一个真正理解物理世界的AI，一个具备在工业控制应用的完整系统范式
艾科正在构建首个交通行业世界模型。 让载具能够在物理世界中自主观察、思考和行动。
探索并创建你的第一个世界模型
探索轨道交通世界模型智能体
影子学习既有信号／联锁安全逻辑，让世界模型在安全边界内实现端到端策略控制。
我们先将既有安全体系"消化吸收"为世界模型的内生约束；在长期影子验证与证据链成熟后，再逐级走向可控接管。
在既有系统正常运营下做影子部署，采集控制指令、信号/联锁状态与策略。零干预、零风险。
世界模型学习并整合既有安全逻辑、硬件联锁策略与安全设施约束，形成可验证的安全边界。
长期影子对齐 + 场景回放 + 形式化验证完善后，从"建议"逐步走向"接管"。
不碰控制链路，只做观测与对齐。在既有系统正常运行的同时，世界模型在后台"旁听"每一个控制决策。
联锁/ATP/ATO/CBTC
行为+物理+策略
一致性/违例/覆盖
差异主要来源：坡度变化 38% · 黏着系数 27% · 前车约束 20% · 信号状态 15%
不依赖人工穷举的规则库去覆盖复杂世界；但安全边界继承自既有信号／联锁体系与形式化规范， 并被蒸馏为可验证约束。
推演未来 · 生成最优策略 · 输出牵引/制动/速度曲线
冲突进路不可同时成立
信号显示与间隔保护
速度曲线与制动距离约束
站台/道岔/区段状态感知
既有控制策略库与退化模式
Safety Bag / 安全壳机制
轨交功能安全面向 CENELEC RAMS 框架，每一步接管都必须有可审计的证据支撑。
历史全量日志回放、极端工况回放验证
在线对齐（不干预）— 模型建议 vs 实际输出的实时 Δ 监控
规则/形式化约束监控 — 时距、限速、进路冲突等违例检测
场景覆盖、分布漂移、长尾风险 — 每月增量覆盖报告
Safety Case 证据包 — 面向 EN 50129 等安全评估
从"只看"到"接手"——每一级都需要对应等级的证据链支撑。
这条路线必须保持可理解、可审计、可回退。
只采集、只回放。世界模型旁听既有系统的全部控制决策与物理状态，不输出任何建议。
给出建议策略（不进控制链路）。双屏对照：模型建议 vs 实际输出，积累一致性证据。
在特定场景/退化场景下提供辅助决策（如传感器失效时的冗余感知）。安全壳全程监护，人类可随时接管。
在安全壳约束内接管局部子功能（如能耗优化、准点优化）。联锁/信号等核心安全逻辑仍由安全边界层强制保障。
在证据链完善后实现闭环控制。全量安全不变式经形式化验证，联锁/信号安全策略已被模型内化为可验证约束。
宏观追求全局最优，微观实现精准控制。云端大脑基于全局视角进行预测式调度，车端具身智能在毫秒间完成自主决策与执行。
连接物理感官与数字想象。车端捕捉的每一个场景，都在云端世界模型中被生成为亿万次“行驶训练”，反哺并更新车端策略。
打破传统仿真的界限。系统基于单目视觉实时生成与物理规律一致的平行空间（右屏）。智能体在这个虚拟世界中提前推演未来路况与调度策略。