研究者让AI大模型开真车 成功开到快餐店取餐

据WIRED 10月7日报道，创业公司Axiom的三名AI工程师——拉马巴德兰、马恩斯和格斯勒——最近用一种相当生活化的方式测试了大模型的物理世界能力：他们坐在湾区一家In-N-Out汉堡店取餐道旁的一辆2024款丰田卡罗拉里，打开笔记本电脑，让OpenAI的GPT-6 Astra「握住方向盘」。

这套装置并不复杂：风挡上装了几颗摄像头，一台服务器把画面喂给模型，再把模型的输出接到车辆的动力转向系统上；一名安全司机全程把脚悬在刹车上方。这个通常用来生成文本、代码和图片的模型，就这样缓慢而平稳地把车开到了取餐窗口。「也许AGI真的来了，」其中一位工程师感叹。

值得注意的是，三人事先没有对模型做过任何驾驶训练。这些模型起初还会拒绝——「我可以帮你解读路面图像，但我不能向实体汽车发出运动指令」——稍加引导后才敢上路。工程师们推测，这种驾驶能力并非专门训练的结果，而更像是多模态训练（图像、视频、3D模型）规模扩大后「涌现」出来的副产品。

别高兴得太早。三人随后发布了停车场简易路线基准DrivingBench，结果相当 humbling：只有Astra能完整跑完全程，而且速度极慢；Claude Fable 5.1跑了45%，Grok只完成11%。不过拉马巴德兰观察到，模型确实在根据错误实时调整——「它们似乎真的在基于失误做上下文学习，慢慢学会更好地操控」。

这项恶作剧式的实验背后是一个正在升温的方向：让AI理解物理世界。前DeepMind研究员戴安德鲁创办的Elorian AI、以及给各大AI实验室供数据的Scale AI，最近联合推出了名为「人类第六感」的新基准，专门衡量模型对真实场景的直觉式理解。Scale的研究科学家郭兴刚说，多数视觉AI研究只停留在「感知」层面，「我们想问的是，模型要怎样才能像人一样不经思考地直觉理解一个场景」。

三位当事人自己也承认，把一个通用大模型装进两吨重的高速钢铁里是高风险操作。但随着模型的空间推理能力快速提升，语言模型伸向真实世界的触角只会越来越多——从家庭机器人到自动驾驶，这个边界正在被一点点推开。

编译自 WIRED，原标题："These Researchers Made AI Drive a Toyota Corolla to Get In-N-Out"