NIO ha annunciato che il 25 novembre presenterà ufficialmente NWM 3.0, la nuova evoluzione del suo world model dedicato alla guida assistita intelligente, durante l’evento NIO IN 2026 Innovation Technology Day.
L’azienda anticipa miglioramenti in tre aree chiave: architettura del modello, addestramento a ciclo chiuso e fusione tra domini diversi. Sono indicazioni ancora generali, ma bastano a chiarire il focus del lancio: non un semplice aggiornamento software.

NWM à il nuovo tassello della strategia AI di NIO
Con NWM 3.0, NIO punta a mostrare i risultati più recenti del proprio team di guida assistita sul fronte dell’intelligenza artificiale applicata al mondo reale. Il riferimento all’addestramento a ciclo chiuso lascia intendere un sistema capace di migliorare continuamente attraverso raccolta dati, simulazione, verifica e aggiornamento del modello.
Per chi segue il settore automotive tech, questo annuncio è interessante perché i world model stanno diventando uno degli strumenti più promettenti per rendere i sistemi di assistenza più robusti nelle situazioni complesse. In pratica, l’obiettivo non è soltanto riconoscere ciò che i sensori vedono, ma anche interpretare il contesto, immaginare l’evoluzione della scena e preparare una traiettoria coerente.
Da NWM presentato nel 2024 a una piattaforma più matura per la guida assistita
NIO aveva introdotto il suo primo NWM nel luglio 2024, presentandolo come il primo world model del settore per la guida assistita intelligente. La base concettuale era quella di un modello generativo autoregressivo multimodale, progettato per comprendere grandi volumi di dati, ragionare su sequenze temporali lunghe e supportare il processo decisionale fino all’output della traiettoria di guida.
Uno dei punti più rilevanti del progetto è il modo in cui il sistema affronta lo spazio e il tempo. Sul piano spaziale, il modello ricostruisce gli input dei sensori con un approccio generativo per estrarre informazioni in modo più generale rispetto a un’architettura end-to-end tradizionale.
Altro elemento da tenere d’occhio è l’uso dell’apprendimento autosupervisionato, che riduce la dipendenza dall’etichettatura manuale dei dati. È un dettaglio tecnico importante perché può incidere direttamente sulla scalabilità del sistema: più dati utilizzabili, meno lavoro manuale e margini migliori per addestrare modelli più capaci.




