拆解白盒邏輯

編者按

智能汽車產(chǎn)業(yè)滾滾向前，在這摧枯拉朽的關(guān)鍵變革期，不斷涌現(xiàn)技術(shù)的交鋒。《TechLab》科技實(shí)驗(yàn)室，將聚焦智能汽車產(chǎn)業(yè)重磅的科技創(chuàng)新，我們會(huì)深層次解析背后創(chuàng)新的原理，試圖撥開云霧，看到智能汽車下一個(gè)十年。

作者｜秦章勇

如果總結(jié)2025年最火熱的詞，莫過于AI，一年的時(shí)間，各行各業(yè)仿佛都經(jīng)過了AI的洗禮，具身智能就是AI涌現(xiàn)的集大成，生產(chǎn)制造則用AI提質(zhì)增速，打工人經(jīng)常用AI軟件做PPT、寫資料以及做海報(bào)，善男信女們也用AI算命。

我們習(xí)慣了用AI給出答案和結(jié)果，并堅(jiān)信比我們?nèi)祟愑?jì)算的更精準(zhǔn)，事實(shí)真是這樣嗎？

當(dāng)企業(yè)進(jìn)入AI應(yīng)用深水區(qū)，更具象的問題就會(huì)逐漸凸顯出來，比如AI并不像想象中的那么容易落地，再有就是AI的輸出結(jié)果差強(qiáng)人意，難以完全獲得我們信任，對(duì)于自動(dòng)駕駛行業(yè)來說，AI的一個(gè)差錯(cuò)，就可能釀成大禍。

歸根到底，在于AI大模型先天具有“黑盒”特性，輸出的結(jié)果很難保證完全正確。

最近科技博主小Lin和北京通用人工智能研究院院長(zhǎng)朱松純有一場(chǎng)對(duì)談，就涉及到這個(gè)核心問題——為什么AI難落地？

這個(gè)問題延展到到自動(dòng)駕駛，怎么讓決策的邏輯“安全、可解釋”，也成為車企的頭等大事，車企和智駕企業(yè)逐漸演化出了VLM、世界模型等多條技術(shù)路線。

作為百年豪華車企，奔馳在處理這種問題就顯得輕車熟路，因?yàn)橛邪踩@條絕對(duì)底線，奔馳嘗試把AI的黑箱變成“白盒”，自動(dòng)駕駛的邏輯則是更安全、更負(fù)責(zé)、更守規(guī)矩。

01

AI大模型的邊界

和規(guī)則算法相比，AI系統(tǒng)可以通過數(shù)據(jù)訓(xùn)練自動(dòng)學(xué)習(xí)并適應(yīng)新情況，無需顯式編程，這讓其更靈活且泛化能力更強(qiáng)，也是為什么AI大模型被稱為第四次工業(yè)革命的核心。

但成敗皆因此，不同于規(guī)則的強(qiáng)因果指導(dǎo)，很長(zhǎng)一段時(shí)間，我們都不能理解AI是怎么做出決策和輸出的。

在這里我們先簡(jiǎn)單熟悉一下，AI運(yùn)轉(zhuǎn)的基本原理。

作為一種大模型，AI做出決策時(shí)并不會(huì)像我們?nèi)祟愐粯?，?duì)一個(gè)圖片、一句話或者一段文字整個(gè)做出理解，而且先將輸入的這些數(shù)據(jù)轉(zhuǎn)換為更小的單元，也就是Token（詞元），這些Token是模型處理和生成內(nèi)容的基本單元。

隨后AI會(huì)在自己模型的內(nèi)部結(jié)構(gòu)中，根據(jù)輸入的Token來預(yù)測(cè)下一個(gè)Token，再把預(yù)測(cè)出來的Token轉(zhuǎn)化成輸出的結(jié)果。

