拆解白盒邏輯

編者按

智能汽車產業滾滾向前，在這摧枯拉朽的關鍵變革期，不斷涌現技術的交鋒。《TechLab》科技實驗室，將聚焦智能汽車產業重磅的科技創新，我們會深層次解析背后創新的原理，試圖撥開云霧，看到智能汽車下一個十年。

作者｜秦章勇

如果總結2025年最火熱的詞，莫過于AI，一年的時間，各行各業仿佛都經過了AI的洗禮，具身智能就是AI涌現的集大成，生產制造則用AI提質增速，打工人經常用AI軟件做PPT、寫資料以及做海報，善男信女們也用AI算命。

我們習慣了用AI給出答案和結果，并堅信比我們人類計算的更精準，事實真是這樣嗎？

當企業進入AI應用深水區，更具象的問題就會逐漸凸顯出來，比如AI并不像想象中的那么容易落地，再有就是AI的輸出結果差強人意，難以完全獲得我們信任，對于自動駕駛行業來說，AI的一個差錯，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朱松純有一場對談，就涉及到這個核心問題——為什么AI難落地？

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

作為百年豪華車企，奔馳在處理這種問題就顯得輕車熟路，因為有安全這條絕對底線，奔馳嘗試把AI的黑箱變成“白盒”，自動駕駛的邏輯則是更安全、更負責、更守規矩。

01

AI大模型的邊界

和規則算法相比，AI系統可以通過數據訓練自動學習并適應新情況，無需顯式編程，這讓其更靈活且泛化能力更強，也是為什么AI大模型被稱為第四次工業革命的核心。

但成敗皆因此，不同于規則的強因果指導，很長一段時間，我們都不能理解AI是怎么做出決策和輸出的。

在這里我們先簡單熟悉一下，AI運轉的基本原理。

作為一種大模型，AI做出決策時并不會像我們人類一樣，對一個圖片、一句話或者一段文字整個做出理解，而且先將輸入的這些數據轉換為更小的單元，也就是Token（詞元），這些Token是模型處理和生成內容的基本單元。

隨后AI會在自己模型的內部結構中，根據輸入的Token來預測下一個Token，再把預測出來的Token轉化成輸出的結果。

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

所以關于AI有個形象的比喻——訓練大模型，就是科技界的現代煉丹術。

決策過程不透明，就會影響信任度，尤其是深度學習模型，依賴龐大的參數“煉丹”，但最終得出的結果往往差強人意，這種問題在法律或金融等高風險領域應用時，更容易凸顯出來。如果數據過于復雜且隨機，還容易出現大模型幻覺。

具體到自動駕駛，就是安全性堪憂，車輛在自動駕駛狀態下，有可能出現識別誤判，系統如果錯誤地把廣告牌識別為停止標志并緊急剎車時，就很難追溯是哪個特征觸發了錯誤判斷。

除了黑盒的不可解釋性，AI大模型需要大量數據進行訓練，這也涉及到了大模型的能力邊界問題——嚴重依賴數據質量。

這就比較容易理解了，大模型需要大量的數據訓練，這些數據的完整性和準確性，直接決定了大模型的可靠性。而大模型預訓練的核心原則是Scaling Law（規�；�法則），也就是說，只要使用更多數據訓練更大模型，就能得到更好的結果。過去很長一段時間，都是Scaling Law指引著AI研究的方向。

但由于Scaling Law的數學關系遵循冪律分布，意味著模型的性能會隨規模擴大，在解決問題時呈現邊際效益遞減特征。

很多大模型預訓練初期會遵循大力出奇跡，數據量呈幾何式增長，但到了后期，新增數據對提升性能的邊際效益降低，導致損失函數下降速度減緩，這就出現了學習飽和‌現象。

但在實際應用時，就需要面對各種各樣復雜的場景，我們永遠無法把所有黑天鵝事件都放到大模型去訓練。

這也是自動駕駛行業常說的長尾場景，在交通中發生頻率比較低但種類非常多的情況，比如極端天氣、異形物體識別以及人類行為不可預測性等，都很難通過現實數據充分訓練。

面對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級高速公路測試資格，2024年8月，又獲得L4級的測試資格，這讓奔馳成為第一家獲得北京指定城市道路和L4級自動駕駛測試批準的國際汽車制造商。更早的2021年，奔馳就已經在德國拿到政府批準的L3級商用自動駕駛系統。

