿、施工占道等长尾场景，需要海量真实里程；但真实路测成本高、周期长，且高风险场景本身不可人为制造。世界模型从根本上改变这一约束：既然合成数据可"按需生成"危险与罕见场景，系统就不必再被动等待真实世界"恰好"出现这些情况。NVIDIA Cosmos-Drive-Dreams 即是一套面向驾驶领域的合成数据生成管线，能生成可控、高保真、多视角、时空一致的驾驶视频。

（二）主流玩家的技术布局

产业界密集动作印证了这一趋势。NVIDIA 于 2025 年 1 月发布 Cosmos 世界基础模型平台，提供 Predict、Transfer、Reason 三类模型，面向开发者开放，用于生成大规模照片级、物理一致的合成数据；在自动驾驶方向，研究者将 Cosmos 模型在 2 万小时驾驶数据上后训练，其 CVPR 论文显示利用这些合成数据显著提升了 AV 模型性能。英国 Wayve 是世界模型路线代表，其 2025 年 3 月发布的 GAIA-2 是 84 亿参数潜在扩散世界模型，支持跨五个相机时空一致生成；2025 年 12 月发布的 GAIA-3 将参数提升至 150 亿，把世界模型从"视觉合成工具"推进为"自动驾驶评估的基石"。国内商汤绝影打造"绝影开悟"世界模型，生成真实、可控、多元、长时一致的高清仿真数据，在上海自动驾驶实训场与上汽智己等共同打造"数据工厂"。OpenDriveLab World Engine 在含 8 万小时真实驾驶日志的生产级系统上验证，工业闭环仿真中碰撞率下降 45.5%，真实部署 200 公里无一次脱管，直观展示了合成数据驱动的闭环仿真对真实驾驶安全的正向迁移。

（三）数据飞轮：合成数据的自我增强

自动驾驶合成数据的意义不止于补足长尾，更在于构建数据飞轮：真实数据训练世界模型，世界模型生成合成数据，合成数据训练更好的驾驶模型，更好的模型又在闭环仿真中暴露新问题，推动世界模型继续生成更贴近短板的场景。如此循环，逐步逼近"以真实为锚、以合成为翼"的可持续训练范式。

五、机器人：从示教稀缺到轨迹无限

如果说自动驾驶解决的是"数据贵"，机器人（具身智能）面临的则是更本质的"数据缺"——很多任务根本没有可用的真实数据来源。

（一）具身数据的结构性稀缺

机器人学习依赖大量"动作—状态"配对数据（轨迹、示教、交互），但获取极其困难。遥操作采集依赖专业人员逐条录制，成本高、规模受限；真实世界物理交互又受安全性、耐久性与环境严格约束。人形机器人、灵巧手、复杂装配等任务，真实数据稀缺到难以支撑大规模训练。

（二）世界模型生成轨迹数据

NVIDIA Isaac GR00T-Dreams 蓝图是这一困境的典型解法。其流程为：以少量人类示教后训练 Cosmos Predict，生成多样化"梦境"视频，用 Cosmos Reason 过滤，经逆向动力学提取三维神经轨迹，训练视觉运动策略。核心价值在于从单张图片加一句语言指令即可生成海量合成轨迹，让机器人在从未见过的环境里学会新任务，无需特定遥操作数据。配套的 Isaac GR00T-Mimic 基于 Omniverse 与 Cosmos Transfer 1，从极少量人类示教生成大规模合成操作轨迹；Isaac Sim 与 Isaac Lab 提供高保真物理仿真并扩展至数千并行 GPU 环境，为 GR00T 开放视觉-语言-动作模型生成海量合成数据。GR00T 官方资料明确其训练混合人体视频、真实遥操作与合成三类数据，以提升跨硬件泛化能力。

（三）合成数据占比的里程碑

国产世界模型进展同样瞩目。2025 年底，获华为投资的极佳视界发布并开源具身世界模型 GigaWorld-0，将世界模型生成数据在视觉-语言-动作（VLA）训练中的占比提升至 90%；所训练的 VLA 模型在新纹理、新视角、新物体位置三大泛化维度均实现显著提升。90% 这一数字具有标志性：合成数据在具身智能训练中从"辅助补充"走向"主体来源"，正式确立其核心燃料地位。