開發(fā)人員可以決定算法和數(shù)據(jù)，投喂給AI大模型之后得到結(jié)果，至于中間的過程——AI是怎么推導(dǎo)結(jié)果的，就成為詭秘的“黑盒”。由于大模型的這種向量表達(dá)，讓其具有天然的不可解釋性。

所以關(guān)于AI有個(gè)形象的比喻——訓(xùn)練大模型，就是科技界的現(xiàn)代煉丹術(shù)。

決策過程不透明，就會(huì)影響信任度，尤其是深度學(xué)習(xí)模型，依賴龐大的參數(shù)“煉丹”，但最終得出的結(jié)果往往差強(qiáng)人意，這種問題在法律或金融等高風(fēng)險(xiǎn)領(lǐng)域應(yīng)用時(shí)，更容易凸顯出來。如果數(shù)據(jù)過于復(fù)雜且隨機(jī)，還容易出現(xiàn)大模型幻覺。

具體到自動(dòng)駕駛，就是安全性堪憂，車輛在自動(dòng)駕駛狀態(tài)下，有可能出現(xiàn)識(shí)別誤判，系統(tǒng)如果錯(cuò)誤地把廣告牌識(shí)別為停止標(biāo)志并緊急剎車時(shí)，就很難追溯是哪個(gè)特征觸發(fā)了錯(cuò)誤判斷。

除了黑盒的不可解釋性，AI大模型需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，這也涉及到了大模型的能力邊界問題——嚴(yán)重依賴數(shù)據(jù)質(zhì)量。

這就比較容易理解了，大模型需要大量的數(shù)據(jù)訓(xùn)練，這些數(shù)據(jù)的完整性和準(zhǔn)確性，直接決定了大模型的可靠性。而大模型預(yù)訓(xùn)練的核心原則是Scaling Law（規(guī)模化法則），也就是說，只要使用更多數(shù)據(jù)訓(xùn)練更大模型，就能得到更好的結(jié)果。過去很長(zhǎng)一段時(shí)間，都是Scaling Law指引著AI研究的方向。

但由于Scaling Law的數(shù)學(xué)關(guān)系遵循冪律分布，意味著模型的性能會(huì)隨規(guī)模擴(kuò)大，在解決問題時(shí)呈現(xiàn)邊際效益遞減特征。

很多大模型預(yù)訓(xùn)練初期會(huì)遵循大力出奇跡，數(shù)據(jù)量呈幾何式增長(zhǎng)，但到了后期，新增數(shù)據(jù)對(duì)提升性能的邊際效益降低，導(dǎo)致?lián)p失函數(shù)下降速度減緩，這就出現(xiàn)了學(xué)習(xí)飽和?現(xiàn)象。

但在實(shí)際應(yīng)用時(shí)，就需要面對(duì)各種各樣復(fù)雜的場(chǎng)景，我們永遠(yuǎn)無法把所有黑天鵝事件都放到大模型去訓(xùn)練。

這也是自動(dòng)駕駛行業(yè)常說的長(zhǎng)尾場(chǎng)景，在交通中發(fā)生頻率比較低但種類非常多的情況，比如極端天氣、異形物體識(shí)別以及人類行為不可預(yù)測(cè)性等，都很難通過現(xiàn)實(shí)數(shù)據(jù)充分訓(xùn)練。

面對(duì)大模型這些天生的缺陷，車企又該如何用好它？

02

以安全為底線的白盒邏輯

2023年12月，奔馳拿到北京L3級(jí)高速公路測(cè)試資格，2024年8月，又獲得L4級(jí)的測(cè)試資格，這讓奔馳成為第一家獲得北京指定城市道路和L4級(jí)自動(dòng)駕駛測(cè)試批準(zhǔn)的國(guó)際汽車制造商。更早的2021年，奔馳就已經(jīng)在德國(guó)拿到政府批準(zhǔn)的L3級(jí)商用自動(dòng)駕駛系統(tǒng)。

