不用专门训练也能开真车?GPT-6 Astra完成封闭场地实测

一个原本用来写代码、处理文档的通用大模型, 如今坐进了驾驶位 。近日, 独立研究项目 DrivingBench 公布了一项实验: 让 GPT-6 Astra、Claude Fable 5.1、Grok 4.6 和 GPT-5.6 Sol 分别控制一辆真实汽车, 在停车场内完成锥桶划定的固定路线。结果只有 GPT-6 Astra 跑完全程。

📌 实验是怎么做的

测试车辆是一辆 2022 款丰田卡罗拉, 研究人员通过 comma four 设备和 OBD- C 接口接入车辆 CAN 总线, 底层控制基于开源辅助驾驶系统 openpilot。摄像头画面与速度、方向盘状态实时传给大模型, 模型通过 MCP 工具完成观察环境、设定方向和速度、立即停车三类操作。

路线为倒 U 形停车场赛道, 包含左转、直线、缓弯和右转 , 终点是蓝色锥桶围出的停车区。GPT-6 Astra 并不直接输出方向盘扭矩或制动压力, 更像一个坐在驾驶位上的大脑, 负责判断往哪走、走多快。

🔍 第一次失败, 第二次学会了慢下来

首轮测试中,Astra 行驶 67.3 米后偏向左侧锥桶 , 安全员介入。研究人员没有重开对话, 而是让它在原有上下文中复盘。Astra 判断自己过早认为车辆已对正, 并把速度提到 1.5 米 / 秒, 导致修正空间不足。

第二次测试中, 它把速度控制在 0.8 米 / 秒以内 ,24 次运动指令中有 20 次使用 100% 转向请求, 最终完成 134.7 米, 用时 5 分 22 秒, 消耗约 660 万 token, 成本约 7.74 美元。平均车速仅约 0.42 米 / 秒。

💡 安全边界与值得关注的细节

实验中一个插曲是,Astra 最初有时会拒绝控制真车 , 并给出安全理由。研究人员将工具名称改为“DrivingBench Sandbox”后, 拒绝现象明显减少。团队表示, 尚无法确定这是模型对环境的判断, 还是名称本身的影响。

• 场地为封闭停车场, 无行人、机动车和信号灯
• 系统速度被严格限制, 车内始终有安全员
• 前视摄像头存在近距和侧后方盲区
• 每个模型仅进行一组连续上下文测试, 样本量有限

📊 行业观察

134.7 米的成绩无法与城市 NOA 或 Robotaxi 相提并论。 真正的自动驾驶需要毫秒级感知控制、传感器冗余、极端场景验证和长尾问题处理 。OpenAI 在发布 GPT-6 Astra 时, 也并未将汽车驾驶列为核心应用。

更值得关注的是, 通用大模型正在获得对真实物理世界的理解和操作能力, 未来决定汽车如何行动的模型, 未必只来自传统自动驾驶体系。

🚀 总结

这场实验的价值不在于证明大模型能开车, 而在于展示了一条新路径: 通用模型负责理解环境与任务 , 再通过标准化工具调用底层执行机构。它离量产自动驾驶还很远, 但为世界模型和具身智能提供了一个具体的观察样本。