李德毅院士：智能驾驶产业化的技术演进与发展趋势

由人民日报社主管、人民论坛杂志社主办的中央级思想理论期刊《国家治理》，是中国首家以国家治理为主题的刊物。它聚焦国家治理体系与治理能力现代化，并依托人民智库、国家治理网等全媒体平台构建国家治理案例数据库。近日，该刊 2025年第20期刊发中科原动力首席科学家李德毅院士署名文章，文中指出，智能驾驶作为人工智能的重要产业落地场景和经济增长新引擎，是重塑未来交通格局的颠覆性技术，具有重要价值。

以下内容全文转发自人民论坛网

摘 要: 智能驾驶作为人工智能的重要产业落地场景和经济增长新引擎，是重塑未来交通格局的颠覆性技术，具有重要价值。驾驶脑是当前智能驾驶产业链中的薄弱环节，它应该独立于车体，能够模块化并大批量生产，适用不同车体，具有基础性、开放性和可成长性。车辆具身智能作为连接认知空间与物理空间的桥梁，通过驾驶脑的“观察－定位－决策－行动”认知循环，将信息感知、态势理解、决策规划与车身控制融为一体，构建起完整的“感知－思维－行为”闭环。人工智能的下一个里程碑，将是机器具身图灵测试的常态化，智能驾驶车辆的具身图灵测试将成为机器智能测试的领头羊。

关键词:智能驾驶 具身智能 认知机器 人机共生

2025年10月，党的二十届四中全会指出：“抓住新一轮科技革命和产业变革历史机遇，统筹教育强国、科技强国、人才强国建设，提升国家创新体系整体效能，全面增强自主创新能力，抢占科技发展制高点，不断催生新质生产力”，强调加强原始创新和关键核心技术攻关，推动科技创新和产业创新深度融合等内容。高级别智能驾驶汽车作为人工智能的重要产业落地场景和经济增长新引擎，是抢占科技发展制高点必不可少的一部分，也是重塑未来交通格局的颠覆性技术。我国对新能源车、线控底盘、传感器及人工智能技术的高接受度，以及相对开放的数据应用场景，为数据驱动的算法迭代提供了开放的应用场景，为智能驾驶产业发展提供了有利条件，有望引领这场智能制造的变革。

智能驾驶产业化的发展规律与前景

汽车有着近200年制造发展的辉煌历史，是工业革命的典范，智能驾驶也将成为智能制造的典范。高技术产品、应用市场、成本控制与生态四个因素的协同突破，是汽车产业化成功的关键，也将是智能驾驶产业化的关键。较于传统汽车产业，智能驾驶产业化更具复杂性。智能驾驶汇聚人工智能黑科技，配置有异构传感器和机器驾驶脑的高级别智能驾驶车辆的量产，具有较强的“头雁”效应，将成为各国智能产业的重要支柱。

产业化的发展过程存在着普遍规律，一般来说都是从有趣的科技起步，遵循清晰的阶段性规律，对应技术成熟度曲线与社会接受度的动态变化（如图1）。初始阶段是创新者的天下，他们专注于炫技与吸引眼球，在小众市场打开局面，让新技术从概念走向初步实践。随后进入早期采用者阶段，商业化的驱动力增强，通过打造豪华品牌与高端市场，推动技术从“有趣”向“有用”转化，形成初步的价值认同。当产业迈向鼎盛期，大众市场成为核心，以量产回本为目标构建低成本、经济型产品体系，让技术真正成为“有用的产品”，实现规模化落地。紧接着，中期跟随者推动产业向更广的受众普及，通过个性化定制与分类市场的细分需求，追求更高价值回报，促使“有用的产品”向“好用”进阶。最后，尾随者完善市场生态，填补细分领域空白，推动产业从成熟走向稳定，形成覆盖全需求链条的良性循环。展望高级别智能汽车的发展前景，在孵化期前五年，智能驾驶将首先应用于特种车和商用车领域；后五年则实现从“有趣”向“有用”的跨越，产业链配套逐步完善。进入大规模发展期，智能驾驶车将不再是简单的软件定义汽车，而是具备交互智能和记忆智能的轮式机器人。