在事故責(zé)任難以厘清的背景下，奔馳之所以能狂飆突進(jìn)，一個(gè)很大的原因在于，奔馳可以在AI黑盒不可解釋性中，增加了法律層面的“可解釋性”。

面對(duì)自動(dòng)駕駛，奔馳一貫的策略是“以人為本”，也就是安全永遠(yuǎn)都是第一位，基于此，奔馳對(duì)自動(dòng)駕駛進(jìn)行了多重安全冗余以及制約。

首先就是我們都能看到的物理冗余，奔馳在制動(dòng)系統(tǒng)、轉(zhuǎn)向系統(tǒng)甚至車載電網(wǎng)等方面采用了?冗余備份架構(gòu)?。比如奔馳的轉(zhuǎn)向控制，就用了雙回路架構(gòu)，配合制動(dòng)與供電系統(tǒng)的冗余備份，即使某一模塊故障，冗余系統(tǒng)仍能確保車輛可控，這也讓奔馳的“失效概率”可以壓縮至業(yè)內(nèi)最低。

再有就是奔馳強(qiáng)大的安全系統(tǒng)，在奔馳的軟件架構(gòu)中叫做安全力場(chǎng)SFF。

安全力場(chǎng)的全稱是自動(dòng)駕駛安全防護(hù)場(chǎng)（Safety Force Field ），最早由英偉達(dá)提出，該框架是用數(shù)學(xué)驗(yàn)證的計(jì)算模型保障自動(dòng)駕駛安全，工作的邏輯是通過實(shí)時(shí)攝入傳感器數(shù)據(jù)，分析并預(yù)測(cè)環(huán)境動(dòng)態(tài)，輸出相應(yīng)動(dòng)作，從而避免車輛碰撞，不引發(fā)危險(xiǎn)場(chǎng)景。

如果說物理冗余是給車輛加了一層保險(xiǎn)，那么安全力場(chǎng)SFF，則是用來約束、規(guī)范AI大模型的防護(hù)網(wǎng)。

我們都知道，AI容易出現(xiàn)幻覺或者面對(duì)長(zhǎng)尾場(chǎng)景比較被動(dòng)，比如車輛在面對(duì)一個(gè)不規(guī)則物體時(shí)，AI可能會(huì)認(rèn)為是一個(gè)塑料袋，車輛可以直接加速穿過去。

這個(gè)時(shí)候，奔馳的安全力場(chǎng)就會(huì)介入，通過激光雷達(dá)傳來的物理數(shù)據(jù)來進(jìn)行計(jì)算，判斷出前方有障礙物阻擋駕駛，意識(shí)到會(huì)對(duì)安全產(chǎn)生威脅，如果不剎車將會(huì)產(chǎn)生碰撞，所以車輛會(huì)終止AI大模型給出的加速指令，發(fā)揮AEB的功能，果斷剎車。

我們可以看到，以安全為前提的背景下，奔馳會(huì)利用系統(tǒng)2的物理規(guī)則，去約束系統(tǒng)1的直覺大模型，提前抹除交通隱患。

除了有安全力場(chǎng)用來確定性兜底，奔馳在數(shù)據(jù)方面也可以解釋合理性。

2024年1月，奔馳就申請(qǐng)了一項(xiàng)名為“用于存儲(chǔ)車輛數(shù)據(jù)的方法和系統(tǒng)，車輛和計(jì)算機(jī)程序產(chǎn)品”的專利，這是一種用于存儲(chǔ)車輛數(shù)據(jù)的方法，可以監(jiān)測(cè)事件記錄的觸發(fā)條件，并基于與所述觸發(fā)條件關(guān)聯(lián)的信號(hào)判斷觸發(fā)條件是否滿足等。

如今奔馳已有一套完整的自動(dòng)駕駛數(shù)據(jù)存儲(chǔ)系統(tǒng)（DSSAD），不僅可以記錄車輛的行駛軌跡，還可以記錄決策的邏輯，可以判斷是否是傳感器遮擋， 亦或者定位丟失等等。憑借這套記錄的數(shù)據(jù)，就可以重構(gòu)決策的過程，也具備了法律層面的“可解釋性”。

