中經記者 陳燕南 北京報道

“當前自動駕駛系統的實際發展明顯滯后于預期，面臨的難題仍有很多。雖然不斷增加傳感器數量和數據規模，但在面對極端復雜場景時，受限于‘黑盒模型’的不可解釋性與泛化能力不足，系統安全性難以保障，難以突破L3向L4、L5發展的瓶頸。”7月15日，《中國經營報》記者獲悉，清華大學車輛與運載學院院長、教授王建強在“2025新能源智能汽車新質發展論壇”上分享了關于智能汽車安全技術發展現狀與趨勢方面的思考。

當前，智能汽車的安全問題成為關注的重點，而傳統的“數據喂養”已經遠遠不能滿足復雜的場景需求。王建強認為，面對復雜、泛化與未知等高風險交通情境，傳統自動駕駛系統易陷入安全瓶頸。所以在他看來，為實現高等級自動駕駛落地，需要構建“自主學習+先驗知識”的新范式：一方面利用大模型增強環境理解和推理能力，實現自主“智能涌現”；另一方面引入人類知識學習與反饋機制，提升系統在長尾場景下的安全與泛化表現。

王建強表示，總體趨勢是回歸以人為中心的技術理念，聚焦“認知人、學習人、超越人”的系統能力構建，推動從功能智能走向認知智能的根本轉變。

數據和規則驅動路線存在局限性

目前智能汽車安全是國家發展的重大需求，而我國的道路交通場景復雜、事故頻發，形勢尤為嚴峻，提升道路交通安全已成為國家日益迫切的重大需求，而智能汽車技術是解決交通安全的關鍵核心手段，交通安全也是智能汽車發展的永恒主題。

“智能汽車技術已成為突破駕駛人局限性的主要手段，我們在駕駛輔助階段可以采取針對某一危險場景進行報警或自動接管的方式為駕駛人提供安全輔助，在高級別自動駕駛方面，我們可以以典型的場景數據庫訓練開發算法來實現自動控制，從而實現高級自動駕駛功能。”王建強表示。

“在發展過程中，低等級智能汽車已有很高的市場滲透率，已經進行了大規模的產業應用，但在邁向高等級自動駕駛的過程中，在復雜的長尾場景下，智能汽車事故時有發生，可以說智能汽車的安全技術仍存在諸多難題需要突破。”他強調。

但值得關注的是，即使技術不斷演進，交通事故仍將長期存在。王建強表示，原因在于系統中仍存在諸多不可控因素，如車輛故障、復雜環境擾動等。為應對這一挑戰，完整的“感知—認知—決策”關鍵技術體系，能實現對復雜動態場景的快速感知、準確判斷與高效響應，從而為智能汽車提供安全保障。

“當前智能汽車在處理突發、復雜、多變場景時，仍存在技術局限，難以實現準確感知、認知和安全決策。”王建強表示，“在感知、認知、決策的全鏈路中，任何一環出現偏差，都可能導致風險升級甚至事故發生。”

據介紹，在智能汽車發展的早期，規則驅動是一種主流技術路線，其具備結構清晰、易于實現和可解釋性強等優勢，適用于已知、結構化場景。然而，該方法高度依賴預設規則，適應場景有限，開放場景難以窮舉，難以滿足L4級及以上自動駕駛對泛化與自主演化的要求。

王建強表示，數據驅動是當前主流自動駕駛路線之一，但同時也存在明顯短板：一是決策過程呈“黑箱”狀態，缺乏可解釋性；二是嚴重依賴訓練數據分布，泛化能力有限；三是神經網絡模型參數龐大，推理速度慢，難以滿足實時性要求。因此，在極端場景數據稀缺與模型黑盒屬性的雙重制約下，數據驅動路線在安全保障上仍面臨較大挑戰，尚難支撐L4+級別自動駕駛的落地。

他進一步表示，當前，規則驅動強調可觀測與可解釋，屬于“白盒系統”，但策略固定，難以適應復雜環境；數據驅動具備一定智能性，能夠通過深度學習進行場景泛化，但其“黑箱屬性”導致決策過程不透明，難以保障關鍵時刻的安全可靠性。面對真實復雜交通場景，這兩種路線都面臨兩大關鍵問題：首先，如何賦予規則系統以學習能力，提升其適應性？其次，如何讓數據驅動系統“去黑箱化”，增強其可解釋性與可控性？

