Helm.ai 推出 VidGen-2：分辨率翻倍，为自动驾驶生成多视角仿真视频

造自动驾驶的人都知道，在路上跑里程不仅贵，很多极端工况还根本碰不到。

加州自动驾驶软件公司 Helm.ai 发布了新一代生成式 AI 模型 VidGen-2。它的核心任务就是帮车企合成逼真的驾驶视频，用来训练和验证自动驾驶系统的感知能力。

距离这家公司 7 月推出 VidGen-1 才刚过去不到三个月，VidGen-2 就把核心指标翻了一倍。

分辨率翻倍，三摄画面不再穿帮

VidGen-2 的视频生成分辨率从上一代的水平翻倍到了 696 x 696，支持 5 到 30 fps 的帧率，在 30 fps 下的画面平滑度和细节都明显变好。

模型利用数千小时的多元驾驶视频在 NVIDIA H100 GPU 上训练完成，底层依靠 Helm.ai 自研的深度神经网络架构和被称为「Deep Teaching」的无监督训练方法。

好玩的是它的输入方式挺灵活：可以完全不给提示词直接生成，也可以给一张静态图片或者一段参考视频让它接着往下编。

这次最硬核的升级在于多视角支持。VidGen-2 可以同时生成 3 个机位、单机位分辨率为 640 x 384 的视频流。

对多摄环视来说，最怕的就是左侧相机里车刚过去，右侧相机里动作对不上。Helm.ai 表示 VidGen-2 能做到三个视角之间自洽，保证多传感器配置下的物理一致性。

模型生成的场景覆盖了高速和城市道路，包括不同地理区域、天气和光线变化，还有行人、骑车人、交叉路口和转弯等复杂路况。更关键的是，不仅自车和周边交通参与者的动作符合交通规则，行为模式也学到了人类的开法。

为什么重要

在传统模拟器里，工程师得手动拉 3D 资产、调物理引擎，费时费力还不一定真实；而在现实中路测，危险边缘案例永远收集不够。

像 VidGen-2 这种生成式视频模型，核心价值就是缩小「仿真到现实」的差距。对车企和机器人团队来说，如果能低成本快速生成数万种极端天气和复杂交汇路口，感知算法的迭代速度会成倍提升。

我们认为，Helm.ai 紧盯着三摄一致性和人类驾驶行为来做，切入点非常聪明。自动驾驶感知系统从不看单张漂亮的图，它看重的是连续帧的时序稳定性和多相机的空间对齐。

不过隐患依然存在。虽然 696 x 696 比上一代强，但比起车企动辄 800 万像素的车载摄像头，这个清晰度用在远距离小障碍物识别上还是不够看。AI 生成的幻觉如果带进验证环节，车企如何确保不会教坏原本的自动驾驶模型，也是接下来要面对的现实课题。