通用汽車把自動駕駛訓(xùn)練加速了5萬倍，但藏了個關(guān)鍵問題沒講

5萬倍是什么概念？你刷一條15秒的短視頻，它的AI已經(jīng)模擬了20分鐘的極端路況。

通用汽車（GM）自動駕駛研究團(tuán)隊最近放出一組數(shù)據(jù)：他們的仿真訓(xùn)練速度達(dá)到真實時間的5萬倍。這意味著一套需要現(xiàn)實中開1000小時才能積累的場景，在服務(wù)器里20分鐘就跑完。Ben Snyder——GM自動駕駛AI研究負(fù)責(zé)人——把這個系統(tǒng)比作"給AI開了時間加速器"。

從"撞了再學(xué)"到"先想一萬種死法"

自動駕駛訓(xùn)練的傳統(tǒng)路徑很燒錢：改裝車隊、雇安全員、在限定區(qū)域反復(fù)刷里程。Waymo花了十年才積累到2000萬英里（約3200萬公里）的真實路測數(shù)據(jù)，而特斯拉的影子模式雖然取巧，本質(zhì)還是依賴車主"自愿貢獻(xiàn)"邊緣案例。

GM換了一條路。他們的仿真引擎不追求畫面逼真，而是專注"物理正確"——輪胎摩擦系數(shù)、懸掛響應(yīng)、傳感器噪聲模型，全部基于真實車輛標(biāo)定數(shù)據(jù)搭建。Snyder透露，這套系統(tǒng)能批量生成"現(xiàn)實中不敢做"的場景：暴雨天輪胎打滑后的連續(xù)變道、對向遠(yuǎn)光燈致盲時的行人識別、甚至是其他司機(jī)的"路怒"行為模擬。

關(guān)鍵差異在這里：特斯拉用真實車主的數(shù)據(jù)訓(xùn)練，GM用合成數(shù)據(jù)"預(yù)判"危險。前者收集的是"已經(jīng)發(fā)生的意外"，后者制造的是"可能發(fā)生的意外"。

速度優(yōu)勢來自兩個技術(shù)選擇。第一，他們放棄了高保真渲染，用簡化的傳感器模型替代——激光雷達(dá)點云不是逐幀光線追蹤生成，而是基于統(tǒng)計分布直接采樣。第二，訓(xùn)練任務(wù)被拆成細(xì)粒度并行單元，單個GPU能同時跑上千個獨立場景。Snyder團(tuán)隊去年發(fā)表論文稱，這種"物理引擎+神經(jīng)網(wǎng)絡(luò)"的混合架構(gòu)，讓單次訓(xùn)練迭代成本降到傳統(tǒng)方法的1/200。

5萬倍背后的隱藏賬單

但仿真提速有個老問題：練出來的AI，遇到真車真路會不會"水土不服"？

行業(yè)術(shù)語叫"仿真到現(xiàn)實鴻溝"（Sim-to-Real Gap）。2022年，某頭部自動駕駛公司（非GM）曾高調(diào)宣布仿真訓(xùn)練里程突破10億英里，次年卻在公開路測中連續(xù)出現(xiàn)基礎(chǔ)感知失誤——原因后來被歸結(jié)為仿真里的"完美傳感器"假設(shè)，真實世界的鏡頭眩光、泥漬遮擋完全沒有覆蓋。

GM的應(yīng)對策略是"分層驗證"。Snyder解釋，他們的訓(xùn)練 pipeline 分三級：純仿真預(yù)訓(xùn)練→硬件在環(huán)測試（真實傳感器+仿真場景）→封閉場地實車驗證。只有三級全過的模型，才會進(jìn)入公共道路測試。目前GM的自動駕駛子公司Cruise，在舊金山、鳳凰城等地的運(yùn)營車輛，據(jù)稱已經(jīng)采用這種"仿真為主、實車兜底"的混合流程。

數(shù)字看起來很漂亮。Cruise去年第四季度財報提到，仿真系統(tǒng)每周生成超過200萬英里等效訓(xùn)練數(shù)據(jù)，而同期真實路測里程約為5萬英里——仿真占比超過97%。

但這里有個模糊地帶：GM從未公開披露過"仿真里程"與"有效里程"的換算系數(shù)。5萬倍是峰值速度還是平均速度？極端場景在仿真中的占比多少？這些細(xì)節(jié)決定了"200萬英里"的實際含金量。

加速競賽中的微妙站位

把視角拉遠(yuǎn)，GM的技術(shù)路線選擇其實暴露了它的處境。

特斯拉有400萬輛車在路上跑數(shù)據(jù)，Waymo背靠Alphabet的算力儲備可以慢慢磨，而GM的Cruise在2023年遭遇運(yùn)營牌照吊銷、高管換血、裁員40%的打擊后，急需證明"我們還能追"。5萬倍仿真加速，本質(zhì)上是用工程效率彌補(bǔ)數(shù)據(jù)規(guī)模的差距——既然真車不夠多，就讓虛擬車跑得夠快。

Snyder在采訪中打了個比方："別人在造更大的漁網(wǎng)，我們在造更快的養(yǎng)魚池。"這個類比很產(chǎn)品經(jīng)理——既承認(rèn)了資源劣勢，又強(qiáng)調(diào)了差異化價值。

但養(yǎng)魚池養(yǎng)出來的魚，終究要放進(jìn)海里。Cruise今年2月宣布恢復(fù)在休斯頓的無人駕駛服務(wù)，測試范圍從原來的全城收縮到特定街區(qū)，運(yùn)營時段也避開夜間和惡劣天氣。這種"保守復(fù)出"的姿態(tài)，與仿真系統(tǒng)宣稱的"5萬倍極端場景覆蓋"形成某種張力：如果仿真真的足夠好，為什么真車部署反而更謹(jǐn)慎了？

一個可能的解釋是，GM正在用仿真解決"已知未知"——那些工程師能想到的危險場景，但"未知未知"——真正打破物理規(guī)律的意外，仍然需要真實世界的碰撞來暴露。Snyder本人也承認(rèn)，仿真系統(tǒng)目前對"長尾事件"的生成能力有限，"我們還在教AI理解'不合理'的人類行為"。

另一個變量是監(jiān)管。美國NHTSA（國家公路交通安全管理局）今年1月發(fā)布新規(guī)，要求自動駕駛公司提交"仿真測試與真實性能關(guān)聯(lián)性"的驗證報告。GM的5萬倍加速系統(tǒng)，即將面臨第一份合規(guī)大考。

技術(shù)敘事總是傾向于展示"我們解決了什么"，而監(jiān)管文件會暴露"我們還沒解決什么"。這兩種信息的交叉點，才是判斷GM自動駕駛真實進(jìn)度的坐標(biāo)。

如果仿真訓(xùn)練真的能以5萬倍速度無限逼近現(xiàn)實，為什么Cruise的復(fù)出地圖比三年前還小？如果5萬倍只是實驗室峰值，真實 pipeline 的效率折損又有多少？這些問題，GM的下一季度財報和NHTSA的審查報告，可能會給出矛盾的答案。