MIT 与 Motional 研发 CW-Net：让自动驾驶 AI 具备实时决策可解释性

Motional 与麻省理工学院（MIT）计算机科学与人工智能实验室于 2026 年 9 月在《自然》（Nature）发表自动驾驶可解释性架构 CW-Net，旨在解决端到端神经网络的黑盒决策问题。

• CW-Net（概念包装网络）将神经网络内部计算转化为人类可理解的显式概念（如“靠近骑行者”），并以此作为车辆动作的直接依据，确保因果一致性。
• 团队在拉斯维加斯公开道路与测试场部署该系统，成功通过概念显示排查出规划器在空旷路段对障碍物的感知幻觉，以及辅助制动系统介入被误判为主模型决策等隐患。
• 基准测试显示，加入可解释层后，系统控制能力损耗低于 1%，在仿真环境外验证了实时可解释性的工程可行性。
• 影响/看点在于，该成果为高阶自动驾驶系统应对安全监管审查与提升透明度提供了技术路径，其实际应用效果取决于在极端或长尾工况下概念定义的覆盖完备度。
• 资料依据：
• AI News（2026-09-02）：https://www.artificialintelligence-news.com/news/motional-and-mit-ai-explains-self-driving-car-decisions/
• GitHub Motional（2026-09-02）：https://github.com/motional

本内容由 AI 生成，仅供参考，请注意甄别