AI正在变得中组部完善，GPT-6 Astra已经要实现全自动化？能开真车了？

一款本来只用来聊天、写代码的通用 AI，没专门学过开车，却在封闭停车场里把真车开完了整条赛道。
 
这次测试是 DrivingBench 项目组织的，一共拿出四款大模型一起对比，GPT-6 Astra 是唯一跑完完整路线的那一个。
 
很多人第一眼看到消息，会直接理解成 AI 已经能上路自动驾驶，这个想法得先放一放。
 
它能跑下来，不是靠提前喂进去海量开车视频，而是靠模型自带的上下文学习能力，跑的过程里回看前面的画面，自己调整怎么打方向、用多快速度。
 
简单讲，它不是背熟了一套开车流程，而是看懂摄像头传回来的画面，一步步做判断。
 
测试用的车是一台改装后的丰田卡罗拉，车上加装了 comma four 设备，依靠 openpilot 这套开源辅助驾驶系统做底层车辆控制，摄像头、车速、方向盘的数据会传给大模型，模型再输出指令控制车辆。
 
这套连接方式和市面上量产的自动驾驶汽车完全不一样，现在我们买到的智能汽车，自动驾驶模块大多放在车本地，信号传递、计算判断都是毫秒级别，遇到突发情况可以立刻刹车避让。
 
GPT-6 Astra 的指令要走云端链路，中间有明显延迟，反应速度跟不上马路上瞬息万变的路况。
 
测试场地只是封闭的停车场，全程车速压得很低，车里还有安全员全程待命，随时准备接管车辆，这是最关键的安全兜底条件。
 
测试路线只摆放锥桶设置赛道，没有突然窜出的行人、抢行的其他车辆，也没有路口红绿灯、复杂的会车场景，属于难度很低的环境。
 
这样的场景只能证明 AI 看懂静态障碍物、沿着路线行驶的能力，远远达不到城市道路、高速路自动驾驶的安全标准。
 
如果直接放到公开道路，路上随便一个意外状况，这套系统很可能来不及做出正确反应。
 
这次测试里还有一个很有意思的细节，一开始 GPT-6 Astra 识别出自己控制的是真实汽车，会主动拒绝发出驾驶指令。
 
研究人员即便反复说明场地封闭、有人保护，模型依旧会出于安全理由不执行操作。
 
直到工作人员把连接车辆的工具名称改成测试沙盒的标识，模型拒绝驾驶的情况才明显变少。
 
研究团队自己也说，暂时没法搞清楚，到底是 AI 判断环境风险，还是单纯被文字名称影响了决策。
 
这件事的价值，比跑完赛道本身更值得琢磨，它说明通用 AI 接入真实机器之后，会开始考虑自己动作带来的现实后果，而不只是完成一道虚拟题目。
 
很多人会拿它和特斯拉这类车企的自动驾驶系统对比，觉得专门花大量资金收集道路数据做出来的智驾，可能很快被通用大模型替代。
 
我认为这种判断过于乐观。车企打磨成熟的自动驾驶系统，要处理几十万种路上的特殊情况，传感器也会配备激光雷达、多摄像头做冗余备份，一个传感器失灵，其他设备还能继续感知环境。
 
GPT-6 Astra 在测试里主要依靠前视摄像头，本身存在视觉盲区，近距离的障碍物、车辆两侧的情况很难完整捕捉，测试次数也很少，一次成功完赛，不代表它每次都能稳定发挥。
 
当然，这次实验也不是没有积极意义。
 
过去大家做自动驾驶，思路基本都是专门训练一套只用来开车的模型，需要收集海量道路画面，标注各种危险场景，成本很高，遇到从来没见过的新情况很容易出错。
 
通用大模型不需要单独用驾驶数据从头训练，依靠本身学到的常识和对物理世界的理解，就能完成基础的操控任务，这给行业打开了一条新路子。
 
未来的自动驾驶，未必只能靠纯专用模型，或许可以用通用大模型负责理解复杂场景、看懂特殊路况，再搭配一套反应极快的底层控制系统管刹车、转向，两者分工配合。
 
我们还要分清两件事，能在低速封闭场地完成简单行驶，和可以放心交给 AI 在马路上载人，中间隔着巨大的安全门槛。
 
通用 AI 能摸得到物理操控的门槛，是 AI 技术向前走的信号，但安全永远是车辆控制的第一准则。
 
普通车主不用期待短时间内，聊天大模型直接装上车代替司机，这项实验更多是给科研人员提供参考，而不是马上可以落地的民用产品。
 
真正值得警惕的一点，是通用 AI 进入实体设备之后，决策逻辑很难完全看透。
 
模型什么时候愿意执行指令、什么时候拒绝操作，背后的逻辑人类很难精准预判，一旦接入速度更快、风险更高的场景，潜在隐患会成倍放大。
 
看待这类实验，既要看见 AI 理解现实世界的进步，也不能因为一次成功的测试，忽略车辆失控可能带来的安全代价。GPT-6 Astra已经能开真车了吗