六、工业仿真：四维时空数据的开垦

相较自动驾驶与机器人，工业仿真的合成数据更早被实践，但其意义常被低估：在制造业，其价值不在"好看"，而在以可承受成本覆盖真实生产中难以企及的工况与缺陷。

（一）工业数据的三大痛点

中国工业互联网研究院提出一个广为流传的判断：推进工业智能应用"七分在数据、三分在模型"。工业数据难用，根源在其三重特征：多元异构——传感器时序、视频图像、工艺文本、设计图纸格式各异、标准不一，AI 难以统一"阅读"；多级分布——数据分散在设备、产线、车间及 ERP、MES 等系统，形成"数据孤岛"；深度耦合——数据背后隐藏复杂物理机理，简单堆数据难以还原因果。

（二）数字孪生驱动的合成缺陷训练

一个代表性应用是合成缺陷训练。工业视觉检测需要大量缺陷样本才能识别不良品，但真实产线缺陷往往罕见、昂贵且不可人为制造。数字孪生的做法是：在工业资产与部件的虚拟副本中程序化生成合成缺陷，让 AI 在部署到真实产线前先用合成数据集完成训练，从而主动"制造"出覆盖各类缺陷模式的训练数据。

（三）物理仿真与大模型融合的新赛道

更前沿的进展来自"物理仿真 + 大模型"的融合。业内观点指出，传统物理仿真精度可靠、严格遵循守恒规律，但算力消耗大、迭代慢，难以支撑实时闭环调控；AI 大模型泛化强、推理快，却受概率生成逻辑限制，普遍存在"物理失真、仿真幻觉"问题，如何让"物理精确"与"数据泛化"互补是核心工程卡点。资本市场已对这一赛道"抢滩"：真正稀缺的不再只是计算芯片，而是支撑 AI 训练的四维时空全域高品质仿真数据；多家创业公司围绕"仿真解析度革命"重构物理 AI 数据底座，获亿元级融资，数据缺口正驱动资本倾斜。这些都表明，工业仿真中的合成数据正从"辅助工具"升级为"战略资产"。

七、技术机制与质量门控：合成数据如何"可信"

合成数据能否真正成为"关键训练燃料"，取决于一个前提：它必须可信。若失真、物理矛盾、分布偏移，用它训练的模型非但不能提升，反而可能"越练越歪"。

（一）合成数据的缩放定律与质量阈值

合成数据并非越多越好。学术研究（如《Scaling Laws of Synthetic Data for Language Models》）表明，合成数据同样遵循缩放定律，但性能增益在数据量超过约 300B token 后开始边际递减；更大模型达到最优性能更快（如 80 亿参数模型约需 1T token）。这提示从业者：合成数据贵在"高质量 + 精准补位"，而非无节制堆量。

（二）质量门控：从生成到筛选

针对"生成容易、可信难"，主流方案引入生成—筛选两段式流程。以 NVIDIA 为例，GR00T-Dreams 中 Cosmos 生成大量"梦境"轨迹，Cosmos Reason 扮演"质量法官"过滤剔除物理不合理、语义错误、时空矛盾的数据。这种"生成器 + 评判器"架构实质是把世界模型与质量门控绑定成闭环，确保合成数据在物理一致性上过关。

（三）Sim-to-Real：弥合仿真与真实的鸿沟

合成数据从仿真到真实的迁移（Sim-to-Real）是永恒课题。域随机化、域适应等技术致力于让模型在合成数据上学会的知识迁移到真实环境。如 SynthRender 等开源框架即面向工业目标感知提供引导式域随机化的合成图像生成，并以 Reality-to-Simulation 技术进行三维资产生成。需要强调的是，合成数据不会取代真实数据，而是与之互补：真实数据提供物理基线、为校准提供基准，合成数据填补长尾、丰富变体；任何声称合成数据可完全取代真实数据的观点，在工程上都值得警惕。

八、产业格局与市场空间

合成数据从技术趋势走向产业基建，其市场规模与资本流向是判断其"关键燃料"地位的重要标尺。

（一）快速增长的市场

多家机构测算勾勒出合成数据市场的高速扩张。据行业研究，全球物理 AI 合成数据市场 2025 年估值约 20.3 亿美元，预计 2035 年达 639.5 亿美元，2026 至 2035 年年复合增长率（CAGR）41.25%，软件平台占主导，世界模型生成法被视为主要方法。聚焦自动驾驶细分市场，生成式 AI 在自动驾驶训练数据生成领域预计从 2025 年 13.8 亿美元增至 2031 年 95.6 亿美元，CAGR 34.52%。这些数字共同指向：合成数据已不是可选探索，而是资本与产业重仓的基础设施赛道。

