清华新研究突破自动驾驶：AI不是“看不全”，是没学会“看重点”

开车这事儿，说玄乎点，是手眼心合一；说实在点，就是眼睛一瞟、脑子一转、脚下一动。可现在那些动辄百亿参数的自动驾驶模型，真能像老司机那样“一眼扫过去就心里有数”？最近清华AIR团队在《npj Artificial Intelligence》上发的那篇论文，悄悄把这层窗户纸捅破了——原来AI不是算力不够，是压根没摸到人类“看路”的门道。

人类司机盯住一个刚迈出人行道的行人，0.3秒内就完成了三件事：先扫出他在哪儿（位置），再盯住他有没有低头看手机、脚步快不快（动态意图），最后余光一甩，确认左后方没车冲上来（风险闭环）。这哪是“看”，分明是“读”：读动作、读意图、读环境关系。而当下主流模型呢？它得把整张图拆成几万个像素块，靠海量撞车数据反推“哪个块组合起来≈危险”。所以塑料袋飘起来像鬼影，穿灰衣的老人融进水泥墙里——不是它瞎，是它根本没被教会“什么值得盯”。

有意思的是，研究团队把真人开车时的眼动轨迹切成了三段喂给AI：第一段“扫描”，AI性能反而掉了一截；第二段“审视”，也就是司机真正盯住关键目标那1秒左右的注意力热区，模型在异常检测任务里准确率直接拉升了12.7%；第三段“复核”，效果中等但稳定。这说明什么？Transformer本来就能并行看全图，硬逼它学人眼“从左到右慢慢扫”，纯属削足适履。但人类那毫秒级的“语义锁定”——比如红灯亮起时，视线自动黏在刹车灯上而不是整个车头——这种经验压缩包，AI自己根本蒸不出来。

他们拿DriveLM和TOD³Cap两个大榜测，结果更耐人寻味：宏观推理题上，人类注意力数据几乎没用；可一到TOD³Cap这种要精准指出“雨幕里第三根路灯杆右侧那个撑黑伞的、穿红鞋的、正侧身避让自行车的女人”的任务，注入“审视”数据后，定位误差直接缩小40%。道理很简单——AI能背交通法规，但背不会“红鞋在雨天比蓝衣更抓眼球”这种活生生的经验。

说白了，现在堆算力就像给自行车装火箭发动机，方向错了，推力越猛越容易翻沟里。清华这个研究没推新模型，就干了一件事：把17位职业司机在127公里真实城道路段上的眼动数据，熬成了一勺“注意力浓缩液”。试过才知道，轻量级模型喝一口，比某些大模型干喝十吨数据还解渴。

你发现没？我们一直防着AI犯蠢，却忘了教它怎么“聪明地偷懒”。