大模型开车目前最大的技术瓶颈是什么

　　大语言模型已经能开动真实汽车，但一场名为DrivingBench的实测揭示出残酷现实——它开得比走路还慢，每公里烧掉近40元token费，距离真正上路还有很长的路。

　　一、实测结果：能开但远未达标

　　一项由Aditya Ramabadran等研究员发起的DrivingBench测试，将GPT-6 Astra等通用大模型接入丰田卡罗拉实车，在停车场用锥桶布置了134.7米路线。结果仅有GPT-6 Astra第二次尝试完整跑通，耗时5分22秒，平均时速约1.5公里，每公里消耗的token费用折算近40元人民币。而GPT-5.6、Grok 4.6、Claude Fable 5.1均在前几个弯道就宣告失败。这个测试环节同时考验模型在真实物理反馈下的感知、规划、控制和延迟处理能力。

　　二、三大瓶颈制约落地

　　决策延迟高：通用大模型每次决策需走云端推理，几秒钟的延迟放在真实道路上就是移动路障。传统自动驾驶采用车端推理，毫秒级响应，两者差距悬殊。

　　成本不可承受：DrivingBench仅134米就消耗6.6M tokens、花费7.74美元，换算下来每公里成本近40元人民币。通用模型的高算力消耗与大规模实时驾驶场景天然矛盾。

　　可靠性不确定：大模型基于概率生成，存在幻觉、输出随机性、知识截断等结构性特点。在零容错的驾驶场景中，模型无法保证同输入同输出，也难以解释完整推理链路，难以满足安全审计要求。

　　三、行业解法：让大模型做"副驾驶"而非"司机"

　　目前行业主流是将大模型与专用自动驾驶架构融合，而非让其直接操控车辆。VLA（视觉语言行动）模型将视觉、语言与动作统一，具备常识推理和防御性驾驶能力，能听懂"离大车远一点"这类指令。普渡大学Talk2Drive框架则让大模型理解乘客个性化指令并生成驾驶代码，显著降低人工接管率。理想汽车VLA模型采用端侧快速响应与云端深度解析结合，让简单的驾驶指令直接由车端处理。本质上，让大模型充当"会思考的副驾驶"，弥补传统系统缺乏常识解释的短板，比让它直接开车更现实。