“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。虽然不断增加传感器数量和数据规模，但在面对极端复杂场景时，受限于‘黑盒模型’的不可解释性与泛化能力不足，系统安全性难以保障，难以突破L3向L4、L5发展的瓶颈。”7月15日，《中国经营报》记者获悉，清华大学车辆与运载学院院长、教授王建强在“2025新能源智能汽车新质发展论坛”上分享了关于智能汽车安全技术发展现状与趋势方面的思考。

　　当前，智能汽车的安全问题成为关注的重点，而传统的“数据喂养”已经远远不能满足复杂的场景需求。王建强认为，面对复杂、泛化与未知等高风险交通情境，传统自动驾驶系统易陷入安全瓶颈。所以在他看来，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：一方面利用大模型增强环境理解和推理能力，实现自主“智能涌现”；另一方面引入人类知识学习与反馈机制，提升系统在长尾场景下的安全与泛化表现。

　　王建强表示，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。

　　数据和规则驱动路线存在局限性

　　目前智能汽车安全是国家发展的重大需求，而我国的道路交通场景复杂、事故频发，形势尤为严峻，提升道路交通安全已成为国家日益迫切的重大需求，而智能汽车技术是解决交通安全的关键核心手段，交通安全也是智能汽车发展的永恒主题。

　　“智能汽车技术已成为突破驾驶人局限性的主要手段，我们在驾驶辅助阶段可以采取针对某一危险场景进行报警或自动接管的方式为驾驶人提供安全辅助，在高级别自动驾驶方面，我们可以以典型的场景数据库训练开发算法来实现自动控制，从而实现高级自动驾驶功能。”王建强表示。

　　“在发展过程中，低等级智能汽车已有很高的市场渗透率，已经进行了大规模的产业应用，但在迈向高等级自动驾驶的过程中，在复杂的长尾场景下，智能汽车事故时有发生，可以说智能汽车的安全技术仍存在诸多难题需要突破。”他强调。

　　但值得关注的是，即使技术不断演进，交通事故仍将长期存在。王建强表示，原因在于系统中仍存在诸多不可控因素，如车辆故障、复杂环境扰动等。为应对这一挑战，完整的“感知—认知—决策”关键技术体系，能实现对复杂动态场景的快速感知、准确判断与高效响应，从而为智能汽车提供安全保障。

　　“当前智能汽车在处理突发、复杂、多变场景时，仍存在技术局限，难以实现准确感知、认知和安全决策。”王建强表示，“在感知、认知、决策的全链路中，任何一环出现偏差，都可能导致风险升级甚至事故发生。”

　　据介绍，在智能汽车发展的早期，规则驱动是一种主流技术路线，其具备结构清晰、易于实现和可解释性强等优势，适用于已知、结构化场景。然而，该方法高度依赖预设规则，适应场景有限，开放场景难以穷举，难以满足L4级及以上自动驾驶对泛化与自主演化的要求。

　　王建强表示，数据驱动是当前主流自动驾驶路线之一，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，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。

　　他进一步表示，当前，规则驱动强调可观测与可解释，属于“白盒系统”，但策略固定，难以适应复杂环境；数据驱动具备一定智能性，能够通过深度学习进行场景泛化，但其“黑箱属性”导致决策过程不透明，难以保障关键时刻的安全可靠性。面对真实复杂交通场景，这两种路线都面临两大关键问题：首先，如何赋予规则系统以学习能力，提升其适应性？其次，如何让数据驱动系统“去黑箱化”，增强其可解释性与可控性？

　　认知驱动或可破解难题

　　那么该如何破解上述问题呢？对此，王建强认为，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。这启发我们：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。”他表示。

　　为突破规则系统“僵化”、数据系统“黑箱”的困境，王建强提出第三条技术路线：认知驱动。

　　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。

　　那么认知驱动的关键在哪儿？对此，王建强表示，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。

　　据了解，认知驱动的完整的技术架构，主要涵盖感知、认知和决策三大环节。“在感知层，我们融合规则驱动的物理状态估计和数据驱动的语义理解，实现多维环境的状态融合。在认知层，通过统一评估与交互建模，构建多源信息下的风险趋势判断和行为语义理解。而在决策层，我们融合行为决策与轨迹规划，同时引入大语言模型的反馈推理，支持类人自适应决策生成。最终，通过三层融合与测试验证闭环，构建起认知型自动驾驶系统。”王建强表示。

　　具体而言，第一个层面，“规则+数据”融合驱动的环境感知与估计。通过规则驱动路径，获取物理属性清晰的环境目标。第二个层面，“规则+数据”融合驱动的风险认知与预测，用“统一场”表达复杂交通物理世界，通过规则建模和数据学习结合，识别并预测人-车-路行为的动态演化规律。第三个层面，“知识+数据”融合驱动的自适应安全决策，结合人类直觉推理与大模型实时理解能力，实现复杂、未知、长尾场景下更高效安全的自动驾驶。

　　“在实际交通中的复杂与未知场景，传统规则驱动方法往往无能为力，数据驱动方法则在未知场景存在显著不确定性。而认知驱动创新路线可以实现任意场景下的即时判定，通过构建统一风险模型，实现系统可观、可测、可判，决策逻辑一致性与全场景覆盖能力。”王建强表示。

　　他总结道：“通过知识驱动路径，引入驾驶经验、场景构建和知识图谱，实现直觉推理；再通过大模型感知与推理能力，实现对动态场景的实时理解与目标识别。两者结合，系统不仅能应对常规驾驶任务，还具备应对泛化场景的适应能力。”

　　“聪明车”必须是“安全车”

　　那么技术演进的趋势和未来展望是什么呢？

　　对此，王建强介绍，在发展路线上，1.0以规则驱动为主，依赖明确规则响应，稳定性高但灵活性差，难以应对复杂交通场景；2.0以数据驱动为主，依靠大规模数据训练模型，具备一定自主能力，但可解释性差、安全性难以保障；3.0为以认知驱动的技术路线。融合规则与数据，引入人类认知推理、知识图谱与大模型理解能力，提升系统在未知与长尾场景下的泛化性与安全性。

　　他表示，整体来看，自动驾驶正从规则驱动与数据驱动向认知驱动演进，未来将构建具备“认知、推理与持续学习”的智能驾驶系统。

　　面向未来，王建强认为，“三纵三横”式技术架构为智能汽车演进提供系统化路径。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。

　　他强调，“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。