GPT-6开真车，比散步还慢，却让自动驾驶行业紧张了|机器人|真车|自动驾驶技术|自动驾驶系统|自动驾驶行业|通用

大模型正在跨过物理世界的门槛。

撰文 | 麦哩

题图 | 网络

通用大模型，能不能直接控制一辆真实的车？

9月下旬，独立研究项目DrivingBench让GPT-6 Astra、Claude、Grok 等几个通用大模型，分别控制一辆2022款卡罗拉，在空旷停车场里沿锥桶划定的路线行驶。

结果，GPT-6 Astra成了唯一跑完全程的模型。

它跑完134.7米，用了5分22秒，平均每小时1.5公里，比人散步还慢。但慢不是重点，重点是它没为开车专门训练过。

大模型到底怎么开的车

这场测试没有按任何国家的驾考标准设计，场地是空旷停车场，车内始终坐着随时接管的真人安全员。

车辆摄像头拍到的画面、速度、方向盘状态，实时传到电脑，再通过MCP工具交给大模型。GPT-6 Astra没有直接生成方向盘扭矩或制动压力，它通过摄像头 "看" 路，再用三个工具控制车辆：观察环境、设定方向和速度、立即停车。真正的转向和刹车指令，经过开源辅助驾驶系统 openpilot传给车辆。

它更像坐在驾驶位上的大脑，负责看和想，手脚是别人的。

三个细节比成绩更值得看。

第一，它会复盘。第一次它开到49%就偏出路线，安全员介入。研究人员没重开对话，让它自己分析，它承认开太快、对正太早。第二次它把速度压到 0.8 米/秒以下，转向基本打满，慢慢挪到了终点。参数没动，能力靠上下文学习提升。

第二，它会 "拒绝"。模型最初多次拒绝控制真实车辆，理由是安全考虑。研究人员把工具名改成DrivingBench Sandbox后，拒绝明显减少。这个插曲比完赛更值得研究。模型似乎开始对 "自己的行为会造成现实后果" 有了反应。但DrivingBench团队自己也无法确定，这究竟是真实的安全意识，还是单纯受了Sandbox这个名称的影响。

第三，它很贵。第二轮消耗约660万token，跑了5分多钟，共发送24次车辆运动指令。按当时价格算成本约7.74美元，折算到每公里成本昂贵。

自动驾驶的四条路线

很多人以为 "大模型开车" 是一条新赛道，其实行业早已有四条路线。自动驾驶的技术范式，正从垂直堆专用模型切换到通用模型加工具调用。

第一条，端到端神经网络。特斯拉FSD V12是标志，一个统一网络把摄像头原始数据直接映射成方向盘转角，延迟低、信息损耗小。华为ADS、小鹏、理想、元戎启行、Momenta都在这条线上。

第二条，VLA（视觉语言动作）模型。用大模型的推理能力做驾驶决策，擅长理解当下语义。代表是小鹏第二代 VLA、理想 MindVLA、元戎启行，以及英伟达的开源方案。

第三条，世界模型。它不直接输出动作，而是先预测未来场景，再规划轨迹。代表是华为、Momenta、轻舟智航，以及小马智行、文远知行等。

第四条，通用模型派。就是这次实验的这一支。它不为驾驶而生，只负责理解环境和任务，通过标准化接口指挥底层执行机构。这与机器人行业 "通用模型理解、工具执行" 的思路如出一辙。

前三条路线都在为自动驾驶专门训练模型；第四条路线的模型，本来是用来写代码、做文档的。这是它和整个行业的根本区别。

世界模型和通用模式，边界在哪

世界模型的价值在预测，它在状态空间里推演物理演化，用来生成数据、做闭环仿真、评估长尾场景。但它解决不了价值判断。它能预判前车会急刹，却判断不了前车司机是不是酒驾；能预测皮球滚出来，却分不清后面追出来的孩子是真是假。要不要刹、怎么刹，得靠理解，而理解不是世界模型的长项。

通用模型的短板反过来。它理解语义一流，但文本Token是离散的，物理世界是连续的，把连续世界压成一维语言再推理，必然丢信息。GPT-6 Astra 每次调用观察工具要等约5到6秒，车只能以龟速挪，单英里推理成本约 92 美元。延迟、成本、空间感知，是它进开放道路的三道坎。

2026年行业的主流判断是融合。VLA理解当下，世界模型预测未来，塞进同一个模型。GPT-6 Astra的意义，是给这条融合路递了一个样本，证明通用模型也能当那个大脑。