"当前自动驾驶系统的实际发展明显滞后于预期，面临的难题仍有很多。虽然不断增加传感器数量和数 据规模，但在面对极端复杂场景时，受限于'黑盒模型'的不可解释性与泛化能力不足，系统安全性难以 保障，难以突破L3向L4、L5发展的瓶颈。"7月15日，《中国经营报》记者获悉，清华大学车辆与运载 学院院长、教授王建强在"2025新能源智能汽车新质发展论坛"上分享了关于智能汽车安全技术发展现状 与趋势方面的思考。 当前，智能汽车的安全问题成为关注的重点，而传统的"数据喂养"已经远远不能满足复杂的场景需求。 王建强认为，面对复杂、泛化与未知等高风险交通情境，传统自动驾驶系统易陷入安全瓶颈。所以在他 看来，为实现高等级自动驾驶落地，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，提升系统在长尾 场景下的安全与泛化表现。 王建强表示，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。 数据和规则驱动路线存在局限性 目前智能汽车安全是国家发展的重大需求，而我国的道路交通 ...

智能汽车技术发展现状 - 智能汽车技术被视为解决交通安全问题的关键核心手段，交通安全是智能汽车发展的永恒主题 [1] - 当前低等级智能汽车市场渗透率较高，但高等级自动驾驶在复杂长尾场景下仍存在事故频发问题，安全技术需突破 [1] - 智能汽车发展早期以规则驱动为主流技术路线，当前数据驱动成为主流自动驾驶路线之一 [4] 技术路线对比与挑战 - 规则驱动路线强调可观测与可解释性（白盒系统），但策略固定难以适应复杂环境 [4] - 数据驱动路线通过深度学习实现场景泛化，但存在黑箱属性导致决策过程不透明，安全可靠性难以保障 [4] - 两条技术路线面临关键问题：规则系统缺乏学习能力，数据驱动系统需解决可解释性与可控性问题 [4] 认知驱动技术路线创新 - 提出第三条技术路线认知驱动，融合规则驱动的可解释性与数据驱动的学习能力 [4] - 认知驱动使人车路系统实现深层理解，构建要素特性、相互作用与运行规律的准确建模与数字表达 [4] - 技术架构涵盖感知层（物理状态估计+语义理解）、认知层（风险趋势判断+行为语义理解）、决策层（行为决策+轨迹规划） [5] - 引入大语言模型反馈推理，支持类人自适应决策生成，构建更具鲁棒性与泛化能力的系统 [5] 未来技术演进方向 - 自动驾驶正从规则驱动与数据驱动向认知驱动演进，未来将构建具备认知、推理与持续学习的系统 [5] - 需建立自主学习+先验知识新范式：利用大模型增强环境理解，引入人类知识学习与反馈机制 [5] - 技术趋势回归以人为中心，聚焦认知人、学习人、超越人的系统能力构建，实现功能智能向认知智能转变 [5] 三纵三横技术架构 - 纵向技术包括车辆关键技术（环境感知、风险认知、决策控制）、信息先进技术（AI、数据平台、信息安全）、基础支撑技术（高精地图、标准法规、测试验证） [6] - 横向技术依托车载终端平台（车端智能）、交通设施平台（车路协同）、信息安全平台（系统可信保障） [6] - 架构目标是通过类脑认知架构实现人类驾驶认知模式跃迁，构建认知驱动机制、知识+数据协同感知、推理引擎+反思机制三大能力支柱 [6] - 最终目标是提升智能汽车自学习、自反思、自适应能力，构建安全可验证的高等级智能驾驶系统 [6]