自动驾驶汽车安全测试的低效率问题一直是阻碍其研发迭代和落地应用的瓶颈。清华大学助理教授封硕与美国密歇根大学刘向宏教授团队提出“连续时空智能环境测试”的全新思路，通过“AI 对抗 AI”的测试方法，显著加速了仿真与实车测试速度，为解决自动驾驶安全性的“长尾问题”提供了新方案。

关键要点

• 🤔 AI 对抗 AI 的测试方法: 该研究提出了一种用智能体测试智能体（AI Aginst AI）的全新测试方法，通过构造虚拟的测试环境，让自动驾驶汽车在其中像开在真实的公开道路测试一样，但效率更高。这种方法克服了片段化场景测试的局限性，显著加速了仿真与实车测试速度 3 至 5 个数量级（1000 倍到 10 万倍）。

• 🤯 稀疏度灾难: 研究人员发现，安全攸关事件的稀疏度越大，深度学习所需要的数据量和计算量就越大，且该关系可能是指数关系。他们将此问题定义为“稀疏度灾难”，并提出了三种可行的技术路线来解决：使用安全攸关数据密集学习、改善模型泛化和推理能力以及通过车路协同等技术降低安全风险事件的发生概率。

• 🚀 未来展望: 研究人员计划将稀疏度灾难问题扩展到 AI 领域进行深入研究。他们相信，解决稀疏度灾难问题将对自动驾驶和人工智能的安全发展产生巨大影响，并最终推动自动驾驶技术走向 L4 以上级别的大规模商业化应用。

• 💡 “AI 对抗 AI”的全新测试方法: 该研究开创了用 AI 测试 AI 的新范式，为安全攸关系统的测试与研发提供了一种新的思路，并有可能推动自动驾驶领域测试“新标准”的讨论。

• 🧬 稀疏度灾难: 该研究揭示了自动驾驶领域面临的“稀疏度灾难”问题，并提出了相应的解决方案，为解决安全攸关系统中的小概率事件问题提供了新的理论基础。

• 🧪 数据密集学习、模型泛化和推理能力以及车路协同: 研究人员提出的三种技术路线，为解决稀疏度灾难问题提供了多种可行的解决方案，并可能为未来自动驾驶技术的商业化应用提供重要支持。