自动驾驶最大短板被小米攻克?不靠“死记硬背”,终于学会“预判未来”

很多人误以为，自动驾驶最难的技术，是让汽车看清路况、识别车辆和行人。但行内人都清楚一个真相：自动驾驶的核心难题，从来不是“看清世界”，而是“预判未来、掌控后果”。

目前市面上绝大多数自动驾驶系统，本质上都是一个高级反射机器。

它的工作逻辑很简单：摄像头拍到路况画面，对照后台海量训练数据，机械输出打方向、加减速的指令。整个过程没有思考、没有推演，更不会预判“我这么做，接下来会发生什么”。

这套“看图做事”的模式，应付日常通勤、平直路况绰绰有余。可一旦遇到突发状况：路口车辆加塞、行人横穿马路、复杂多路交叉口、极端天气路况，这套系统就很容易“大脑宕机”，出现误判、急刹、避让失误等安全隐患。

简单说，现在的自动驾驶只会“照本宣科”，不会“随机应变”，更不会“提前预判”。

而小米最新推出的 Discrete-WAM 全新自动驾驶框架，彻底推翻了这套传统逻辑。它的核心突破只有一句话：让汽车像老司机一样，主动脑补未来，把当下决策和未来后果绑定思考，从“机械反射”升级为“主动思考驾驶”。

今天我们用普通人能听懂的话，深度拆解这套颠覆性技术，看懂自动驾驶的下一个时代。

一、传统自动驾驶的致命盲区：只会背答案，不会懂原理

真正的老司机开车，从来不是看一眼路况再动方向。绿灯亮起的瞬间，我们的大脑已经完成了一轮极速推演：对面车辆会不会抢黄灯？侧边行人会不会突然冲出？我现在加速，3秒、5秒后车辆会处在什么位置？是否存在碰撞风险？

预判未来、推演因果，才是安全驾驶的核心能力，也是目前所有主流自动驾驶系统最欠缺的能力。

当下主流的自动驾驶方案主要分两类，看似成熟，实则都有无法弥补的短板。

第一类是市面最常见的端到端自动驾驶系统。它的本质是统计记忆，而非理解思考。系统看过百万级路况数据，记住了“这种画面对应这种操作”，就像学生死记硬背题库答案。遇到常见场景稳稳当当，可一旦碰到从未见过的特殊路况，立刻手足无措，失误率大幅飙升。

第二类是进阶的“世界模型”系统，主打预测未来路况画面。它能模拟“我加速左转，接下来两秒路况会变成什么样”，勉强摸到了因果推演的门槛。但它的致命问题是：所有信息都混杂在抽象的数学空间里，无法精准区分车道、车辆、行人信息，更没办法思考“如果我换一种操作，结果会不一样吗”。

除此之外，所有传统系统都有一个共性bug：预测未来、做出决策是两个割裂的模块。

就像一个团队，有人专门预判风险，有人专门制定方案，两者互不沟通、各自为战。预报员预判了雨天，策划员却依旧安排户外行程，决策和预判完全脱节。这也是为什么很多自动驾驶，明明预判到了风险，却依旧做出错误操作的核心原因。

小米Discrete-WAM的核心革新，就是把两个割裂的模块合二为一，让一套“大脑”同时负责预判未来、制定决策，做到思考和行动高度统一。

二、小米的核心创新：把画面和动作，翻译成同一种语言

想要让系统同步理解路况和驾驶动作，首先要解决一个核心问题：路况画面是视觉信息，驾驶操作是动作信息，两种不同维度的信息，如何让AI同步解读、联动思考？

小米团队给出的解法堪称精妙：将视觉画面、驾驶动作全部转化为统一的离散符号。通俗来说，就是把所有复杂信息，翻译成同一套“通用代码”，让AI可以统一处理、联动推演。

在视觉处理上，团队借助VQ-VAE图像压缩技术，把摄像头拍摄的完整画面，拆解为16×16的小块单元，每一个小块对应一个专属编号，总计16384个图像符号。

这就好比把一幅复杂的画作，拆解成一个个标准化的乐高积木，既大幅压缩了冗余数据，又完整保留了车道、车辆、红绿灯等核心场景语义，让AI精准看懂路况核心信息。

在驾驶动作处理上，小米设计了一套专属的加速度编码方案。所有转弯、加速、刹车的驾驶轨迹，都会被拟合成平滑曲线，拆解为横向转向、纵向加减速两大维度数据，再映射为3600种标准化动作原型。

