最近理想汽车有两篇主动安全论文分别被 ICRA 和 IROS 录用，很多人第一反应还是“理想又发论文了”。但如果仔细去看内容，我觉得真正值得关注的并不是论文本身，而是它透露出了一个非常重要的行业信号：主动安全正在进入属于自己的 Scaling Law 时代。

过去这些年，行业对于智能驾驶的关注点几乎都放在了 NOA、端到端、大模型、VLA 这些热门方向上，相比之下，AEB 似乎一直是一个相对传统的话题。很多人甚至觉得AEB已经卷到头了，无非是谁刹得更早一点、误触发更少一点。但理想这次两篇论文传递出来的信息恰恰相反，主动安全远远没有走到终局，甚至可能才刚刚开始进入新的阶段。 

过去行业做主动安全，本质上是在做规则。距离多少米开始制动，碰撞时间剩多少秒开始介入，目标速度变化多少触发刹车，这些规则经过十几年的发展已经相当成熟。面对大多数标准场景，它们表现得很好。但现实世界从来不是实验室，真正危险的场景往往都是非标场景。鬼探头、自行车横穿、儿童突然冲出、施工区域目标混杂、车辆异常变道、夜间复杂光照，这些场景最大的特点就是无法穷举。而无法穷举，也就意味着规则永远存在边界。

于是行业开始尝试学习型AEB，希望通过神经网络去理解危险。但新的问题很快出现了。危险场景本身极少，绝大多数数据都是正常驾驶数据。真正触发AEB的样本占比非常低，而且很多危险场景还存在天然的标注争议。到底什么时候算危险？到底应该什么时候开始刹车？不同工程师可能都会给出不同答案。这也是过去很多学习型主动安全迟迟无法规模化落地的重要原因。 

而理想第一篇论文真正解决的，就是这个问题。他们没有继续围绕有限的标注数据打转，而是把目光放到了海量无标签数据上。简单来说，就是让用户每天产生的大量正常驾驶数据也参与模型训练。Teacher 模型负责给数据提供参考标签，Student 模型负责学习，然后不断循环优化。最终把过去无法利用的数据，变成模型成长的养分。 

这背后最有意思的其实不是 Teacher-Student 框架，而是理想第一次在主动安全领域验证了一件事：模型能力会随着数据规模扩大持续增长。换句话说，主动安全也开始出现 Scaling Law 了。过去几年大家提到 Scaling Law，想到的都是 ChatGPT、Claude、Gemini 这些大模型，但现在越来越多行业开始发现，只要数据足够丰富、模型足够大、训练体系足够成熟，很多能力都会呈现类似规律，主动安全可能也不例外。 

这意味着什么？意味着未来主动安全的竞争逻辑可能会发生根本变化。以前拼规则，未来拼数据；以前比工程经验，未来比数据飞轮；以前看谁写规则写得更好，未来看谁能够更快地把真实世界的数据转化成模型能力。

而第二篇论文在我看来甚至更重要。因为第一篇解决的是数据量的问题，第二篇解决的是数据质量的问题。自动驾驶行业有一句话叫“垃圾进，垃圾出”。再好的模型，如果训练数据有问题，最终结果也不会好。尤其是在AEB领域，危险样本极度稀缺，误触发和晚触发又存在大量噪声。如果靠人工一点点筛选和标注，效率会非常低。 

理想提出的云端智能标注框架，本质上是在建设一个主动安全的数据工厂。自动生成危险样本、自动扩充长尾场景、自动识别错误标签、自动清洗数据集，最终实现95%的自动化率，并支持高并发处理能力。很多人看到95%这个数字可能没什么感觉，但对于做自动驾驶的人来说，这意味着主动安全开始具备工业化生产能力。数据获取、数据清洗、模型训练、仿真验证、OTA部署，整个闭环开始真正打通。 

如果把视角再放大一点，你会发现理想这次做的事情，和特斯拉过去几年做的事情越来越像。特斯拉真正强大的地方，从来不是某一个版本的FSD，而是它背后的数据飞轮。用户开车、采集数据、训练模型、OTA升级、继续采集、继续训练，不断循环。Waymo本质上也是一样，核心都是数据驱动。理想现在正在把类似的逻辑带到主动安全领域。 

所以我觉得很多人关注点可能放错了。这两篇论文最值得关注的并不是顶会录用本身，而是它们透露出了一个趋势：主动安全正在从规则驱动走向数据驱动，从工程问题走向AI问题。过去大家讨论智能驾驶的时候，总喜欢谈谁能开、谁开得更像人、谁的城区NOA更强。但未来几年，真正决定行业格局的，也许并不只是这些，而是谁能够把每天数十亿公里真实驾驶数据最快转化成安全能力。

因为对于用户来说，辅助驾驶再强，很多时候也只是锦上添花；而安全，永远是最后的底线。

如果有一天主动安全也出现了属于自己的 Scaling Law，那么这场竞争，可能才刚刚开始。
@safety研究员 @杨杰Safety
#影总聊智驾##大v聊车##理想汽车#