自动驾驶的黄金时刻，通往机器人强国的最后拼图
全球自动驾驶竞争日益激烈。美国的Waymo在今年2月运营了约3000辆汽车，截至6月底，无人驾驶的累计行驶里程已超过2.7亿英里。中国的扩张势头也十分迅猛，百度Apollo Go的完全无人驾驶累计行驶里程已超过2.4亿公里，而Pony.ai的全球机器人出租车运营数量在6月底达到了1975辆。 那么，我们目前处于何种状态呢？尽管首尔的深夜自动驾驶出租车在8月增加到了19辆，但仍然是在有限的区域和时间段内，由测试驾驶员陪同进行试运行。国内各地正在进行自动驾驶的实证测试，但大规模无人驾驶出租车的商业服务仍处于起步阶段。与美国和中国每天有数千辆汽车在城市中运营的现状相比，我们的差距必须清醒地面对。 更重要的是，差距不仅在于车辆数量的不同，更在于这些车辆所产生的数据差异。在AI自动驾驶中，车辆收集数据，通过这些数据训练AI，再将改进后的AI重新部署到车辆上。性能提升后，行驶范围和车辆数量增加，更多的车辆又会产生更多的数据。这是一个数据收集-学习-验证-部署循环的“数据飞轮”。一旦飞轮开始正常运转，学习和改进的速度会不断累积，因此先行者与后发者之间的差距只会随着时间的推移而加大。 因此，现在我们最紧迫的任务不是等待完美的自动驾驶技术问世，而是尽快将一定规模以上的车辆投入到实际道路中，启动数据收集并推动飞轮的运转。根据我的经验，这个飞轮并不是在技术完成后才开始运转，而是在运转过程中技术得以完善。实际环境中发现的错误和干预，以及众多边缘案例，都会回馈到学习中，使AI不断进化。虽然我们起步较晚，但并不意味着没有机会。更危险的是不断推迟出发的时机。 然而，实道路数据飞轮只是必要条件，并不是充分条件。仅仅以相同的方式追赶已经积累了数十亿公里实道路行驶里程的先行者，难以缩小差距。后发者需要在推动飞轮运转的同时，制定显著提高转速的战略。 其中一种方法是将现实与虚拟世界结合。基于真实数据，利用模拟和生成型世界模型，提高AI能够经历的情境的数量和多样性，即“经验密度”。 Waymo在实际道路上行驶了数亿英里，但在虚拟世界中已经行驶超过200亿英里。今年，Waymo发布的世界模型不仅能够生成在实际道路上难以遇到的稀有情境，还能在相同情境下，如果车辆选择了不同的行为，可能会出现怎样的未来，这些都在虚拟世界中得以构建。模拟已经演变为AI在行为和结果中进行重复学习并改善策略的闭环学习场所。 在机器人领域，这种变化更为迅速。通过同时训练大量虚拟机器人，让它们反复经历摔倒、滑倒和碰撞等失败，然后将通过强化学习改进的策略应用于实际机器人，这种Sim-to-Real转移方式正在普及。在现实中，由于成本和风险，反复进行失败是困难的，但在虚拟世界中，这些失败可以转化为学习的资产。 最近，全球对物理AI和机器人产生了极大的热情。然而，自动驾驶汽车本质上是“轮子上的机器人”。它通过传感器识别前方，预测周围世界的变化，决定行动，并将结果反馈到学习中，这在技术上是相通的。数据、AI模型、世界模型、模拟、强化学习、AI半导体、安全验证、操作系统等核心技术栈的相当一部分是共享的。 因此，在尚未充分具备大规模训练轮子机器人并在现实世界中运营的技术基础的情况下，梦想成为双足行走的机器人强国可能是空中楼阁。自动驾驶并不是与机器人分开的产业，而是能够在实际环境中大规模积累和验证物理AI开发能力的最现实的试验场。 我们所剩的时间不多。全球领先企业的数据飞轮此刻正在快速运转。我们需要的不是等待完美的准备，而是立即点燃大规模飞轮，连接现实与虚拟世界，提高其转速，并将从中获得的技术扩展到机器人和制造领域。 自动驾驶是汽车产业的竞争力，同时也是韩国成为物理AI和机器人强国必须掌握的战略支点。我们现在需要构建的是能够自我进化的物理AI基础，而AI自动驾驶将成为建立在此基础上的第一个平台。※ 本报道经人工智能（AI）系统翻译与编辑。
2026-10-19 14:00:20