汽车通过方向盘、油门和刹车，延伸了人类的四肢和体力。车子成为受控制的身体的一部分，这是人体工程学的成功实践。尽管车辆动力学研究日趋成熟，汽车自动化也取得长足进步，但智能汽车如果不能像人类一样具备与时俱进的学习能力，则难以获得社会的真正信任与认可。

无论智能汽车产业化发展到何种程度，其必须坚守的一条重要原则：不得强行要求人类社会适应机器。对于紧急状态下驾驶员接管的责任边界与安全机制必须明确界定，车辆应该能安全可靠地自行停止以适应人类接管。因此，智能驾驶车辆必须具备与多人沟通交互的能力，具身交互在这一过程中具有重要作用。

智能驾驶产业化的必由之路：驾驶脑的模块化

从整体来看，作为高技术产品的机器驾驶脑，承载着实现车辆智能的关键使命，也是当前智能驾驶产业链中的薄弱环节。驾驶脑应预置驾驶地图、驾驶常识、驾驶经验和事故防范，适用不同车体，且具备基础性、开放性和可成长性特征。智能驾驶更核心的是驾驶认知的形式化，是机器驾驶脑的研发和量产。驾驶脑必须模块化，独立于车辆硬件形成标准化产品，才能实现技术与产业的分工协同，驾驶脑的模块化设计应该让车企厂商专注于车身制造，让人工智能厂商深耕驾驶认知。

从系统架构角度分析，驾驶脑的三大功能模块与认知空间的形成密不可分。物理空间的传感器信息处理模块，负责跨模态感知融合，尤其是雷达、相机与车辆位置地图的融合；认知空间的思维决策模块，承担驾驶态势认知与决策生成，重点关注车辆实时路权；物理空间的运动控制模块，通过底盘控制输出方向盘转角、油门（包括电机转速与扭矩）及制动量的控制指令。

驾驶脑实现认知循环的具体路径，可通过四个紧密衔接的步骤清晰呈现。第一步，物理空间的场景感知和融合。在瞬时记忆里完成跨模态感知融合，包括从智能网联获得的环境感知、车载雷达的空间感知、车载相机的图像感知和地理道路感知的融合，生成当前车辆所在的完整驾驶地理场景。第二步，认知空间的态势认知。聚焦当前路权，在工作记忆里生成车辆当前的对数极坐标驾驶态势图。第三步，认知空间的行为决策。分析驾驶态势，根据车辆拥有的实时路权，生成行动的决策方案。第四步，物理空间的机器具身行为控制。通过对车辆机电系统的控制，生成控制指令，如方向盘转角、油门和制动等控制量，致使具身行为改变，同时建立闭环反馈机制确保动作执行的精度与实时性。

驾驶脑借助三类记忆完成感知、认知、决策和控制。车载定位传感器要求能够达到厘米级导航精度；车姿传感器能够测量车身的加速度和速度；视觉传感器看图像、看语义，雷达传感器看距离、认障碍，还可以借助智能网联获得更多环境信息。对这些信息在瞬时记忆里进行跨模态融合形成周边情境感知，在工作记忆里聚焦路权，形成当前驾驶态势认知，而后借助长期记忆里的驾驶地图、交通规则、典型场景驾驶技巧库、安全风险提示库和事故记忆棒等功能模块，形成行为决策方案，通过汽车的控制平台改变车辆具身行为。驾驶脑存在三类总线，出发前，通过交互总线完成路径的一次规划；行进中，通过决策总线完成路径的二次规划（实时规划）；通过控制总线来完成汽车具身的运动学和动力学行为。感知、认知、决策、控制形成反馈回路，并构成再感知、再认知、再决策、再控制的认知循环。

