在近日于上海舉行的第四屆全球智能駕駛峰會暨網絡與信息安全軟件開發論壇上，商湯科技移動智能事業群智能駕駛副總裁石建萍發表了主題演講。她深入剖析了當前智能駕駛技術發展的核心挑戰與未來路徑，明確指出：高效解決海量、復雜的長尾場景，是全面提升智能駕駛系統場景覆蓋度與安全可靠性的根本前提。

石建萍首先回顧了智能駕駛技術的發展歷程。她指出，在經歷了基礎感知、規控功能的實現與常見場景（即“頭部場景”）的初步覆蓋后，行業正步入深水區。真正的挑戰來自于那些出現頻率低、但種類極其繁多、形態各異的“長尾場景”，例如極端天氣、罕見交通參與者行為、復雜道路異形結構等。這些場景雖不常見，但一旦發生，對系統的處理能力要求極高，直接關系到駕駛安全與用戶體驗。

“長尾場景的解決，不能依靠簡單的數據堆砌或規則枚舉?！笔ㄆ紡娬{。她認為，傳統方法在面對近乎無限的長尾問題時，會遭遇研發效率瓶頸和成本壓力。因此，高效解決之道在于構建更強大的底層AI基礎設施與核心能力。她詳細介紹了商湯科技在此領域的思考與實踐：

1. 感知決策一體化的大模型驅動范式：商湯正致力于研發面向自動駕駛的視覺大模型及多模態大模型。通過大規模、多任務的預訓練，模型能夠獲得對物理世界更深層次的理解和泛化能力。當遇到未曾明確標注過的長尾場景時，模型能夠基于其強大的通用知識進行推理和判斷，而非僅僅依賴有限的數據集，從而顯著提升對未知場景的應對能力。

1. 高效的數據閉環與仿真體系：利用生成式AI技術，可以低成本、高效率地生成海量、高質量的長尾場景合成數據，用于模型訓練和補充。結合高保真仿真平臺，能夠對難以在現實世界中復現或存在高風險的長尾場景進行充分測試與驗證，加速算法迭代，形成“真實數據驅動-合成數據補充-仿真極致驗證”的高效閉環。

1. 車云協同的持續進化能力：真正的“高效”不僅體現在研發階段，更貫穿于車輛全生命周期。通過車端輕量化模型與云端大模型的協同，系統可以實現對行駛過程中遇到的“新”長尾案例的持續學習與模型優化，并將升級后的能力通過OTA方式部署到車隊中，讓整個車隊的智能水平不斷進化，逐步消化長尾問題。

石建萍進一步將智能駕駛與本次峰會的另一個主題——網絡與信息安全——聯系起來。她指出，隨著智能駕駛系統復雜度的提升，尤其是車云協同和數據閉環的深入，網絡安全、數據安全與功能安全變得深度耦合。確保數據在采集、傳輸、訓練、部署各環節的安全，防御針對AI模型和傳感器的潛在攻擊，是智能駕駛系統，尤其是在應對長尾場景時能夠可靠運行的基石。商湯在研發智能駕駛技術的也構建了完整的內生安全架構。

石建萍道，智能駕駛的最終目標是實現全場景、無隱患的可靠體驗。通往這一目標的道路上，攻克長尾場景是必須翻越的山峰。而翻越這座山峰不能僅靠“人力”，必須依靠以AI大模型為代表的新一代AI技術，構建起高效感知、高效迭代、高效進化的系統能力，同時筑牢網絡信息安全的防線。她表示，商湯科技將繼續深耕原創AI技術，與行業伙伴一道，推動智能駕駛技術邁向更安全、更廣泛普及的新階段。

本屆峰會聚焦智能駕駛與網絡安全的融合發展，石建萍的演講從技術根本出發，為行業突破當前瓶頸提供了清晰的技術視角與實踐路徑，引發了與會者的廣泛共鳴與深入討論。