“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。”在7月15日举行的“2025新能源智能汽车新质发展论坛”上，清华大学车辆与运载学院院长、教授王建强表示，当前低等级智能汽车已有很高的市场渗透率，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，智能汽车的安全技术仍存在诸多难题需要突破。

　　500)this.width=500 align=center hspace=10 vspace=10 rel=nofollow/>

　　500)this.width=500 align=center hspace=10 vspace=10 rel=nofollow/

　　在王建强看来，智能汽车发展的早期，规则驱动是一种主流技术路线，而数据驱动是当前的主流自动驾驶路线之一。其中，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，这两种路线面临两大关键问题：一是如何赋予规则系统以学习能力，提升其适应性？二是如何让数据驱动系统“去黑箱化”，增强其可解释性与可控性？

　　“为突破规则系统僵化、数据系统黑箱的困境，我们提出第三条技术路线：认知驱动。”王建强表示，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。

　　王建强介绍，认知驱动的关键在于：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。其完整的技术架构，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。”王建强说，最终，通过三层融合与测试验证闭环，构建起更具鲁棒性与泛化能力的认知型自动驾驶系统。

　　在王建强看来，自动驾驶正从规则驱动与数据驱动向认知驱动演进，未来趋势将以类人认知、学习与进化能力，构建具备“认知、推理与持续学习”的智能驾驶系统。

　　在这一过程中，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kaiyun体育全站 Kaiyun登录网页理解和推理能力，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，使系统具备类人认知与决策能力，提升在长尾场景下的安全与泛化表现。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。

　　王建强指出，面向未来，“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。

　　“ ‘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，并以认知路线驱动为核心主线，构建三大能力支柱：认知驱动机制：支撑多场景理解与行为泛化；知识+数据协同感知：提升在稀疏、未知场景中的应变能力；推理引擎+反思机制：通过内嵌先验常识和因果推理，提高系统决策可解释性与安全性。” 王建强说道，最终目标是：提升智能汽车的自学习、自反思、自适应能力，构建一个具备人类类脑推理特征、安全可验证的高等级智能驾驶系统。(中国经济网记者 郭涛)