车辆具身：连接认知空间和物理空间的桥梁

深度学习领域中“预训练+微调”的技术路径，同样适用于高级别智能驾驶领域。驾驶脑的关键能力，本质上是通过认知机器对标杆驾驶员日常驾驶中那些分散的、端到端的典型小场景驾驶技巧进行深度学习所积累的，逐步形成可交互、能学习、会进化的车辆智能驾驶系统。这一路径印证了认知物理学的主要思想——始终以驾驶认知为实验载体，以车辆为实体依托，通过持续优化机器驾驶脑，最终实现从辅助驾驶、智能驾驶到自主驾驶的阶段性跨越。

区别于传统人工驾驶，智能驾驶的重点在于实现驾驶认知中的“OODA循环”——即观察（Observation）、定位（Orientation）、决策（Decision）与行动（Action）的闭环过程。车辆通过各类异构传感器在物理空间完成对周边环境和自身状态的瞬时感知，在认知空间的工作记忆区，利用选择性注意力机制，识别当前场景，从感知的各类跨模态信息中，提取出与驾驶活动相关的要素，形成驾驶态势和实际拥有路权的变化；从长期记忆中提取相关知识，对态势进行分析和理解，作出每次的操控决策。通过“感知—思维—行为”的循环过程，实现机器认知与物理世界的有效衔接。这一过程打破了传统图灵机“孤立思维、忽视具身”与“孤立计算、忽视记忆”的局限。车辆具身因而成为连接认知空间与物理空间的桥梁。在物理空间表现出的具身智能，完全可以和驾驶脑认知空间的计算智能、记忆智能媲美并列。车辆与环境的交互，不仅是智能驾驶车辆友好用户界面设计、图形交互界面设计、拟人化交互服务的方法学问题，更是知行合一、人机共生的问题。从对物理世界的感知出发，信息进入驾驶脑进行思维与决策，再通过具身反馈至物理世界，从而在感知、认知与行为之间不断迭代。

车辆智能的进化遵循一个循序渐进的路径，涵盖三个关键学习环节：首先是标杆驾驶员操作、机器驾驶脑学习，这是指导学习；然后是驾驶脑自作业、标杆驾驶员干预，这是半指导学习；再是机器自操控、自学习，这是自主学习。机器只有自学习，不断迭代，才能实现认知的自成长。机器学习的结果是记忆，巩固或微调已有的记忆网络。记忆智能成为新一代人工智能中多领域、多情境中可计算智能的边界和约束，确保记忆和计算的协同。

可交互、会学习、自成长，成为认知机器的新硬核，其最基本的特征是能够在与环境的交互过程中学习、纠错和成长，可以接受指导学习和强化学习，也可以自主学习，增强记忆。认知机器的学习和作业，包括先入为主、赋予任务、引导、释疑、解惑、交互认知、监督等有指导的学习。自主学习是把指导学习的结果转为长期记忆的重要环节，如复习、消化理解、自己纠错。如果把指导学习称为有监督学习，自主学习称为无监督学习，就过于简化了。一次性学习之后常常是短期记忆，间隔性地重复学习有利于形成和巩固长期记忆，重复学习的时间间隔非常重要，充满不确定性，体现自纠错和长期记忆的自成长能力。当人与机器通过有效交互达成预设任务时，人类指导机器学习、机器开展自主学习，逐步理解人类设定的任务目标，这一过程被称为使命对齐，最终实现精准作业并具象化展现智能。机器学习过程主要包含三个环节：专家操作与机器学习协同；机器自动运行时接受人类干预；机器实现自操控、自学习、自纠错及自成长。这三个环节通过循环迭代，逐步实现从有指导学习到半/弱指导学习，最终迈向自主学习的进阶路径。

为实现智能的稳定与持续成长，认知机器依赖于多重嵌套的交互回路设计（如图2）：包括内外层交互，外层大交互是开车使命与道路环境的交互，确定机器当前所在的地理位置，构成空间智能；中间的交互是瞬时记忆与注意力（路权）进行交互，聚焦当前态势，经过工作记忆和长期记忆的协同和推理，形成决策；最内层是自动控制的反馈回路，在出发前的一次规划的基础上，沿当前决策的实时规划（二次规划）行驶，形成车辆具身动力学，构成行为智能。

