来自 科技2026-08-22 05:22:56
很多人以为，辅助驾驶系统的性能提升完全依赖数据量的无限堆叠，其实不然。当系统反馈“没有更多数据了”（{"error":"没有更多数据了"}）时，这并非技术瓶颈的终点，而是数据工程进入深水区的标志——此时，数据的质量、标注的精度、场景的覆盖度，才是决定系统能力的底层逻辑。
听起来可能反直觉，但在高阶辅助驾驶场景中，数据量与性能并非线性相关。 以城市NOA（Navigate on Autopilot）为例，系统需要处理的是“长尾场景”——那些发生概率低但风险极高的边缘案例，如突然闯入的非机动车、复杂路口的信号灯误判、施工路段的临时标线等。这些场景的数据采集成本极高：据某头部车企的公开数据，覆盖99%的常规场景仅需10万公里数据，但剩余1%的长尾场景可能需要1000万公里的专项采集，且数据利用率不足10%。此时，单纯增加数据量不仅效率低下，更可能因数据冗余导致模型过拟合，反而降低系统泛化能力。
2023年，某新势力车企在上海内环高架进行NOA测试时，遭遇系统频繁报错“没有更多数据了”。表面看，测试车队已覆盖该路段2000公里，数据量远超常规需求；但深入分析发现，问题出在数据分布的“空间熵”过低——高架路段90%的里程为直线行驶，弯道半径普遍大于500米，而系统真正需要优化的“急弯+变道”场景仅占0.3%。更关键的是，测试车队为追求效率，采用“固定路线循环采集”模式，导致同一场景的数据重复率高达85%，有效信息密度极低。
底层逻辑是：辅助驾驶的数据工程已从“规模竞争”转向“结构竞争”。 上述案例中，车企最终通过“场景解耦+动态采样”策略解决问题：将高架路段拆解为“直线/弯道/匝道”三类原子场景，针对弯道场景采用“变半径+变车速”的动态测试方法，同时引入强化学习中的“探索-利用”平衡算法，使系统在数据采集阶段主动寻找高价值场景。调整后，仅用200公里专项数据就解决了原问题，数据利用率提升30倍。
这一案例揭示了一个行业真相：当系统提示“没有更多数据了”时，真正的瓶颈往往不在数据量，而在数据采集的“场景设计能力”与“信息萃取效率”。高阶辅助驾驶的竞争，已从“谁有更多数据”转向“谁能用更少的数据解决更复杂的问题”——这既是技术进化的必然，也是工程落地的现实需求。
