![]()
智能駕駛的規模效應,已有實驗證據
Waymo在2025年發佈研究,使用約50萬小時駕駛數據,訓練84組模型,對比數據、參數與算力的組合。結果顯示,規模擴大后,預測誤差呈冪律下降;更重要的是,改善還能傳導到閉環仿真,而不只是訓練成績變好。
開環像對着歷史行車錄像答題,模型做什麼都不會改變后續畫面。閉環則必須承擔決策的后果:一次剎車、轉向,都可能改變其他車輛的行為。真正的智能駕駛,重點要解決的是就這種連續互動。
智能駕駛與大模型,規律相同配方不同
同樣增加訓練資源,駕駛模型未必越大越好。
語言模型需要廣泛知識,駕駛系統則必須覆蓋不同道路、交通參與者和突發情況。現階段研究提示,對運動預測與規劃任務而言,高質量的場景覆蓋比單純堆參數更重要。
與
機器人相比,智能駕駛有數據優勢。車輛可以持續採集樣本,觀察其他車輛的軌跡也能用於訓練。但普通路況容易積累,危險、罕見的複雜場景難獲取。瓶頸仍可能在數據質量與學習方法。
智能駕駛正在走向世界模型
之后值得我們關注的是世界模型的進展。傳統系統重點回答「下一步怎麼開」,世界模型還要預測「這樣開之后,環境會怎麼變」,比較不同路線的后果。駕駛決策因此有機會從模仿動作,走向推演未來。
不過,車載模型不能無限膨脹。雲端可訓練複雜模型,再壓縮部署到車端;車端還要兼顧時延、功耗和安全。我更關心預測能否變成穩定決策,而不只是參數量達到多少。
智能駕駛最終要接受道路檢驗
仿真閉環有效,不代表真實道路通過驗證。判斷能力進步,不能只看訓練誤差,還要看人工接管、複雜場景處置和跨城市表現。尤其要注意,各家統計接管里程的口徑可能不同,不能簡單橫向比較。
在我看來,智能駕駛已找到值得驗證的規模化路徑,但距離L4級穩定運營仍有工程挑戰。模型學習、車端算力、系統冗余和安全驗證需要同步提升。最終決定體驗的,不是誰的參數更多,而是誰能可靠應對真實世界。
自動駕駛行業代表性企業
海外:Waymo(美國)、
Tesla(美國)、
Mobileye(以色列)、Wayve(英國)、Zoox(美國)、Aurora(美國)、Nuro(美國)、Motional(美國)
國內:文遠知行(廣州)、
百度Apollo(北京)、
小馬智行(廣州)、Momenta(蘇州)、元戎啟行(深圳)、輕舟智航(北京)、地平線(北京)、華為(深圳)、AutoX安途(深圳)、卓馭科技(深圳)