50年前已有純視覺方案，智駕瓶頸不在攝像頭技術

如今，但凡是個新車發布會，“自動駕駛”、“純視覺感知”、“算力天花板”這些高大上的詞匯簡直滿天飛。銷售人員會信誓旦旦地告訴你，現在的汽車已經長了“眼睛”，不需要人管了。

但是，面對馬路上頻發的智駕失控事故，我們不禁要打一個巨大的問號：這套被包裝得極具未來感的“智能駕駛方案”，真的有那么神奇嗎？

其實，只要撕開營銷的華麗包裝，去深挖底層的技術歷史就會發現一個驚人的事實：真正限制汽車變成“老司機”的，從來都不是那幾顆外表炫酷的高清攝像頭；而很多車企引以為傲的“視覺感知”技術，其核心底層邏輯甚至在半個世紀前就已經成型了……

很多人以為自動駕駛是近幾年才有的高科技，其實不然。早在1939年的紐約世博會上，通用汽車就展出過通過無線電波引導的自動駕駛概念。但這更像是個大號的“遙控玩具車”，本質上是人在后臺遙控。到了1960年，斯坦福大學也搗鼓出了“斯坦福車”，但距離真正的自動駕駛依然遙遠。

真正的歷史轉折點，發生在1977年的日本。

在日本機械技術研究所的實驗室里，誕生了一臺極其接近現代自動駕駛定義的汽車。這臺50年前的“老古董”，沒有裝備任何雷達，而是使用了兩臺攝像機作為汽車的“眼睛”。它的核心原理非常巧妙，利用了類似人類雙眼的“雙目視差原理”。

這其實很好理解：你現在豎起一根手指放在臉前，交替閉上左眼和右眼，你會發現手指在背景中的位置好像左右移動了。人腦就是通過對比左右眼這兩幅畫面的差異，來計算出物體距離我們的遠近；差異越大離得越近，差異越小離得越遠。

1977年的這臺車，就是利用這種方式，在沒有雷達的情況下完成了收集前方路面信息的任務。

但問題來了，1977年的計算機芯片算力弱得可憐，根本無法像人腦一樣處理復雜的圖像信息。于是，當時的科研人員想出了一個極其聰明卻又死板的辦法：視頻信號二值化。

簡單來說，就是把攝像機拍到的復雜畫面，根據亮度強制過濾成“黑白兩色”。工程師設定了一個死規矩：黑色的部分就是能讓車子開的道路，白色的部分就是不能開的禁區。

系統只遵循最簡單的邏輯：看見黑就走，看見白就停。

聽到這里你可能會笑出聲，覺得這太粗糙了。但令人遺憾的是，直到今天，市面上絕大多數車企的輔助駕駛系統，其底層的運作邏輯依然沒有完全擺脫這種“背誦規則、執行規則”的老套路。

今天的汽車確實能識別出車輛和車道線，但它的核心依然是一個“規則執行器”。比如，攝像頭看到前方有障礙物，系統不會直接停車，而是去匹配規則：檢查旁邊有沒有車？檢查地上是不是虛線？如果都滿足，就變道繞開；如果有一個不滿足，就立刻停車或退出智駕。

既然是基于規則，那么這套系統就存在一個致命的軟肋：現實世界是極其復雜且充滿偶然性的，人類天生就是會“破壞規則”的物種。

我們來看一個極其生活化的場景。假設自動駕駛系統的規則庫里寫得清清楚楚：“只要攝像頭識別到紅色的‘停車（STOP）’標識牌，就必須立刻踩死剎車。”

但如果今天路邊走過一個剛從超市買完東西的大姐，她手里正好拿著一個準備帶回家掛在墻上當裝飾的“停車”標識牌呢？

作為人類老司機，我們只要瞥一眼這位大姐的動作和周圍的環境，就能輕易判斷出這根本不是交通信號，一腳油門就開過去了。但對于死板的規則匹配器來說，這簡直就是一場災難：規則告訴我看到牌子就要停，那我就必須在大馬路中央猛踩一腳急剎車！

這就是業內常說的“邊緣場景”。這些超出常規邏輯的突發狀況，往往極其致命。

為了解決系統“感知不準”和“規則死板”的問題，目前很多無人駕駛出租車（比如蘿卜快跑）背后，依然坐鎮著一個個遠程的安全員。遇到系統處理不了的奇葩情況，人類安全員就立刻遠程接管。

為什么投入百億研發的智能系統，在關鍵時刻還是得靠人類兜底？答案極其簡單：因為人是活的，人的大腦具備強大的“推理和常識補全能力”。

舉個不恰當但很直觀的例子。人類在開車時，如果看到路邊滾出來一個皮球，我們會立刻下意識地減速備剎車。因為我們的常識告訴我們：皮球后面，極有可能跟著一個追球的小孩。

但基于規則的智駕系統不懂這個常識，在它的眼里，皮球就是一個質量很輕、撞上去也無妨的低危險度障礙物。

更何況，中國城市里的交通規則簡直是多如牛毛。以杭州為例，有的公交專用道在非高峰期允許私家車借道，有的卻絕對不行；有的車道早上是由東向西，到了晚上就變成了由西向東的“潮汐車道”；有的斑馬線紅綠燈只在特定時間段亮起，不亮時又要遵循“禮讓行人”的規則。

全國那么多城市，那么多奇葩的特例，如果全靠工程師坐在辦公室里一行一行地去添加“If-Then（如果-那么）”的規則，把程序員累到脫發也寫不完。

既然“窮舉規則”這條路已經走進了死胡同，那么到底什么才是自動駕駛的終極出路？能不能讓車子變得和人類一樣，會自己思考、自己觀察、自己理解復雜的路況呢？

為了徹底解決規則匹配帶來的種種隱患，如今最前沿的汽車廠商紛紛拋出了一個革命性的技術——“端到端”（End-to-End）模型。

很多消費者一聽到這種抽象的專業詞匯就頭大。其實說句人話：“端到端”的終極目標，就是徹底拋棄那些死板的規則，利用類似于ChatGPT那樣的大模型技術，讓汽車自己在海量的真實駕駛案例中去“找規律”。

在過去的模式下，攝像頭看到東西，要先識別，再判斷，最后去規則庫里翻找對應的處理辦法。而在“端到端”的邏輯下，一切變得簡單粗暴：攝像頭看到復雜的路況（輸入端），不需要一步步去匹配規則，而是憑借大模型學到的直覺，直接輸出踩剎車還是打方向盤的動作（輸出端）。

這就像是教人學游泳。傳統的規則方案，是給學徒發一本《流體力學與人體工程學》，讓他背誦入水角度和劃水頻率；而“端到端”方案，是直接把他扔進水池里，讓他看幾萬個專業游泳運動員的動作視頻，自己去領悟。

在“端到端”的加持下，工程師不需要再去手動編寫應對每一個奇葩場景的應對方案。當系統遇到前所未見的奇怪反光、造型詭異的改裝車時，它會像人類一樣去推理，而不是死板地報錯退出。這種架構在邏輯上，才真正接近了真實人類的開車方式。