認知驅動或可破解難題

那么該如何破解上述問題呢？對此，王建強認為，面對長尾場景，單靠數據驅動遠遠不夠。“事實上，人類在學車過程中并不依賴大量駕駛數據，而是基于日常生活中形成的知識、經驗與常識進行判斷和決策。這啟發我們：要破解‘長尾問題’，需要像人類一樣學習，引入認知驅動的新路線，將知識與數據融合，構建更具推理能力和泛化能力的智能系統。”他表示。

為突破規則系統“僵化”、數據系統“黑箱”的困境，王建強提出第三條技術路線：認知驅動。

它以人腦認知機制為啟發，融合規則驅動的可解釋性與數據驅動的學習能力。這種路線一方面讓規則驅動的系統具備進化能力，適應更多場景；另一方面推動模糊系統“去黑箱化”，變成確定系統，實現過程透明、結果可信。

那么認知驅動的關鍵在哪兒？對此，王建強表示，通過對人、車、路系統的深層理解，構建對要素特性、相互作用與運行規律的準確建模與數字表達。它不僅繼承了規則驅動的可解釋性，也具備數據驅動的適應性，但更強調“理解機制”本身。認知驅動旨在推動智能駕駛系統真正具備泛化、演化和可靠決策能力。

據了解，認知驅動的完整的技術架構，主要涵蓋感知、認知和決策三大環節。“在感知層，我們融合規則驅動的物理狀態估計和數據驅動的語義理解，實現多維環境的狀態融合。在認知層，通過統一評估與交互建模，構建多源信息下的風險趨勢判斷和行為語義理解。而在決策層，我們融合行為決策與軌跡規劃，同時引入大語言模型的反饋推理，支持類人自適應決策生成。最終，通過三層融合與測試驗證閉環，構建起認知型自動駕駛系統。”王建強表示。

具體而言，第一個層面，“規則+數據”融合驅動的環境感知與估計。通過規則驅動路徑，獲取物理屬性清晰的環境目標。第二個層面，“規則+數據”融合驅動的風險認知與預測，用“統一場”表達復雜交通物理世界，通過規則建模和數據學習結合，識別并預測人-車-路行為的動態演化規律。第三個層面，“知識+數據”融合驅動的自適應安全決策，結合人類直覺推理與大模型實時理解能力，實現復雜、未知、長尾場景下更高效安全的自動駕駛。

“在實際交通中的復雜與未知場景，傳統規則驅動方法往往無能為力，數據驅動方法則在未知場景存在顯著不確定性。而認知驅動創新路線可以實現任意場景下的即時判定，通過構建統一風險模型，實現系統可觀、可測、可判，決策邏輯一致性與全場景覆蓋能力。”王建強表示。

他總結道：“通過知識驅動路徑，引入駕駛經驗、場景構建和知識圖譜，實現直覺推理；再通過大模型感知與推理能力，實現對動態場景的實時理解與目標識別。兩者結合，系統不僅能應對常規駕駛任務，還具備應對泛化場景的適應能力。”

“聰明車”必須是“安全車”

那么技術演進的趨勢和未來展望是什么呢？

對此，王建強介紹，在發展路線上，1.0以規則驅動為主，依賴明確規則響應，穩定性高但靈活性差，難以應對復雜交通場景；2.0以數據驅動為主，依靠大規模數據訓練模型，具備一定自主能力，但可解釋性差、安全性難以保障；3.0為以認知驅動的技術路線。融合規則與數據，引入人類認知推理、知識圖譜與大模型理解能力，提升系統在未知與長尾場景下的泛化性與安全性。

他表示，整體來看，自動駕駛正從規則驅動與數據驅動向認知驅動演進，未來將構建具備“認知、推理與持續學習”的智能駕駛系統。

面向未來，王建強認為，“三縱三橫”式技術架構為智能汽車演進提供系統化路徑。縱向包括車輛關鍵技術（如環境感知、風險認知、決策控制）、信息先進技術（如人工智能、數據平臺、信息安全）和基礎支撐技術（如高精地圖、標準法規、測試驗證），構成核心功能支撐體系。橫向則依托車載終端平臺、交通設施平臺和信息安全平臺三大基礎，分別強化車端智能、車路協同與系統可信保障。“三縱三橫”式技術架構將共同支撐智能汽車的規模化、規范化和可持續演進。

他強調，“聰明車”必須是“安全車”，因此智能汽車安全需通過“類腦認知架構”實現向人類駕駛認知模式的躍遷。

（編輯：張碩審核：童海華校對：張國剛）