更细节的亮点是，小米摒弃了行业粗暴的“就近匹配”模式，采用软标签插值算法。每个驾驶动作都由周边四个基准动作加权组合而成，既能保留标准化符号的简洁高效，又能百分百还原精准的连续驾驶信号，彻底消除量化误差。

当画面和动作都变成统一的符号语言后，依托类似ChatGPT的Transformer大模型架构，AI就能像读句子一样，同步解读路况和动作，实现真正的一体化思考。

三、三重学习模式：从看懂画面，到学会主动思考

统一符号体系搭建完成后，Discrete-WAM通过三种差异化学习任务，训练出一个会推演、会决策、会验证的智能驾驶模型，三套任务共用一套核心参数，各司其职、互补增效。

1. 世界建模：看懂动作与结果的因果关系

这个任务的核心是让AI摸清“操作决定结果”的底层逻辑。系统接收当前路况和预设的后续驾驶动作，精准推演未来几秒的路况画面变化。简单来说，就是让AI明白：踩油门会拉近与前车距离、打左方向会驶入左侧车道，每一个操作对应的场景变化，都能精准预判。

2. 策略建模：分层决策，告别混乱失误

这是小米解决自动驾驶决策混乱的关键设计，分为高层意图决策和底层动作执行两层。

高层决策负责定方向，依托400种标准化驾驶原型，快速确定核心意图：是直行减速、左转变道，还是靠边匀速行驶。底层动作只需要根据既定意图，输出平稳、精准的加减速和转向细节。

这种分层设计彻底解决了传统模型的痛点：不用同时纠结“做什么选择、怎么精准执行”，先定大方向，再细化小动作，决策精度和稳定性大幅提升。

3. 联合建模：动作与预判双向印证

这是最接近人类驾驶的核心能力。系统会将“动作-画面”交替排列，形成连续推演序列，一边规划下一步驾驶动作，一边同步预判动作带来的路况变化。

简单讲，就是AI在心里同步上演两套剧本：我要怎么开、这么开后果是什么，两套剧本相互约束、相互验证，从根源避免盲目决策。

四、为什么一定要做“高层决策”？避免致命决策失误

很多人不理解，明明可以直接输出驾驶动作，为什么小米要多增加一层高层决策？其实这是规避自动驾驶致命bug的关键设计。

以十字路口场景为例，车辆需要同时判断转向、车速、车距、避让规则，决策维度极其复杂。如果让模型直接输出几秒内的连续动作，左转、右转、直行的轨迹逻辑完全不同，模型很容易陷入纠结，最终输出一个折中“平均轨迹”。

这种看似中立的结果，往往是灾难性的：既不贴合左转轨迹，也不匹配直行路线，极易出现压线、驶出路基、碰撞障碍物等问题。

而高层决策相当于先定赛道，再跑细节。先确定“我要左转”这个核心意图，再细化转向角度、行驶速度等细节，瞬间缩小决策范围，降低模型推演难度，彻底规避多场景决策冲突。

依托信息论验证，高层决策能大幅降低连续驾驶动作的逻辑冲突，有效减少系统生成误差，为安全驾驶提供扎实的理论支撑。

五、离散扩散算法：迭代优化，告别“一步错步步错”

传统AI生成内容、规划轨迹，大多是从前往后依次输出，就像逐字写作文。一旦前期出现错误，后续内容只能跟着出错，根本无法回溯修正，而且效率极低。

小米Discrete-WAM搭载的离散扩散机制，完全换了一种思路，更像填字谜。

初始阶段，系统会用随机符号填充所有待规划的轨迹位置，再结合全局路况和决策逻辑，多轮迭代更新所有位置的内容。每一轮迭代，都会优化不合理的轨迹，保留精准的预判和动作，让整体方案越来越自洽、越来越安全。

为了兼顾精度和效率，团队还设计了多种更新策略，最终验证出置信度优选策略效果最佳：已经精准确定的轨迹位置直接保留，只优化不确定性高、预判模糊的位置。

这种有的放矢的迭代模式，不仅避免了优质轨迹被反复打乱，还大幅节省算力、降低延迟。而且所有优化步骤支持并行处理，响应速度远超传统逐次生成模式，完美适配车载实时驾驶需求。

