主要内容
Motional与麻省理工学院（MIT）研究团队联合开发出可实时解释自动驾驶决策的系统，解决了自动驾驶AI的“黑箱问题”。该成果已发表于《自然》期刊，由Motional CEO Laura Major领衔，联合MIT计算机科学与人工智能实验室研究人员完成。
该团队提出的“概念封装网络（CW-Net）”，可将自动驾驶系统神经网络的内部计算转化为“接近停止车辆”“靠近骑行者”等人类可理解的概念。这些概念将实时显示在车辆仪表盘上，直接呈现影响决策的关键因素，且解释具有“因果忠实性”——决策过程直接基于可解释概念，而非事后推测，确保解释准确可信。
Motional和MIT团队在拉斯维加斯的实际道路及私人测试场部署CW-Net，验证其实际效果。测试中发现两起典型案例：一是自动驾驶车辆因训练数据偏差，“幻觉”检测到停止车辆，即使移除锥桶后仍触发制动；二是车辆对骑行者的检测，实际决策来自安全备份系统而非深度学习规划器，暴露了纯算法决策的潜在风险。
Laura Major强调，纯端到端深度学习虽能达到80%-95%的准确率，但无法完全替代人类司机，更难以获得城市、社区与公众的信任。CW-Net的可解释性让自动驾驶决策过程透明化，是提升系统可信度的关键，使城市级部署成为可能。
（全文约480字）
