当前位置：

社区首页

汽车消费

汽车整车

文章详情

极端场景过了，就代表智驾"够强"了？

极端场景测试测的不是能力，是数据覆盖率。

暴雨、逆光、行人横穿、施工改道，四个条件叠在一起，智驾稳稳通过。台下掌声雷动，弹幕刷”太强了”。

但等一下，这个”强”是谁定义的？

1988年，机器人学家汉斯·莫拉维克发现一个反直觉的规律：让计算机下国际象棋很容易，但让它像一岁小孩那样感知世界却极难。高级认知任务对 AI 反而简单，基础感知反而难。→ 能力越高级的任务，规则越明确，AI 越容易学。

粗暴点说，AI 觉得下棋是小菜一碟，识别路边的塑料袋才是地狱难度。

映射到智驾：极端场景虽然复杂，但规则边界是相对清晰的，比如”暴雨中绕开障碍物通过路口”。而日常驾驶中的模糊场景才真正考验 AI，比如”对面司机在挥手是让我先走还是让我停下？”→ 边界越模糊，AI越容易犯蠢。

直白一点，工程师关心的”边界条件”（boundary condition），听着高大上，其实就是”这条规则管到哪条线为止”。极端场景的线画得很清楚，日常驾驶的线根本画不出来。

你以为的极端，在 AI 眼里未必真的极端。这，跟直觉完全反着来，对吧？

人类觉得难的事情，AI 可能觉得简单。人类觉得简单的事情，AI 反而觉得难。

这篇聊三个事：

“极端场景崇拜”怎么来的
方法论上为什么测不了通用能力
知道”不会做”比证明”会做”更重要

车企都在秀极端场景，图啥？

测极端场景就像只考选择题，考不出真理解。

打开任何一家车企的智驾发布会，核心demo几乎都是极端场景。你方唱罢我登场，一家比一家”极限”。

各家秀的东西都差不多：暴雨夜路、无保护左转、复杂路口穿行。评测机构也把”极端工况通过率”列为核心指标。

逻辑看起来很硬：极端场景是能力天花板，天花板够高说明地基扎实。很有道理对吧？但先别急着点头。

这个推理有一个致命的前提假设：通过极端场景的方式不重要，只看结果。就像考试得了高分，但不知道是”真会”还是”背过答案”。（是不是有点像上学时候那些平时成绩一般、期末突然满分的同学？PS）

行业其实在转向了。2026年多家评测机构的智驾评测体系已从单一”极端场景通过率”扩展到多维矩阵：功能场景覆盖度、系统鲁棒性、安全信任、成本效率。连评测机构自己都不再只用一个指标衡量能力了。

问题出在哪？

象棋大师的记忆力，和你想的不一样

专家的超能力只在熟悉的赛道上生效，换个赛道就是普通人。

认知心理学有个经典实验。（又是心理学，别走，这次真有意思）

给象棋大师和普通人看一个真实棋局5秒，然后让他们凭记忆复原。大师能记住几乎所有棋子的位置，普通人只能记四五个。

大师的记忆力碾压普通人，对吧？记住这个”看起来”。“看起来”是因为他只是在调数据库，通俗点讲，不是脑子好，是题做得多。

接下来研究者做了一个关键实验：把棋子随机摆放。

结果呢？大师的记忆力立刻掉到和普通人一模一样。说好的超强记忆力呢？

同样的视觉信息量，真实棋局大师碾压，随机棋盘大师消失。结论只有一个：

大师靠的不是”记性好”，而是”见过太多模式”。

这说明什么？大师的”超强记忆力”不是通用能力，而是领域锁定的模式识别（pattern recognition）。说白了，模式识别就是”见过太多类似的东西，一眼就能归类”。

他不是”记性好”，是”见过太多棋局模式，一眼就能匹配”。简单说，大师脑子里有个巨大的棋局数据库，看到真实棋局直接调取，看到随机排列，数据库帮不上忙，那就和普通人一样了。

有人做过一个元分析，综合了大量研究后得出结论：远迁移（far transfer）基本不存在。远迁移，听着很学术？说白了就是”在A领域练出来的能力，能不能搬到B领域去用”。

答案是：大概率不能。练棋不会让你数学更好，练钢琴不会让你记忆力更强，练工作记忆不会让你更聪明。（此处省略一万字关于”赢在起跑线”教育焦虑的吐槽）

映射到智驾：在已知极端场景上的表现是”模式匹配”，就像象棋大师在真实棋局上的记忆。这不是推理能力，是”我见过这种模式”的快速匹配。简单说就是”背答案”，而不是”会解题”。

