通用汽車把自動駕駛訓練加速了5萬倍，但藏了個關鍵問題沒講

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

通用汽車（GM）自動駕駛研究團隊最近放出一組數據：他們的仿真訓練速度達到真實時間的5萬倍。這意味著一套需要現實中開1000小時才能積累的場景，在服務器里20分鐘就跑完。Ben Snyder——GM自動駕駛AI研究負責人——把這個系統比作"給AI開了時間加速器"。

從"撞了再學"到"先想一萬種死法"

自動駕駛訓練的傳統路徑很燒錢：改裝車隊、雇安全員、在限定區域反復刷里程。Waymo花了十年才積累到2000萬英里（約3200萬公里）的真實路測數據，而特斯拉的影子模式雖然取巧，本質還是依賴車主"自愿貢獻"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、懸掛響應、傳感器噪聲模型，全部基于真實車輛標定數據搭建。Snyder透露，這套系統能批量生成"現實中不敢做"的場景：暴雨天輪胎打滑后的連續變道、對向遠光燈致盲時的行人識別、甚至是其他司機的"路怒"行為模擬。

關鍵差異在這里：特斯拉用真實車主的數據訓練，GM用合成數據"預判"危險。前者收集的是"已經發生的意外"，后者制造的是"可能發生的意外"。

速度優勢來自兩個技術選擇。第一，他們放棄了高保真渲染，用簡化的傳感器模型替代——激光雷達點云不是逐幀光線追蹤生成，而是基于統計分布直接采樣。第二，訓練任務被拆成細粒度并行單元，單個GPU能同時跑上千個獨立場景。Snyder團隊去年發表論文稱，這種"物理引擎+神經網絡"的混合架構，讓單次訓練迭代成本降到傳統方法的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"？

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

GM的應對策略是"分層驗證"。Snyder解釋，他們的訓練 pipeline 分三級：純仿真預訓練→硬件在環測試（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、鳳凰城等地的運營車輛，據稱已經采用這種"仿真為主、實車兜底"的混合流程。

數字看起來很漂亮。Cruise去年第四季度財報提到，仿真系統每周生成超過200萬英里等效訓練數據，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。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？這些細節決定了"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，GM的技術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據，Waymo背靠Alphabet的算力儲備可以慢慢磨，而GM的Cruise在2023年遭遇運營牌照吊銷、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，本質上是用工程效率彌補數據規模的差距——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，我們在造更快的養魚池。"這個類比很產品經理——既承認了資源劣勢，又強調了差異化價值。

但養魚池養出來的魚，終究要放進海里。Cruise今年2月宣布恢復在休斯頓的無人駕駛服務，測試范圍從原來的全城收縮到特定街區，運營時段也避開夜間和惡劣天氣。這種"保守復出"的姿態，與仿真系統宣稱的"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"——真正打破物理規律的意外，仍然需要真實世界的碰撞來暴露。Snyder本人也承認，仿真系統目前對"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"。

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

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

如果仿真訓練真的能以5萬倍速度無限逼近現實，為什么Cruise的復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。