[首發于智駕最前沿微信公眾號]隨著智能化技術發展，人工智能在社會各領域的參與度越來越強，無論是醫療還是教育亦或是出行，人工智能似乎已深入大家“吃穿住行”的方方面面。為深入實施“人工智能+”行動，推動人工智能與經濟社會各行業各領域廣泛深度融合，重塑人類生產生活范式，促進生產力革命性躍遷和生產關系深層次變革，加快形成人機協同、跨界融合、共創分享的智能經濟和智能社會新形態，2025年8月21日，國務院發布了《國務院關于深入實施“人工智能+”行動的意見》（以下簡稱：意見）。這份意見的發布，會給自動駕駛行業帶來哪些新機遇？。

先來看看這份意見中，對于自動駕駛行業最直觀的文字描述，在加快實施重點行動第三點“人工智能+”消費提質中提到，推動智能終端“萬物智聯”，培育智能產品生態，大力發展智能網聯汽車、人工智能手機和電腦、智能機器人、智能家居、智能穿戴等新一代智能終端，打造一體化全場景覆蓋的智能交互環境。加快人工智能與元宇宙、低空飛行、增材制造、腦機接口等技術融合和產品創新，探索智能產品新形態。雖然與自動駕駛相關的僅提及了一次，但縱觀整個意見，里面有很多值得我們深究的內容。

通讀整個意見，其核心就是要把算力、數據、模型和應用場景串起來，讓AI更快、更廣、更深地落地。對自動駕駛來說，這并不是一個口號，而是會在感知、定位、決策、仿真驗證、車云協同、測試驗證鏈路等一系列具體技術環節帶來實打實的影響。先說一個總體的、很直觀的變化，過去幾年自動駕駛發展受限的常見瓶頸，是“沒有足夠高質量的數據、算力不均衡、場景覆蓋不全、驗證成本高、產業鏈斷點多”。這份意見在多個段落里提到要加強高質量數據集建設、全國一體化算力網、應用中試基地、標準研制和開放共享等內容，這些落地舉措會直接作用到上面列出的每一個瓶頸。

對于自動駕駛感知系統來說，首先影響的是數據和模型兩端同時催化。意見強調要“持續加強人工智能高質量數據集建設”和“支持數據標注、數據合成等技術”，這意味著可能會有更多財政或政策支持用于建設面向交通場景的高質量標注數據集、長尾事件素材庫以及合成數據流水線。這對于車企及自動駕駛方案解決商而言，這會帶來兩個積極變化，一是真實世界長尾場景（例如極端天氣、罕見障礙物、復雜城市工況）的樣本量會逐步增加，能讓感知模型在這些稀有場景上獲得更可靠的訓練與評估；二是合成數據、仿真合成標注會得到更多標準化支持與資金，降低采集成本并加速模型迭代。直觀體現就是，感知模塊可以更大膽采用多模態學習與自監督預訓練策略，將攝像頭、毫米波雷達、激光雷達與高精地圖信息聯合訓練，從而提升小目標檢測、夜間與雨雪條件下的魯棒性。

此外，意見的發布還會影響傳感器與硬件協同技術發展，意見提出要強化算力統籌、支持芯片攻堅與智算集群建設，這對車端與車云的算力布局影響很大。自動駕駛系統的設計始終在“車端實時性”與“云端大模型能力”之間尋找平衡。隨著國家層面推動“全國一體化算力網”“東數西算”等基礎設施，車企和自動駕駛方案解決商將會更容易把一些非實時但計算量大的任務（如大規模模型迭代訓練、場景級聯想、離線仿真批處理）遷移到可訪問的公共智算資源上，這樣車端就可把更多資源專注在低延遲關鍵路徑（感知融合、控制閉環）上。換言之，邊緣實時控制保持輕量、高可驗證的實現，而復雜的策略訓練、長期行為建模、場景綜合推理能在云端做得更深入、更頻繁，從而推動端云協同設計成為主流架構之一。

決策與規劃層面也會因意見的發布迎來模型能力的提升。意見中提到“提升模型基礎能力”和“加快研究更加高效的模型訓練和推理方法”，對于自動駕駛而言，意味著可以推動更復雜的大模型或專業化模型被用來做行為預測、交互建模和長時序規劃。技術上可以直接體會到的就是用于軌跡預測的多代理大型時序模型會變得更好，能夠更準確地建模行人、騎車人及其他車輛的意圖；用于交互的博弈或強化學習模塊有更多算力去做在線/離線訓練，使車在復雜交互場景如無信號左轉、狹窄路段會車、臨時施工區域表現更穩健。不過也要有一些考量，更強的模型帶來更高的驗證成本，尤其是安全可解釋性和可追溯性需要同步跟進，不能把未經充分驗證的端到端黑箱模型直接放到關鍵控制環節必須保持分級驗證和冗余保證。

仿真和驗證生態會在意見的推動下加速完善。意見提出要“布局建設一批國家人工智能應用中試基地”和“推動軟件信息服務企業智能化轉型”，這為自動駕駛行業的仿真驗證、場景庫標準化、以及中試驗證平臺建設提供了制度級支持。對于自動駕駛工程師來說，這意味著更容易獲得大規模、高保真仿真資源、統一的場景描述標準，以及開放或共享的測試用例庫。這無疑會促使自動駕駛行業從以里程為中心的道路測試，轉向“場景驅動+仿真加速”的組合驗證方法，從而更經濟地覆蓋長尾場景、實現更快的迭代。但在仿真技術發展的同時，我們也要明白仿真環境與真實車輛之間的環境差距仍然是關鍵技術挑戰，需要在渲染物理正確性、傳感器噪聲建模、行為模型一致性方面下更多功夫。

