销量密码｜11月数据：NTU持续学习自动驾驶技术释放智驾迭代新信号

据盖世汽车11月2日报道，南洋理工大学（NTU）Lyu Chen教授团队研发出一种可接受人类纠正并持续学习的自动驾驶汽车。这一技术突破意味着，未来搭载该系统的车型在跨区域交付后，其智驾能力的“渗透率”与用户满意度有望通过持续反馈实现环比提升，而非像传统方案那样在出厂时便固化了能力上限。

从分析师视角来看，虽然本次发布属于前沿学术成果而非直接的批发量或零售量数据，但我们可以将其置于智能驾驶技术迭代的坐标系中进行拆解。传统自动驾驶系统在进入新城市时，需重新收集数据并训练，这构成了极高的隐性成本，直接制约了高阶智驾车型在不同区域市场的市占率扩张。NTU团队的这项名为《面向自动驾驶车辆多维度提升的人机引导式持续学习》的研究近期发表于《自然-通讯》（Nature Communications），为解决这一痛点提供了新路径。以下从四个维度对该事件的技术指标与市场信号进行拆解：

核心技术指标拆解

技术机制与场景拆解

不同区域的道路规则与驾驶习惯差异巨大，例如超车方向、让路时机、超越骑行者的安全距离等。一辆在一个城市表现优异的自动驾驶汽车，换到另一个城市可能表现得如同“游客”。Lyu教授指出，将自动驾驶系统转移到新地方“不仅仅是改变地图”，还涉及不同的道路、法规、天气和驾驶方式。传统模式下，适应这些变量的高昂成本是阻碍无人驾驶汽车在全球更多城市落地、进而转化为实际零售量的真正障碍之一。

NTU团队的方案引入了类似“学徒向师傅请教”的机制：车辆负责驾驶，人类在旁监督；一旦车辆出现失误，人类介入纠正，车辆采纳纠正并汲取经验。随着学习深入，人类干预需求随之减少。更关键的是，该系统在设计上兼顾了灵活性与“记忆”保护。当车辆判断与人类操作发生分歧时，它不会盲目照搬，而是权衡修正与自身成熟技能，确保日常驾驶表现不因应对罕见路况的训练而下降，从而避免了机器学习中常见的“灾难性遗忘”。

在实地验证环节，真实车辆在真实赛道上行驶并接受人类监督。仅经过几轮人工引导，车辆的“伦理风险”（综合考量碰撞概率与潜在伤害程度的指标）便降至初始水平的约十分之一。同时，车辆在对少数罕见棘手状况进行修正学习后，在其他从未遇到过的罕见情境中表现也有所提升。Lyu教授认为，这表明车辆并非死记硬背具体案例，而是开始掌握关于良好驾驶行为的普遍规律，且一个场景的经验可迁移至另一场景。

细分市场局限与边界

尽管技术前景广阔，Lyu教授对其局限性保持清醒。首先，人类驾驶员的行为未必天然正确，如何准确区分“有效的纠正”（即更安全的操作）与“错误的干预”，仍是尚未解决的难题。其次，面对规则无法预见的极端紧急情况——例如需要越过车道线以避开逆向行驶车辆时，最安全的做法可能是打破规则。目前的系统旨在遵循规则驾驶，尚不具备这种“跳出规则”的能力，这需要比单纯驾驶技能更高层面的推理能力。

趋势信号预判

从短期趋势信号来看，这一研究直击当前高阶智驾车型跨城推广的痛点。大多数自动驾驶汽车离开实验室时学习过程便宣告终结，而Lyu教授希望打造在整个运行周期内能通过接触新环境和获取反馈不断学习的汽车。他提出：“未来的自动驾驶系统不应被视为‘成品’，即那种离开实验室时智能水平便已定型的产品。”

这一理念的应用远不止于乘用车市场。无论是仓库里的物流机器人还是居家助手，任何与人类并肩工作的系统都可采用同样方式学习。对于汽车行业而言，具备持续学习能力的智驾系统一旦实现规模化量产上车，将极大缩短新车型在新市场的适应期，有望成为推动各品牌高阶智驾选装渗透率环比增长的核心驱动力。

每一组技术突破的背后，都预示着未来销量格局的重塑。NTU的持续学习自动驾驶方案，正为智驾系统的低成本跨区域扩张提供新的底层逻辑。