在自动驾驶技术的最新突破中，商汤绝影CEO兼商汤科技联合创始人王晓刚，于上海向业界展示了一项创新成果——R-UniAD，这是首个宣称能与世界模型协同交互的端到端自动驾驶解决方案。王晓刚还透露，该方案将于4月的上海车展上正式发布，并计划完成实车部署。
R-UniAD的核心在于构建了一个世界模型，它能够生成一个在线交互的仿真环境，为端到端模型提供强化学习的训练平台。王晓刚强调，R-UniAD与近期备受瞩目的DeepSeek技术创新思路不谋而合，都是从模仿学习向强化学习的升级，旨在实现自动驾驶技术超越人类驾驶水平的壮举。
强化学习，作为机器学习的三大基本方法之一，与监督学习和非监督学习并行发展，并在大模型的训练过程中发挥着重要作用。它让智能体通过与环境的互动，学习并优化最佳策略，从而提升智能水平。然而，与OpenAI GPT系列大模型采用的基于人类反馈的强化学习（RLHF）模式不同，DeepSeek R1大模型采用了更为简洁的强化学习模式，专注于特定任务的指标优化，减少了人类监督的依赖，从而降低了资源需求。
王晓刚指出，这种基于强化学习的大模型技术路线，同样适用于端到端自动驾驶算法的训练与研发。商汤绝影的R-UniAD正是这一技术路线的实践者，它采用了一种“多阶段强化学习”的端到端自动驾驶技术路线。
具体而言，R-UniAD的实施分为三个阶段：首先，利用冷启动数据，通过模仿学习在云端训练出一个端到端自动驾驶大模型；接着，基于强化学习，让云端的大模型与世界模型进行协同交互，持续优化模型的性能；最后，通过高效蒸馏技术，将云端的大模型转化为高性能的小模型，实现车端部署。
从数据规模的角度看，R-UniAD的多阶段强化学习方法显著降低了端到端自动驾驶所需的数据量。它利用高质量数据进行冷启动，通过模仿学习训练出一个基础模型，再借助强化学习方法进行进一步训练。据估算，这种小样本多阶段学习的技术路线，能够将端到端自动驾驶的数据需求降低一个数量级，为车企合作伙伴提供了超越特斯拉FSD（全自动驾驶）技术的可能性。
从性能上限来看，纯强化学习训练不仅能够提升端到端智能驾驶模型的性能，还能够探索更多元化的驾驶场景和风格，为自动驾驶技术的发展注入了新的活力。
