会懂网AI资讯，9月29日，近日，三个湾区年轻人搭建了名为DrivingBench的评测基准，把通用大模型直接接入真车进行驾驶能力测试，GPT-6 Astra第二把以5分22秒开进锥桶车位，成为唯一过关者，Sol、Grok、Fable等模型全部栽在看不懂锥桶上，这一结果在业内引发了对自动驾驶技术路线的重新讨论。
具体来看，Astra并没有专门学过开车，依靠的是通用推理能力完成通关，这一点被认为可能意味着自动驾驶的数据护城河正在被抽干，过去行业默认自动驾驶需要海量真实路测数据与专门训练，而通用模型在零样本条件下的表现对这个前提构成了挑战。这反映出人工智能技术正在从单点突破走向系统级能力的构建，企业与应用侧对此高度关注。
从技术细节出发，看不懂锥桶是一个很具体的技术细节，锥桶在视觉上属于小目标且形状规则，但对没有驾驶语境的模型来说，识别它并理解其代表的禁行含义需要结合场景推理，这正是通用能力与专门训练之间的差距所在。在算力供给持续扩张与推理成本快速下行的背景下，这类进展对开发者和行业用户都意义重大。业内普遍认为，相关能力的成熟将直接拉动上下游生态的协同创新与商业落地速度。
在产业层面，5分22秒的成绩说明模型在控制层面的动作并不流畅，与人类熟练驾驶员相比仍有明显差距，但这并不妨碍它在任务完成度上通过考核，这也提示评测需要区分通过率与效率两个维度。从产业节奏看，头部厂商正把模型能力转化为可直接调用的服务，竞争焦点已转向工程化与可用性。对用户而言，此类更新意味着更低的使用门槛与更稳定的体验，智能助手的实用价值持续提升。
对开发者与企业用户而言，需要客观看待的是，一次评测的样本量有限，真车测试受天气、场地、车辆状态影响很大，单次成功不能直接推导出通用模型已经具备上路能力，尤其在长尾场景与安全冗余方面仍有大量验证工作要做。值得关注的是，开源与开放策略正在改变技术扩散的路径，中小团队也能借此快速构建应用。在监管与合规要求趋严的环境下，厂商在能力扩张的同时也更强调安全与可控。
展望后续，对自动驾驶行业而言，这一事件的真正意义在于提供了一个新的观察角度，即当通用多模态模型的空间理解与因果推理能力继续提升，专门系统的比较优势可能从感知与控制转移到安全保证与合规验证上，行业分工或许会被重新划分。相关进展将持续影响行业格局，值得长期跟踪。多方数据显示，AI 应用的渗透率仍在快速提升，真实场景的反馈正反过来推动模型迭代。
暂无评论内容