在事故責任難以厘清的背景下，奔馳之所以能狂飆突進，一個很大的原因在于，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” 。

面對自動駕駛，奔馳一貫的策略是“以人為本”，也就是安全永遠都是第一位，基于此，奔馳對自動駕駛進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，奔馳在制動系統、轉向系統甚至車載電網等方面采用了‌冗余備份架構‌。比如奔馳的轉向控制，就用了雙回路架構，配合制動與供電系統的冗余備份，即使某一模塊故障，冗余系統仍能確保車輛可控，這也讓奔馳的“失效概率”可以壓縮至業內最低。

再有就是奔馳強大的安全系統，在奔馳的軟件架構中叫做安全力場SFF。

安全力場的全稱是自動駕駛安全防護場（Safety Force Field ），最早由英偉達提出，該框架是用數學驗證的計算模型保障自動駕駛安全，工作的邏輯是通過實時攝入傳感器數據，分析并預測環境動態，輸出相應動作，從而避免車輛碰撞，不引發危險場景。

如果說物理冗余是給車輛加了一層保險，那么安全力場SFF，則是用來約束、規范AI大模型的防護網。

我們都知道，AI容易出現幻覺或者面對長尾場景比較被動，比如車輛在面對一個不規則物體時，AI可能會認為是一個塑料袋，車輛可以直接加速穿過去。

這個時候，奔馳的安全力場就會介入，通過激光雷達傳來的物理數據來進行計算，判斷出前方有障礙物阻擋駕駛，意識到會對安全產生威脅，如果不剎車將會產生碰撞，所以車輛會終止AI大模型給出的加速指令，發揮AEB的功能，果斷剎車。

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

除了有安全力場用來確定性兜底，奔馳在數據方面也可以解釋合理性。

2024年1月，奔馳就申請了一項名為“用于存儲車輛數據的方法和系統，車輛和計算機程序產品”的專利，這是一種用于存儲車輛數據的方法，可以監測事件記錄的觸發條件，并基于與所述觸發條件關聯的信號判斷觸發條件是否滿足等。

如今奔馳已有一套完整的自動駕駛數據存儲系統（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。憑借這套記錄的數據，就可以重構決策的過程，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和人類社會脆弱的信任關系，這也是AI Agent落地難的癥結。

人與人之間建立信任，是一種直覺的反應，這種直覺可以通過行為判斷來善意，通過回應確認存在，也可以通過關系來衡量責任。但對于AI智能體來說，這個邏輯不在適用，因為我們創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（預測下一個詞/動作）作為大模型的核心訓練范式，每次預測都依賴于前序生成結果，這就導致早期小問題會在后續步驟中無限放大，而且大模型缺乏對全局語義或跨概念關系的理解能力。

這種局限性在需要多步規劃或復雜推理的長尾任務中，就會徹底暴露出來。

針對人和AI如何建立信任，朱松純教授及其團隊提出了CUV架構，其中C代表認知架構，是智能體的控制中心，U是勢能函數集合，是智能體的技能庫。V則是價值函數集合，是管理智能體的價值觀、偏好和決策原則的系統。

在訓練過程中，認知架構是衡量U和V的關鍵，按照認知架構，可以決定是否以效率（U）為先，還是以價值觀（V）為先。

對應到汽車行業，目前很多自動駕駛會非常激進，比如搶黃燈、壓道變線，或者加塞等等，這些會被我們認為是非常“老司機”。

不過對于奔馳來說，人和AI需要建立一個強信任的關系，也就是說奔馳會把“V”放大，一切行動都應該建立在安全的基礎上，比如尊重規則，絕對不會去搶黃燈，即便在沒有紅綠燈的斑馬線上，也會禮讓行人。

給AI劃定紅線后，奔馳的AI和人類相處起來，也會更融洽。

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更像是一個冰冷的機器，甚至有觀點認為，AI不需要理解世界，也不會真正理解任何東西。

按照朱松純的觀點，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擁有獨立心智，也就是“意圖理解”的能力。

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

當系統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”的造車理念中，想要達到的本質目的。

       原文標題 : 化解端到端“黑盒”，奔馳和AI建立信任的三部曲