换一套没背过的题，”能力”瞬间归零。

有个做端到端智驾的CEO说得直白：端到端模型”一旦遭遇训练数据未曾覆盖的盲区，模型往往缺乏举一反三的泛化能力”。翻译成人话：没见过的就不会，就这么简单？

端到端模型的参数量通常只有几千万到几亿，像一个做了大量驾考题的小学生。题库覆盖了就满分，没见过的题就懵了。而 VLA 模型（Vision-Language-Action，视觉语言行动模型）理论上更接近”真正理解交通规则”的司机，但车端算力目前还跑不满。这就意味着，”背答案”的阶段至少还得持续一阵子。

还有,研究发现，资深医生面对不典型症状时，反而比年轻医生更容易误诊。原因叫锚定效应（anchoring bias），就是大脑的模式匹配太快，一下就”锚”到一个已知疾病模板上，来不及管那些对不上的线索。嗯，老医生脑子里全是”套路”，碰到不像套路的病人，套路反而害了他。

经验越多，模式匹配越强，在分布外的错误越离谱。（PS：所以老司机可能比新手更容易在陌生城市迷路？好像有点道理）一旦跳出”经验圈”，专家比新手摔得更惨。

这不只是个别领域的问题，是关于”能力本质”的通用规律。专家在自己的领域里是无敌的，出了领域就是普通人。

高分≠高能，考试理论早说透了

分数稳定只说明会考试，不代表真有那个能力。

教育测量学有一个核心区分：信度（reliability）和效度（validity）。一个看”稳不稳”，一个看”准不准”。

信度是”结果稳定不稳定”。同一个场景反复测，系统每次都能通过，信度很高。就是”每次考的分数差不多”。

效度是”测的是不是想测的东西”。极端场景通过率这个指标，测的是”训练数据覆盖率”，不是”通用驾驶能力”。“考的是背功，不是脑子”。

雅思考试的信度系数常年0.85以上，分数很稳定。但教育学界从不认为雅思高分等于英语能力强，因为应试技巧可以大幅拉高分数。分数高只说明”会考试”，不说明”真会用”。

极端场景通过率就是智驾的”雅思分数”，高信度，低效度。记住这个类比，后面会用到。是不是觉得”高信度低效度”这种说法很绕？那就记住一句话：分数稳定，但测的东西不对。

2026年《国际人工智能安全报告》明确指出：”基准测试通常无法预测在现实世界的表现。”。原因是数据污染（data contamination），意思是模型在训练时已经”见过”测试题了。

这跟学生提前拿到考试答案一个道理。分数虚高，不代表真懂。数据污染让”测试结果”失去了”预测能力”。

有团队对283个AI评测基准做了分析，结论也证实：AI评测存在三大问题，数据污染、文化偏见、静态评测局限。

知道自己不会什么，比证明会什么更重要

美军特种部队（海豹突击队）的单兵作战能力远超常规军。但五角大楼从不用特种部队执行常规阵地防御。

不是因为做不到，而是因为”知道自己的角色边界”比”证明自己什么都能做”更重要。就是，”别逞能”。

智驾系统的安全性，也不是由”能通过多少极端场景”决定的。能过极端场景不等于能过日常场景，就像特种兵能打不一定能守。

真正重要的，我觉得是三个东西：

OOD泛化
：没见过的场景能不能搞定。就是训练数据没覆盖的情况，系统还能不能做出合理反应。
元认知
：知道自己什么时候不行。大多数AI系统压根没有这个能力。
优雅降级
：不行了能安全退出。而不是硬撑着往前冲，最后搞出事故。

极端场景测试，都没测这三个。

安全的底线不是”什么都能搞定”，而是”知道自己什么时候该停下来”。

ODD（Operational Design Domain，运行设计域）框架是行业评估智驾系统的标准方法。名字很长，意思很简单：划一块地盘告诉系统”你只能在这块地盘里干活”。系统的”能力边界”是人为画定的，不是系统自己感知的。它的核心是”系统知道自己不能做什么”，而不是”系统能做什么”。

当ODD条件不满足时，自动驾驶系统应该触发优雅降级（说白了就是”不行了就体面退出”）：安全停车，而不是硬撑。“知道自己不行了就乖乖靠边停”，比”硬撑着往前冲”安全一万倍。

1939年，心理学家韦克斯勒做了一件事：把IQ测试从单一”智力年龄”分数，拆成四个维度，言语理解、知觉推理、工作记忆、加工速度。因为他发现，用一个数字衡量一个人的认知能力，根本说不清楚。记住这个名字，韦克斯勒。他把”一个分数”拆成”多个维度”，这个思路正在被智驾行业复制。从”考一门课”变成”考四门课”。

智驾正在经历同样的”韦克斯勒时刻”。从单一极端场景通过率，转向多维能力矩阵。一旦评估维度变多，那些靠”刷分”刷出来的成绩就藏不住了。

毕竟，真正安全的车，不是”什么场景都能搞定的车”，而是”知道自己什么时候该停下来的车”。这句话放人身上好像也成立。