清华大学教授王建强谈智能汽车：“聪明车”必须是“安全车”

　　王建强谈到，数据驱动是当前主流自动驾驶路线之一，具备自主学习能力、模块集成性强，并具备一定的场景泛化能力。但同时也存在明显短板：一是决策过程呈“黑箱”状态，缺乏可解释性；二是严重依赖训练数据分布，泛化能力有限；三是神经网络模型参数庞大，推理速度慢，难以满足实时性要求。因此，他指出，在极端场景数据稀缺与模型黑盒属性的双重制约下，数据驱动路线在安全保障上仍面临较大挑战，尚难支撑L4+级别自动驾驶的落地。

　　王建强表示，面对长尾场景，单靠数据驱动远远不够。事实上，人类在学车过程中并不依赖大量驾驶数据，而是基于日常生活中形成的知识、经验与常识进行判断和决策。因此，他提到，要破解“长尾问题”，需要像人类一样学习，引入认知驱动的新路线，将知识与数据融合，构建更具推理能力和泛化能力的智能系统。

　　为突破规则系统“僵化”、数据系统“黑箱”的困境，王建强表提出了第三条技术路线：认知驱动。他解释道，“它以人脑认知机制为启发，融合规则驱动的可解释性与数据驱动的学习能力，这种路线一方面让规则驱动的系统具备进化能力，适应更多场景；另一方面推动模糊系统“去黑箱化”，变成确定系统，实现过程透明、结果可信。”

　　他强调，认知驱动的关键在于：通过对人、车、路系统的深层理解，构建对要素特性、相互作用与运行规律的准确建模与数字表达。它不仅继承了规则驱动的可解释性，也具备数据驱动的适应性，但更强调“理解机制”本身。认知驱动旨在推动智能驾驶系统真正具备泛化、演化和可靠决策能力。

　　王建强表示，当前自动驾驶系统的实际发展明显滞后于预期，面临的难题仍有很多。为实现高等级自动驾驶落地，需要构建“自主学习 + 先验知识”的新范式。总体趋势是回归以人为中心的技术理念，聚焦“认知人、学习人、超越人”的系统能力构建，推动从功能智能走向认知智能的根本转变。

　　面向未来，“三纵三横”式技术架构为智能汽车演进提供系统化路径。具体来说，他指出，纵向包括车辆关键技术（如环境感知、风险认知、决策控制）、信息先进技术（如人工智能、数据平台、信息安全）和基础支撑技术（如高精地图、标准法规、测试验证），构成核心功能支撑体系。横向则依托车载终端平台、交通设施平台和信息安全平台三大基础，分别强化车端智能、车路协同与系统可信保障。“三纵三横”式技术架构将共同支撑智能汽车的规模化、规范化和可持续演进。

　　面对复杂、泛化与未知等高风险交通情境，王建强认为：“聪明车”必须是“安全车”，因此智能汽车安全需通过“类脑认知架构”实现向人类驾驶认知模式的跃迁。最终目标是：提升AV的自学习、自反思、自适应能力，构建一个具备人类类脑推理特征、安全可验证的高等级智能驾驶系统。