在軟件工程與工具鏈方面，意見強調要“推動人工智能驅動的技術研發、工程實現、產品落地一體化協同發展”，這對自動駕駛軟件開發流程有直接影響。我們可以預期會有更多智能化研發工具被引入到如自動化測試用例生成、基于模型的需求追蹤、自動化性能回歸檢測、智能日志分析與故障定位工具等領域。結合大語言模型（LLM）用于代碼審查、測試用例生成、日志摘要與異常模式識別，將大大提高工程效率，但要注意的是這類工具在安全關鍵系統中必須通過嚴格的安全評估，避免自動化工具帶來的失誤被放大。

數據治理、隱私與合規性也會影響自動駕駛的數據采集和共享方式。意見提到要“完善適配人工智能發展的數據產權和版權制度”，這意味著在車輛數據上，行業會見到更多關于數據共享、合成數據發布、隱私保護標注的規范化辦法。對車企和地圖服務商來說，合規的數據共享機制（比如聯邦學習、差分隱私、合成數據替代方案）會被更多采用，從而在不泄露個人隱私的前提下實現跨企業模型協同訓練和場景共享。這一要求也促使技術團隊要將更多精力投入到隱私保護算法、加密推理和合規化的數據流水線建設上。

關于安全性與可信賴性，意見里多次提到“提升安全能力水平”和“建立技術監測、風險預警、應急響應體系”。對自動駕駛的技術團隊來說，這并不是一句口號，而是要在產品設計中嵌入可監測、可控、可回滾的能力。具體到技術上，可分三部分討論，首先，車輛必須具備更完善的在線健康監測（系統自檢、模型漂移檢測、傳感器退化檢測），并能在發現異常時自動切換到安全模式或降級策略；其次，模型的可解釋性、失敗邊界的標注、以及安全用例的形式化（比如用覆蓋準則來定義何時可安全放行）將成為產品驗證的重要組成部分；第三，事故記錄與模型版本管理將被規范化，用于事后分析和數據驅動的改進。這就要求車企及自動駕駛方案解決商加強對在線異常檢測算法、模型不確定性評估（例如貝葉斯近似、置信度校準）、以及故障切換策略的研發。

產業鏈協同和開源生態的促進對技術創新也很重要。意見鼓勵“人工智能開源社區建設”和“推動模型、工具、數據集等匯聚開放”，在自動駕駛領域這會推動更多高質量的開源感知模型、仿真場景、評測工具鏈的產生。對研發者而言，開源生態能顯著降低重復造輪子的成本，讓更多團隊把精力放在系統集成、工程化實現與場景定制上。這同時也會帶來對軟件供應鏈安全的考驗，開源組件的依賴管理、可信度審計、以及閉環的補丁管理都要做好，否則簡單的第三方漏洞可能引發系統性風險。

意見對“人才隊伍建設”與“普及人工智能教育”的重視更將緩解自動駕駛行業長期面臨的工程人才缺口。這將意味著更多復合型工程師會進入自動駕駛行業，他們要求既懂機器學習也懂控制、系統工程和車用軟件架構。對項目交付而言，團隊能力的提升會使得端到端系統工程能力增強，像是成熟的模型部署到車端、實時推理優化、車端異構算力調度和低功耗推理將成為常規工程工作。

在車路協同與基礎設施方面，意見提到要推進市政基礎設施智能化改造和面向智能終端的城市建設。對自動駕駛車輛來說，逐步增多的智能基礎設施（如邊緣算力節點、V2X短距通信、路側感知攝像頭/雷達）將給自動駕駛汽車提供額外傳感輸入與計算支持，特別是在復雜交叉口、隧道或視覺受限場景里，車路協同可以實質性提高感知完整性與決策安全性。這就要求自動駕駛系統不僅要能夠理解車端傳感器數據，還要實現對多源異構信息（邊緣端的檢測結果、路網級語義信息、交通流預測）的實時融合，形成魯棒的決策依據。

雖然這份意見在底層支撐（數據、算力、標準、人才）上做了很多要求，但從技術實施角度看，自動駕駛仍然面臨現實難題，比如極端天氣下傳感器物理極限、長尾罕見場景的真實標注成本、系統級冗余的經濟代價、以及車規級軟件生命周期管理等。這些問題將一直存在，但有了更完善的國家級資源與標準支撐，自動駕駛行業可以更系統地投入解決方案的研發，降低“誰來做、怎么做、怎么驗證”的協作成本，使技術進步更可復制、更可審查。

這份意見無疑是把自動駕駛所需要的算力、數據、標準、人才、開源生態和中試驗證平臺等若干基礎要素放到了一個更清晰的國家統籌框架下。這帶來的直接效果是降低了大規模訓練與驗證的門檻、加速了場景庫和仿真資源的形成、促進了車云協同與更復雜模型在非關鍵路徑的應用、并推動行業在安全性、數據治理與測試標準上更快成熟。這就要求車企及自動駕駛方案解決商不僅要做出更強的算法，還要把工程化、驗證、隱私保護和供應鏈安全當作等同重要的技術工作來做。這種“算法+工程”的雙軌進步，最終才是把研究成果安全、穩妥地帶上道路、變成用戶能信賴的產品的關鍵。政策搭建的只是更有利的“水渠”（算力、數據、標準和中試平臺），讓自動駕駛的“種子”更容易發芽，但種子想長成參天大樹仍需要行業在工程、測試和長期運營方面踏實耕耘。

審核編輯 黃宇