2026年，自动驾驶仿真赛道将持续升温。
回顾2025年，两大仿真新技术快速走进公众视野，分别是世界模型（World Model）与3DGS（3D Gaussian Splatting，3D高斯泼溅）。
关于世界模型，此前也写了挺多科普文章，甚至发布了一些视频效果，感兴趣的小伙伴可以去搜了看看，本文就不展开了。
而关于3DGS，我则一直觉得很神秘，因此特地做了一些探索，甚至申请到了商用软件来试用，因此本文就3DGS怎么嵌入到自动驾驶仿真流程中，做一些肤浅的探索。
一、3DGS与世界模型的路线差异
3DGS和世界模型，听起来都很“高大上”。
虽然都是在做仿真，但在我看来是两种截然不同的技术路线。本文不谈公式和理论，我们尽量用通俗的语言快速理解其核心逻辑。
一句话总结世界模型：AI 构建的数字世界模拟器，复刻现实规律，能推演事件发展与结果。例如，向世界模型输入一段视频、图片或文字描述，它就能自动生成后续连贯的视频内容。
一句话总结3DGS：这是一种基于点云优化的3D高斯分布表征技术，可实现高保真动态三维场景的快速渲染。简单来说，它是一种革新性的三维建模技术——使用者只需手持扫描设备对目标物体或场景扫描一圈，就能直接生成对应的三维模型（过程如下图所示）。这种模型的细节纹理与真实世界高度贴合，使得整个仿真过程兼具高效性与逼真度，对传统三维建模技术形成了降维打击。
图片来源：视频号-扎克力
所以，你看出来了吗？3DGS与世界模型属于两条截然不同的技术路线。
3DGS是在传统仿真技术的基础上，对三维建模环节进行革新，属于“老树开新花”的迭代升级；
世界模型则走的是AIGC技术路线，通过直接生成所需仿真数据，完全跳过三维建模步骤，属于“大力出奇迹”的颠覆式创新。
前者，我愿称之为基于规则的仿真，rule-based simulation。
后者，我愿称之为基于端到端的仿真，e2e-based simulation。
没想到吧，智驾领域的技术路线之争，也在仿真赛道同步上演。
扯远了，还是来继续看看，3DGS到底能不能解决传统仿真技术中“自动驾驶感知仿真难”的痛点吧。
二、实操验证：aiSim软件的3DGS功能开箱体验
感知仿真难，也就是传感器的仿真难。
自动驾驶最重要的三类传感器：摄像头、激光雷达、毫米波雷达。其中，激光雷达与毫米波雷达的感知置信度难以量化定义，因此本文以摄像头仿真为例，直观呈现3DGS在智驾仿真中的实际效果——毕竟摄像头仿真的逼真度，可通过肉眼做个简单判断。
此前我曾介绍过一些3DGS开源工具，但这类工具的易用性普遍欠佳。而在商用仿真软件中，目前已知仅aiSim搭载了3DGS功能。为此，我特意向康谋科技（原虹科自动驾驶事业部）申请了试用许可（license），完成了初步的开箱体验。
图片：aiSim仿真界面-GUI
作者寄语：使用aiSim的感觉和传统的仿真传感器类似，也是要创建地图，然后编辑场景，然后配置主车的动力学，配置各类传感器，外接自动驾驶算法，做场景泛化和大规模仿真等等。如果你已经掌握了一个仿真软件，那么迁移到这个软件应该是非常快的，像我，就是线下找aiSim的小伙伴，花了半天就感觉已经掌握它了（有点飘了哈哈），另外，aiSim也是支持xosc和xodr的，所有历史的场景库什么的迁移也是方便。
这些都不是重点，毕竟你有我有全都有，不值得说道。
但是，aiSim集成了3DGS的功能，让我着实觉得有点开眼界了。下面的软件界面，做了一个对比，一个是调用的传统手段建模的3D地图，一个是调用的3DGS建模的3D地图。结果就是，仿真效果肉眼可见的真实了不少。以前的仿真就像是放动画片似的，调用3DGS地图后，路面和外景等就更像是我们真实在道路上看到的效果了。