六、强化学习微调：从模仿人类，到超越人类

再好的模型，只靠学习人类驾驶数据，也会遇到天花板。人类驾驶数据大多是常规场景，极端雨雪天气、突发险情、罕见路况的数据少之又少，单纯模仿永远无法应对所有突发情况。

为了突破这个瓶颈，小米在模型预训练完成后，加入了GRPO分组强化学习微调。

通俗来说，预训练让汽车学会了驾校标准的规范驾驶，而强化学习阶段，就是让AI在海量模拟场景中不断试错、自主优化。系统会生成多条备选驾驶轨迹，通过EPDMS综合评分，从安全性、舒适性、路线合规性、行驶效率等多个维度，筛选最优决策，不断强化优质操作、淘汰危险操作。

这套微调机制，让模型摆脱了人类数据的局限，从“模仿高手”升级为“自我迭代、自我超越”的智能体，最终将综合评分从90.0分提升至90.4分，舒适性和安全性均实现显著优化。

七、硬核实测数据：多项性能跻身行业前列

小米团队在NAVSIM-v1、NAVSIM-v2两大权威自动驾驶测试平台中，对Discrete-WAM进行了全方位实测，成绩十分亮眼。

在主流的NAVSIM-v2测试中，模型以90.4的EPDMS综合评分位居行业第一梯队，相比同类世界模型系统，最高领先6.2个百分点，全方位碾压传统自动驾驶方案。

在画面、视频生成精度上，Discrete-WAM的FID、FVD指标全面优于Vista、DrivingWorld等顶尖模型。哪怕只做4秒短时预判，精度也远超一众支持长时预判的竞品，证明其视觉理解、场景推演的精准度行业领先。

消融实验也精准验证了各模块的价值：高层分层决策、轻量化参数微调、强化学习后训练，每一项设计都实实在在提升了驾驶稳定性和安全性，没有无效冗余设计。

八、核心杀手锏：学会“反事实推理”，真正读懂风险

这款模型最让人惊喜的，不是跑分数据，而是反事实推理能力。简单说，它能主动假设“如果我做错了选择，会发生什么危险”。

团队专门设计了“惊异值实验”：让系统分别推演正常驾驶轨迹、偏离安全范围的错误轨迹。结果显示，当驾驶动作小幅偏离、依旧安全时，模型惊异值极低；当动作大幅偏移、即将压线、碰撞时，惊异值会急剧飙升。

这足以证明，Discrete-WAM不是在单纯匹配画面像素，而是真正理解了动作与安全的因果逻辑。它能精准识别危险操作、预判事故风险，未来可直接将这套风险感知能力，用于紧急避险、主动风控，大幅提升自动驾驶安全上限。

九、有趣的细节：AI开车也会“看天空”

在分析模型注意力分布时，团队发现了一个很有意思的现象：AI做驾驶决策时，除了重点关注车道、车辆、红绿灯等核心区域，对天空区域也有着极高的注意力权重。

后续实验验证了背后逻辑：天空场景纹理简单、状态稳定，被AI当作了全局参考锚点。通过天空画面，AI可以快速感知天气、光线、视野开阔度等全局信息，辅助优化整体驾驶决策。

这也从侧面证明，这套模型已经具备了自主场景理解能力，不是机械识别像素，而是主动挖掘场景中的有效信息，适配驾驶需求。

写在最后：自动驾驶，终于迎来“思维革命”

长久以来，自动驾驶行业都陷入了一个误区：一味堆砌传感器、提升识别精度，却忽略了核心的决策思维升级。

而小米Discrete-WAM的最大意义，是重构了自动驾驶的底层思维逻辑。

它不再是“看见什么就做什么”的机械工具，而是像人类老司机一样，会预判、会思考、会复盘、会规避风险。能预判未来路况，能推演决策后果，能对比备选方案，真正实现了“三思而后行”的智能驾驶。

诚然，从实验室前沿研究到大规模量产落地，还有大量工程化问题需要攻克。但毋庸置疑，小米这套全新框架，打破了传统自动驾驶的技术天花板，为行业指明了全新的突破方向。

未来的自动驾驶，拼的不再是“看得清”，而是“想得明白、预判得精准”。而小米，已经提前站上了新赛道的起点。