文远知行聚焦大湾区市场，重心转向国内补齐 AI 基础设施场景数据

文远知行近期把重心向国内大湾区倾斜，主动调整业务布局，依托 Robotaxi、无人小巴、无人物流车的规模化上路运营，持续采集大湾区复杂路况的场景数据，用来完善自动驾驶物理 AI 基础设施，搭建数据飞轮，不再单纯优先向外扩张，依靠本土高密度运营拿到差异化的交通样本，支撑 WITT 物理 AI 大模型迭代，同时推进大湾区跨城自动驾驶通行的长期目标。大湾区路网结构复杂，城市主干道、城中村小路、密集非机动车、跨城高速、口岸交通场景丰富，是国内自动驾驶非常稀缺的复合测试环境，之前文远知行海外落地节奏较快，国内大湾区的车队密度、连续运营时长还有提升空间，而高质量的本土场景数据，是自动驾驶 AI 基础设施持续进化的核心原料，缺少本地长尾场景数据，算法很难适配国内复杂的人车混行路况。落地的路径就是持续扩大广州、深圳等大湾区城市的自动驾驶车队规模，24 小时常态化商业运营，把路上采集到的原始道路数据，经过 WITT 模型提炼成可信物理事实单元，再搭配 GENESIS 仿真世界模型生成长尾场景，形成 “上路采集 - 数据提纯 - 仿真扩充 - 模型迭代” 的闭环。这套闭环跑通之后，不仅可以优化 L4 无人出租、无人公交，还能把沉淀下来的技术能力迁移到 L2++ 量产智驾方案，一边服务大湾区本地出行，一边完善国内自动驾驶 AI 基础设施的数据底座。

大湾区重点运营项目清单

文远知行物理 AI 基础设施核心组件

• WITT 物理 AI 认知基础模型：提取道路里的最小物理事实单元，高效清洗、标注海量路测数据，降低数据处理成本
• GENESIS 世界仿真模型：基于真实采集数据生成仿真长尾场景，弥补稀有路况样本不足
• 车端 WRD 3.0 端到端智驾方案：L4 数据向 L2++ 量产辅助驾驶迁移复用
• 多车型车队矩阵：Robotaxi、无人小巴、无人物流车同步采集不同速度、不同场景数据

布局大湾区补齐场景数据的收益

1. 场景多样性强：大湾区人车混行、非机动车多、城中村、口岸、跨城高速等场景齐全，长尾样本丰富
2. 政策配套成熟：广东智能网联汽车测试、商业化运营政策完善，支持连续常态化上路
3. 形成数据飞轮：持续运营带来源源不断的真实数据，数据反过来优化模型，提升安全和体验
4. 商业闭环同步跑：载客、物流业务产生收入，同时采集数据，分摊 AI 基础设施投入成本

当前运营关键指标

• 广州 Robotaxi 服务范围相比 2025 年底扩大 3 倍，覆盖黄埔、天河、海珠，支持全天运营
• 二季度国内 Robotaxi 单车日均订单超 21 单，环比上涨 24%，打车收入环比增长约 140%
• 全球 L4 车队总量约 3400 辆，Robotaxi 超过 1800 辆，大湾区是国内核心运营枢纽

【常见问题】

问题 1：文远知行转向大湾区布局，主要是为了补齐 AI 基础设施的什么内容？

回答 1：文远知行转向大湾区布局，主要是依托大湾区复杂交通路况，持续采集本土场景数据，补齐自动驾驶 AI 基础设施的场景数据底座，支撑物理 AI 模型迭代。

问题 2：文远知行在大湾区采集的场景数据，会供给哪款 AI 模型使用？

回答 2：文远知行在大湾区采集的场景数据，主要供给自研 WITT 物理 AI 认知基础模型，搭配 GENESIS 仿真模型，完成数据提纯、场景扩充和算法迭代。

问题 3：文远知行在大湾区主要有哪些车型采集场景数据？

回答 3：文远知行在大湾区依靠 Robotaxi 无人出租车、深圳自动驾驶小巴、广州 W5 无人物流车，在不同道路环境下采集多样化场景数据。

问题 4：文远知行补齐大湾区场景数据，除了 L4 无人车还有什么用处？

回答 4：文远知行依托大湾区场景数据迭代出来的技术能力，可以迁移到 L2++ 量产端到端智驾 WRD 3.0 方案，供给车企量产车型使用。

【参考资料】

[2026-11-11]（文远知行喊话大湾区，转舵国内填补 AI 基础设施的场景数据）36 氪

[2026-11-06]（CNBC 专访韩旭：文远知行期待五年内 Robotaxi 畅游大湾区）文远知行官网

[2026-08-12]（文远知行 2026 Q2 财报：国内 Robotaxi 订单、收入快速增长）文远知行官方资讯

[2026-07-20]（文远知行发布物理 AI 认知基础大模型 WITT）广州市科学技术局

【免责声明】

本文仅为文远知行大湾区布局、AI 基础设施场景数据建设相关资讯科普，车队扩张节奏、跨城试点落地进度、模型效果以文远知行官方公告和监管批复为准；自动驾驶技术落地存在不确定性，本文不构成相关行业投资建议。