03

建立信任的三部曲

奔馳為AI做多道防線的背后，是AI和人類社會(huì)脆弱的信任關(guān)系，這也是AI Agent落地難的癥結(jié)。

人與人之間建立信任，是一種直覺的反應(yīng)，這種直覺可以通過行為判斷來善意，通過回應(yīng)確認(rèn)存在，也可以通過關(guān)系來衡量責(zé)任。但對(duì)于AI智能體來說，這個(gè)邏輯不在適用，因?yàn)槲覀儎?chuàng)造了比我們更難理解的物體。

這也有AI大模型本身局限性原因，Next Token Prediction（預(yù)測(cè)下一個(gè)詞/動(dòng)作）作為大模型的核心訓(xùn)練范式，每次預(yù)測(cè)都依賴于前序生成結(jié)果，這就導(dǎo)致早期小問題會(huì)在后續(xù)步驟中無限放大，而且大模型缺乏對(duì)全局語義或跨概念關(guān)系的理解能力。

這種局限性在需要多步規(guī)劃或復(fù)雜推理的長(zhǎng)尾任務(wù)中，就會(huì)徹底暴露出來。

針對(duì)人和AI如何建立信任，朱松純教授及其團(tuán)隊(duì)提出了CUV架構(gòu)，其中C代表認(rèn)知架構(gòu)，是智能體的控制中心，U是勢(shì)能函數(shù)集合，是智能體的技能庫(kù)。V則是價(jià)值函數(shù)集合，是管理智能體的價(jià)值觀、偏好和決策原則的系統(tǒng)。

在訓(xùn)練過程中，認(rèn)知架構(gòu)是衡量U和V的關(guān)鍵，按照認(rèn)知架構(gòu)，可以決定是否以效率（U）為先，還是以價(jià)值觀（V）為先。

對(duì)應(yīng)到汽車行業(yè)，目前很多自動(dòng)駕駛會(huì)非常激進(jìn)，比如搶黃燈、壓道變線，或者加塞等等，這些會(huì)被我們認(rèn)為是非常“老司機(jī)”。

不過對(duì)于奔馳來說，人和AI需要建立一個(gè)強(qiáng)信任的關(guān)系，也就是說奔馳會(huì)把“V”放大，一切行動(dòng)都應(yīng)該建立在安全的基礎(chǔ)上，比如尊重規(guī)則，絕對(duì)不會(huì)去搶黃燈，即便在沒有紅綠燈的斑馬線上，也會(huì)禮讓行人。

給AI劃定紅線后，奔馳的AI和人類相處起來，也會(huì)更融洽。

解決了信任問題，AI Agent的下一步就是需要理解人，成為人類的朋友。

在很多情況下，AI Agent更像是一個(gè)冰冷的機(jī)器，甚至有觀點(diǎn)認(rèn)為，AI不需要理解世界，也不會(huì)真正理解任何東西。

按照朱松純的觀點(diǎn)，讓AI Agent成為人類的朋友，需要給AI“立心”，除了上面所說的“V”之外，還需要讓AI擁有獨(dú)立心智，也就是“意圖理解”的能力。

奔馳也朝著這個(gè)方向努力，2025年9月，奔馳和字節(jié)跳動(dòng)宣布戰(zhàn)略合作全面升級(jí)，新車搭載的豆包大模型，讓奔馳虛擬助手反應(yīng)更快，同時(shí)擁有了短期記憶和上下文理解的能力。

當(dāng)系統(tǒng)的安全屬性到足以抹除一切隱患，AI能夠真正理解需求、滿足需求，信任就會(huì)水到渠成，AI Agent落地也不再有阻礙。

這或許就是奔馳在“安全至上”的造車?yán)砟钪?，想要達(dá)到的本質(zhì)目的。