在特定环境下接受指导学习时，机器通过“观察—判断—决策—行动”的认知螺旋迭代，实现知识自成长。在观察阶段，机器在指导者带领下主动融入物理空间，细致感知环境变化（区别于传感器被动接收），聚焦问题背景与要素，以形成注意力。其中，判断是关键环节，需在认知空间结合指导者提供的知识、既有经验及观察现象，通过演绎推理分析现象（运用数学与物理原理），评估方案优劣风险后决策；若判断受阻则回溯观察。决策依赖长期记忆中的知识模型，若观察判断不足需退回前序步骤，否则难以形成有效方案。最终行动阶段将决策付诸实践验证，结果反馈至下一轮循环。指导的关键在于促进长期记忆网络的微调整——若学习后长期记忆无改变则无效；仅留浅层记忆或易遗忘，也是无效；唯有节点质量或连接强度微提升，方为有效。机器通过瞬时工作、长期记忆区的协同，使每次学习结果成为下次迭代的初始值，最终实现智能的迭代成长。

机器具身在与环境的交互中，形成物理空间位置感，通过跨模态感知，把物理空间要解决的现实问题转换到认知空间，在认知空间不同记忆区留下带时间印记的抽象，可以从长期记忆区直接提取问题解决方案，也可以在工作记忆区进行推理、思考或计算，求得问题解决方案，然后通过智能行为作用到物理空间，形成感知－认知－行为环，交互中的时空智能。物理空间（外在的环境）和认知空间（内在的思维）不停地相互映射、调整，获得虚拟现实感。

未来展望：人机协同与交通生态重构

2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，提出“探索无人服务与人工服务相结合的新模式”，以及“开创社会治理人机共生新图景”。实现这一愿景，机器具身将成为重要环节，意味着机器从被动工具转变为人类协同的合作伙伴，推动服务业向智能驱动的新型服务方式演进。

认知机器可以通过抽象、联想和交互，实现思维软构体的自我复制和复用，生成新的思维软构体。其之所以能够在短时间内创造巨大价值，正是因为充分利用了思维软构体几乎无限制的可复制性，这是生命智能难以做到的。事实已经证明，目前一些大模型已经可以学用自然语言，或聊天，或写作，常态化通过自然语言的图灵测试。相比人类自然语言，任何计算机语言的语境、语用、语义、语法，受限要苛刻得多。认知机器可以学用各种各样的计算机编程语言，做到自编程、自纠错。通过学习和实践，实现机器认知的自成长。

对智能驾驶而言，机器具身的交互认知无处不在。在感知过程中，通过跨模态交互，不但互补印证，也消解冲突，确保协同，以聚焦驾驶的态势；认知过程中，用不同记忆区之间的交互认知，确保各智其智，用记忆和计算之间的交互，确保记忆约束计算；行驶过程中，通过交互，用自动调节和控制确保形体动作的稳定性以及与环境的协同。机器通过抽象、联想和交互，实现思维软构体的自我复制，通过自编程扩充自己的认知，自我成长。尽管机器无法改变自身的硬构体，但可通过交互，提出扩充感知手段和行为能力的硬构体要求，迭代升级，适应环境，与时俱进地成长，亦或创造新思维，创造新的解释模式。人工智能的下一个里程碑，或将是机器具身图灵测试的常态化，而高级别智能驾驶车辆的具身图灵测试，将成为所有机器智能测试的领头羊，率先垂范。

智能驾驶产业化，标志着汽车产业从传统工业制造迈向智能制造，这一趋势同样适用于水上与空中交通领域。各类具身机械设备，如汽车、火车、农机、舰艇等，其发展都将朝着可交互、会学习、自成长的机器人形态演进。到2055年，人工智能发展的一百年节点，全球将进入智能网联生态的全盛时期。届时，无人服务与人工服务将高效协同，共同创造出全新服务范式，具备交互能力、持续学习与自主进化特性的轮式机器人及其编队智能驾驶技术将广泛普及，推动人机共生、协同共创、迭代发展不断走向深入。