新京报贝壳财经讯 2月21日，清华大学智能产业研究院（AIR）发布一项研究显示，以自动驾驶这一安全关键领域为载体，首次通过“人类眼动追踪实验+算法对比验证”的双轨设计，系统性拆解了人类与智驾算法视觉注意力的本质差异。其核心价值在于提出人类驾驶注意力的三阶段量化划分框架，并证实智驾算法视觉理解的核心缺陷是缺乏“语义显著性提取能力”，而融入人类检查阶段的语义注意力，能以经济高效的方式填补专业算法的“语义鸿沟”与大模型的“接地鸿沟”，无需依赖大规模预训练。

研究团队通过招募专家与新手司机完成危险检测、可用性识别、异常检测三类任务，结合眼动数据划分注意力阶段，再将不同阶段注意力融入AxANet、UniAD等专业算法及DriveLM等视觉语言模型（VLM），最终揭示人类与智驾算法注意力的核心差异并非“空间定位”，而是“语义理解”。人类能通过自上而下的认知赋予场景特征语义优先级，而智驾算法难以自主习得这一能力。该发现为自动驾驶算法的性能提升提供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实践意义。

编辑 姜樊

校对 张彦君