大语言模型已经能在现实中开车了——DrivingBench实测中GPT-6 Astra开着一辆丰田卡罗拉跑完了全程，但这场测试也暴露了它距离真正上路还隔着安全与成本两大关。
一、可行性验证：大模型开车已有首个成功案例
实测背景：DrivingBench项目给一辆丰田卡罗拉装上Comma 4硬件和开源系统openpilot，让多个大模型直接通过CAN总线控制真实车辆。
测试结果：GPT-6 Astra第2次尝试以100%完成率跑完134.7米赛道，用时5分22秒、发出24条指令，成为首个驾驶真实汽车的大语言模型。
整体差距：Claude Fable 5.1最好成绩仅45%，Grok 4.6三次尝试都没能突破第一个弯道。
二、安全挑战：认知与物理世界之间存在鸿沟
感知局限：模型依赖前置摄像头识别路况，锥桶在弯道斜线排列时容易误判车道边界，且无法观察车身侧后方。
控制断档：多数模型在“思考”时留出5到10秒甚至更长的指令空窗，车辆只能自动刹停，无法保持连续平稳的行驶节奏。
场景理解不足：模型对现实物体关系的常识判断仍显吃力，识别散落路面的锥桶与货车装载锥桶的区别，是需要专门调教才能完成的任务。
三、成本挑战：实时性与算力尚难平衡
Token消耗：Astra全程消耗按标价约9.75美元，单次实验成本看似不高，但高频驾驶场景下累计支出会迅速放大。
时延难题：云端大模型的请求返回周期难以满足毫秒级实时控制要求，有从业者直言“直接用大模型放到车上跑是不太行的”。
部署门槛：大模型参数量巨大，车端直接闭环控制在当前算力与功耗预算下并不现实，需靠剪枝、蒸馏等方式做取舍。
