🚘 我们所听到的“SFT”？

如果你最近关注过自动驾驶相关的新闻、发布会或者短视频，可能会听到一些新词，比如：

“我们采用了 SFT 技术，让自动驾驶更像人类驾驶员。”

听起来是不是有点陌生？其实你不是一个人。随着自动驾驶技术的不断进步，相关的术语也越来越多，像“大模型”、“蒸馏”、“DAgger”、“SFT”……有时候听着像是科研论文里的词，突然就出现在了产品介绍里。

但这些词并不是为了“显得高深”，它们背后确实代表着一些正在改变自动驾驶体验的关键技术。SFT（Supervised Fine-Tuning），就是其中一个非常核心的环节。

🧑‍🏫 SFT 到底是干嘛的？

简单来说，SFT 就像是给 AI 上的一堂“私教课”：

• 它不是从零开始教，而是在 AI 已经有一定基础的情况下，用人类的经验和数据进一步指导它怎么做得更好。
• 在自动驾驶中，这意味着让 AI 更像一个有经验的老司机，知道什么时候该减速、什么时候该变道、什么时候该“别急，先观察一下”。

🤔 作为用户我们应该知道

我们在为这项技术买单的同时，更应该了解他背后的逻辑，这样我们才能够：

• 更清楚地知道你的车是怎么“学会”开车的
• 在面对不同品牌、不同技术路线时，做出更有判断力的选择
• 不再被“听不懂”的术语劝退，反而能多一份理解和信任

🧠 SFT是怎么“教会”AI开车的？

从零开始教它怎么识别红绿灯、怎么踩油门，这不是私教需要做的事，而是在掌握了基本技能的基础上，用大量人类经验来“精雕细琢”它的行为方式。

📚 教材从哪来？谁在教？

SFT 的“教材”其实就是大量的人工标注数据，比如：

• 人类驾驶员在各种场景下的操作记录
• 专家对复杂路况的处理建议
• 多模态感知数据（图像、雷达、激光雷达）配合行为标签

这些数据被整理成“问题+答案”的形式，喂给模型进行训练。比如：

问题：前方有行人横穿马路，旁边还有一辆车在并道，你会怎么做？
答案：减速、保持车道、等待行人通过后再继续前进。

通过这样的训练，模型逐渐学会在复杂场景中做出更像人类的判断。

🧠 它学到的到底是什么？

SFT 并不是让模型死记硬背，而是让它在已有的基础上，学会“模仿”人类的思考方式。比如：

• 在变道时考虑后车速度，而不是只看车道线
• 在遇到不确定情况时选择“保守策略”，而不是激进操作
• 在城市道路中识别“潜在风险”，比如路边突然开门的车辆

这些能力，都是通过 SFT 一点点“教”出来的。

🛣️ SFT的应用

了解了 SFT 是怎么“教”AI开车之后，很多人可能会好奇：它到底用在自动驾驶系统的哪些地方？是不是只影响车怎么开？

其实，SFT 的应用远不止“开车”本身，它已经渗透进自动驾驶的多个关键模块，帮助系统变得更聪明、更安全、更贴近人类驾驶习惯。

🚗 决策模块：让 AI 更像老司机

这是 SFT 最直接的应用场景之一。通过学习人类驾驶员在各种复杂路况下的决策，AI 能够：

• 判断什么时候该变道、超车、避障
• 在遇到不确定情况时选择更保守的策略
• 在城市道路中处理“非标准”场景，比如电动车突然逆行、行人突然横穿马路

SFT 就像是把老司机的经验“灌输”给模型，让它不只是机械执行规则，而是有“判断力”。

🧠 语义理解：听懂你的语音指令

随着人车交互越来越智能，很多车型已经支持语音控制，比如：

“带我去最近的咖啡店。”
“帮我找一个停车位。”

这些指令背后，其实需要模型理解你的意图、结合地图信息、规划路线甚至控制车辆。SFT 在这里的作用是：

• 训练模型理解自然语言中的模糊表达
• 学会将语义转化为具体的操作指令
• 提高交互的准确性和自然度

🧩 多模态融合：看懂复杂路况

自动驾驶系统通常依赖多种传感器：摄像头、雷达、激光雷达……每种传感器都有自己的优势和局限。SFT 可以帮助模型：

• 学会如何融合不同传感器的数据
• 在雨天、夜晚、逆光等复杂环境下保持稳定感知
• 理解场景中的语义信息，比如“这是一个施工区域”或“这是一个临时停车点”

通过 SFT，模型不只是“看到”，而是“理解”它看到的内容。

🔍 那些听起来很像但其实不一样

除了 SFT，你可能还听过一些类似的词，比如“大模型蒸馏”、“DAgger”。它们听起来都像是在“训练 AI”，但其实各有不同的作用。

📊 三种常见“AI训练术语”的对比表

技术名称	类比方式	主要作用	应用阶段	自动驾驶中的典型用途
SFT（监督微调）	私教课	教模型更像人类	模型训练中期	决策、语义理解、多模态融合
蒸馏（Distillation）	瘦身营养餐	压缩模型体积	模型训练后期	模型部署到车载芯片
DAgger（Dataset Aggregation）	路考+教练纠错	纠正模型偏差	模型上线后持续学习	行为学习、路径规划

SFT 是“教”，蒸馏是“瘦”，DAgger 是“纠错”。
三者虽然都和“训练 AI”有关，但作用阶段不同、目标不同，常常是协同使用，共同构建出一个更聪明、更可靠的自动驾驶系统。

🧭 听懂术语，做更聪明的用户

自动驾驶技术正在快速发展，相关术语也越来越多。了解这些，不是为了“炫技”，而是为了更好地理解前沿技术，更高维度上有我们自己的理解。

SFT 代表着一种“教 AI 更像人类”的训练方式：

• 它不是从零开始训练，而是在已有基础上进行“精细化指导”
• 它应用在多个模块中：决策、语义理解、多模态融合
• 它和蒸馏、DAgger等技术一起，构成了自动驾驶模型训练的完整体系

🚗 自动驾驶不只是“能动”，更是“懂动”。而 SFT，就是让它更懂的关键一步。