（二）平台化与生态化

合成数据竞争正从"单点工具"走向"平台生态"。NVIDIA 以 Cosmos + Omniverse + Isaac 构建从世界模型、仿真引擎到机器人训练的全栈平台；Wayve 以 GAIA 系列支撑从数据生成到安全评估的完整闭环；国内厂商以世界模型 + 数据工厂 + 实训场组合切入。平台化把"造数据"从定制工程变成可复用、可扩展的标准服务，大幅降低物理 AI 的数据获取门槛。

（三）价值链与商业模式

从价值链看，合成数据产业分三层：底层是算力与仿真基础设施（GPU、数字孪生引擎、物理仿真器）；中层是数据生成能力（世界模型、质量门控、数据管线）；上层是行业解决方案（自动驾驶数据工厂、机器人训练平台、工业质检数据服务）。商业模式正从"按数据量收费"走向"按模型效果收费"——客户为"模型性能提升"买单，而非为"生成了多少数据"买单。这一转变强化质量与效果导向，利好真正掌握高质量世界模型的厂商。

九、风险、治理与边界

合成数据的蓬勃不能掩盖其伴生风险，本报告对其风险与治理边界作冷静评估。

（一）质量与幻觉风险

最直接的风险是仿真幻觉——世界模型生成的内容在物理规律上失真，却以"以假乱真"方式混入训练集。若质量门控失效，错误合成数据可能被模型当作"真实经验"学习，损害安全关键系统可靠性。这要求在安全敏感领域对合成数据建立严格物理一致性校验与真实数据对照机制。

（二）版权、隐私与合规

合成数据的"再造"特性带来新版权与隐私问题：模型训练所用原始数据若含版权或隐私内容，其"生成"的合成数据是否触及原始权益？这一问题尚无统一法律答案，且随各国监管演进不断变化。企业需审慎评估数据来源合规性，避免"干净的输出掩盖不干净的输入"。

（三）模型坍缩与多样性危机

合成数据训练存在理论风险：若长期只用合成数据自我训练而脱离真实数据，模型可能"坍缩"——逐渐丧失多样性、输出趋同，甚至放大既有偏差。这要求合成数据与真实数据保持适当比例与动态平衡，"以真实为锚"既是工程最优解，也是避免退化的治理底线。

（四）监管与标准

目前，合成数据的定义、标注规范、质量基准与责任归属仍处标准建设早期。行业与监管机构正在探索可追溯的"数据护照"、安全责任界定与创新—风险平衡。产业界应积极参与标准制定，推动合成数据从"灰色地带"走向"规范赛道"。

十、结论与展望

训练数据枯竭不是世界模型的敌人，而恰是催化剂。当高质量数据存量红利见底，当真实采集遭遇成本与安全双重瓶颈，世界模型生成的合成数据以其"可无限扩展、可按需生成、可精确标注"的特性，成为破解数据枯竭的关键钥匙，也成为自动驾驶、机器人、工业仿真三大物理智能领域的关键训练燃料。

展望未来，可预见三条演进主线。技术主线上，世界模型将从"生成逼真"走向"生成正确"，物理一致性、多模态融合与质量门控持续强化，Sim-to-Real 鸿沟逐步弥合，合成数据可信度逼近乃至部分超越真实数据。产业主线上，合成数据将完成从"辅助数据增强"到"核心训练基础设施"的跃迁，平台化、生态化、标准化并行推进，市场规模持续高速扩张。治理主线上，版权、隐私、模型坍缩与安全责任等议题将催生新合规框架与行业标准。

归根结底，合成数据的本质是人类对"如何获取知识"的一次再定义：当世界本身可以被模型建模与再生成，数据便不再是稀缺的存量，而是可持续再生的流量。谁能在"世界模型 + 质量门控 + 真实锚定"的能力组合上建立壁垒，谁就将在物理智能时代占据先机。泷码软件（上海）有限公司、泷码软件研究院与泷码首席数据官（CDO）平台将持续跟踪这一领域演进，为产业界提供高质量的数据洞察与工程实践。

十一、数据来源

本报告关键数据与论断均来自以下公开可查来源，供读者核验与溯源。Epoch AI 关于高质量文本存量与耗尽窗口（2026–2032 耗尽，中位数约 2028 年）的测算见 https://www.aitooldiscovery.com/ai-infra/can-ai-companies-run-out-of-training-data 与 https://eu.36kr.com/zh/p/4003741514764425 。MIT CSAIL 关于主流模型已训练互联网 90% 至 95% 高质量文本的分析见 https://www.wanture.com/tech/ai-scaling-limits-expertise-obsolete-sutskever/ 。Ilya Sutskever 关于"数据峰值已至"的观点见 https://www.iesdouyin.com/share/video/7641951366163877146 与 https://m.huxiu.com/ainews/6009.html 。合成数据缩放定律研究（300B token 后边际递减）见 https://arxiv.org/html/2503.19551v1 。

