清华大学智能产业研究院（AIR）在2月21日发布了一项重要研究，以自动驾驶这一安全关键领域为切入点，首次采用“人类眼动追踪实验+算法对比验证”的双轨研究设计，系统性地揭示了人类与智能驾驶算法在视觉注意力机制上的本质差异。这项研究的核心价值在于提出了人类驾驶注意力的三阶段量化划分框架，并证实了智能驾驶算法在视觉理解层面的核心缺陷——缺乏“语义显著性的提取能力”。而通过融入人类在检查阶段的语义注意力，能够以更经济高效的方式填补专业算法的“语义鸿沟”与大模型的“落地鸿沟”，无需依赖大规模预训练。

研究团队通过招募专业驾驶员与新手司机，分别完成危险检测、可用性识别与异常检测三类任务，结合眼动数据划分注意力阶段，再将不同阶段的注意力机制融入AxANet、UniAD等专业算法及DriveLM等视觉语言模型（VLM），最终揭示出人类与智能驾驶算法注意力的核心差异并非“空间定位”，而是“语义理解”。人类能够通过自上而下的认知机制赋予场景特征语义优先级，而智能算法难以自主习得这一能力。这一发现为自动驾驶算法的性能提升开辟了非规模化的新路径，对资源受限的车载实时系统部署具有重要的实践意义。

编辑 姜帆

校对 张彦君