图片：aiSim仿真界面-手搓地图
图片：aiSim仿真界面-3DGS地图
以前觉得3DGS很神秘，但是使用软件体验下来，发现的变化竟然只是，搭建场景的时候选择什么地图。
这是什么意思呢？
具体来说，aiSim中的动态场景仍通过OpenSCENARIO协议设计，而对于协议中调用的静态地图（OpenDRIVE格式），既可以选用传统工具（如RoadRunner）搭建的地图（动画感较强，真实度有限），也可以选用3DGS生成的地图（纹理细节更贴近真实场景）。
可见，3DGS本质上只是一种高效的建模手段。未来，它大概率会成为自动驾驶仿真软件的一个标准化组件——用户可选择3DGS生成的静态场景地图，再在此基础上定义动态场景，例如添加各类交通参与者，构建完整测试场景。
浅尝了一下aiSim的3DGS的仿真效果后，接下来畅想一下未来3DGS应用到自动还是仿真测试的流程。
如果3DGS能在解决感知仿真问题然取得突破，那么接下来的一些工程化应用将成为重点。
三、流程变革：3DGS对仿真测试工作流的优化
（1）传统仿真测试流程
以前的传统的仿真测试可能大概是这样的：
-
智驾产品定义中有新的功能需求发布啦；
-
仿真小伙伴收到需求，开始构思具体的测试用例该有哪些，以完整的覆盖产品需求；
-
测试用例制定完毕，交给上游产品们进行评审，确认无误后就开始画场景。一般都是基于某款仿真软件徒手制作静态地图，然后定义各种动态场景，形成场景库；
-
在仿真工具链中集成被测对象（智驾软件），然后开始进行仿真测试；
-
跑完一轮仿真测试，输出测试报告，然后推动软件开发进行迭代；
（2）集成3DGS后的流程优化
无需手动绘制地图，通过3DGS快速生成——采集实景数据（如十字路口、特定车辆）导入工具，即可自动生成高精度三维模型/地图，大幅缩短场景搭建周期，降低人工成本。
流程图：3DGS在仿真测试的工作流
作者寄语：在使用aiSim的过程中，我发现相应的地图非常大，动辄几十个G，这对于工程化部署非常不利，3DGS格式的3D地图或者3D模型，必须支持客户自定义编辑，以实现模型瘦身、局部细节调整、地图组装等功能，那么一款3DGS的可视化编辑器是非常有必要的。
四、展望：3DGS的潜力与局限
3DGS的核心价值的是解决“场景还原度与建模效率”的矛盾，未来大概率会成为自动驾驶仿真软件的标准化组件。但它能否成为感知仿真的破局者，仍取决于两大关键：一是海量实景数据的训练积累，二是理论研究的深入（解决伪影、场景模糊等技术痛点）。
值得注意的是，3DGS的技术门槛较高，并非企业可轻易自研，这或将帮助头部仿真软件供应商构建核心竞争壁垒，进一步促进行业分化。在智驾端到端技术普及的当下，唯有攻克仿真置信度难题，3DGS才能在闭环测试、训练数据生成等核心场景中发挥更大价值。
3DGS并非自动驾驶仿真的“答案”，但无疑是破解感知仿真置信度困境的关键突破口。3DGS和世界模型并不是非此即彼的单选题，而是可以组合使用，互相取长补短，形成互补。这种互补格局的核心的是技术短板互抵、能力边界互补，围绕“高保真、高效率、全场景覆盖”的核心需求形成协同范式：3DGS以实景扫描为基础，提供高保真静态场景基底，解决世界模型“虚拟失真”与“仿真-实车gap”问题，为其提供真实数据锚点；世界模型则凭借逻辑推演与场景生成能力，快速拓展长尾、极端场景，弥补3DGS对稀缺场景采集成本高、覆盖不足的短板，同时借助3DGS的真实数据反哺自身优化。随着两者技术的持续迭代与商业化落地，这种“实景基底+虚拟拓展”的协同模式，将推动自动驾驶仿真从“辅助验证工具”向“核心闭环环节”转型，为端到端智驾技术的快速落地提供核心支撑。