NVIDIA Cosmos 世界基础模型平台发布与自动驾驶应用见 https://investor.nvidia.com/news/press-release-details/2025/NVIDIA-Launches-Cosmos-World-Foundation-Model-Platform-to-Accelerate-Physical-AI-Development/default.aspx 与 https://developer.nvidia.com/blog/simplify-end-to-end-autonomous-vehicle-development-with-new-nvidia-cosmos-world-foundation-models/ 。Cosmos-Drive-Dreams 合成驾驶数据管线见 https://arxiv.org/html/2506.09042v3 。Wayve GAIA-2 与 GAIA-3 发布见 https://wayve.ai/press/wayve-unveils-gaia2/ 与 https://wayve.ai/press/wayve-launches-gaia3/ 。商汤绝影"绝影开悟"世界模型与上海自动驾驶实训场见 http://www.news.cn/auto/20250729/d8c9847e88534b099267c19dd3336e5b/c.html 。OpenDriveLab World Engine（碰撞率降 45.5%、200 公里无脱管）见 https://opendrivelab.com/WorldEngine/ 。

NVIDIA Isaac GR00T-Dreams 合成轨迹数据生成蓝图见 https://developer.nvidia.com/blog/enhance-robot-learning-with-synthetic-trajectory-data-generated-by-world-foundation-models/ 。Isaac GR00T-Mimic、Isaac Sim 与 GR00T 相关资料见 https://nvidia-cosmos.github.io/cosmos-cookbook/recipes/inference/transfer1/gr00t-mimic/inference.html 、https://developer.nvidia.cn/isaac/sim 与 https://developer.nvidia.cn/isaac/gr00t 。极佳视界 GigaWorld-0 将 VLA 训练合成数据占比提升至 90% 见 https://view.inews.qq.com/a/20251202A0450L00 。

中国工业互联网研究院"七分在数据、三分在模型"观点见 https://www.china-aii.com/xyzx/7141496.jhtml 。数字孪生驱动的合成缺陷训练方法论见 https://exxar.co/blog/digital-twins-ai-visual-inspection-data-problem/ 。物理仿真与大模型融合的工程卡点及物理 AI 仿真赛道观察见 https://m.36kr.com/p/3948977352965248 、https://36kr.com/p/3850010808980740 、https://sichuan.scol.com.cn/ggxw/202604/83234822.html 与 https://activity.csc108.com/activity/messageCon/#/homePage?reportId=2_1_d79602f6-b8f5-469e-85b1-9691cacccb9d_1787062192459 。SynthRender/IRIS 工业目标感知开源合成数据框架见 https://arxiv.org/html/2602.21141v1 。

物理 AI 合成数据市场规模（2025 年约 20.3 亿美元，2035 年 639.5 亿美元，CAGR 41.25%）见 https://www.kaisoresearch.com/report-store/global-synthetic-data-for-physical-ai-market 。生成式 AI 在自动驾驶训练数据生成市场规模（2025 年 13.8 亿美元，2031 年 95.6 亿美元，CAGR 34.52%）见 https://www.mordorintelligence.com/industry-reports/generative-ai-in-autonomous-vehicle-training-data-generation-market 。

十二、免责声明

本报告由泷码软件（上海）有限公司、泷码软件研究院、泷码首席数据官（CDO）平台基于公开可查的行业信息、研究报告与企业技术资料整理撰写，仅用于行业研究与信息参考，不构成任何投资建议或商业决策依据。

报告所引用的市场规模、增长率、时间窗口等预测性数据均来自第三方机构与公开来源，其口径与假设可能存在差异，预测结果具有不确定性；读者引用应以原始来源为准并自行判断。

报告涉及的具体企业、产品与项目（如 NVIDIA、Wayve、商汤绝影、OpenDriveLab、极佳视界等）均为客观介绍，不构成对其技术先进性或商业前景的背书，亦不构成任何合作要约或推荐。

合成数据、世界模型及物理人工智能技术发展迅速，本报告反映截至撰写日期可获取的公开信息，可能随技术演进与政策变化而过时；泷码软件相关主体不因报告内容与后续事实的差异承担责任。

报告中的分析、判断与展望为撰写机构的独立研究观点，可能存在主观性与局限性。使用者据此决策前应结合自身实际情况并咨询专业人士；因使用本报告内容产生的一切后果，撰写机构概不负责。