在近日于上海举行的第四届全球智能驾驶峰会暨网络与信息安全软件开发论坛上，商汤科技移动智能事业群智能驾驶副总裁石建萍发表了主题演讲。她深入剖析了当前智能驾驶技术发展的核心挑战与未来路径，明确指出：高效解决海量、复杂的长尾场景，是全面提升智能驾驶系统场景覆盖度与安全可靠性的根本前提。

石建萍首先回顾了智能驾驶技术的发展历程。她指出，在经历了基础感知、规控功能的实现与常见场景（即“头部场景”）的初步覆盖后，行业正步入深水区。真正的挑战来自于那些出现频率低、但种类极其繁多、形态各异的“长尾场景”，例如极端天气、罕见交通参与者行为、复杂道路异形结构等。这些场景虽不常见，但一旦发生，对系统的处理能力要求极高，直接关系到驾驶安全与用户体验。

“长尾场景的解决，不能依靠简单的数据堆砌或规则枚举。”石建萍强调。她认为，传统方法在面对近乎无限的长尾问题时，会遭遇研发效率瓶颈和成本压力。因此，高效解决之道在于构建更强大的底层AI基础设施与核心能力。她详细介绍了商汤科技在此领域的思考与实践：

1. 感知决策一体化的大模型驱动范式：商汤正致力于研发面向自动驾驶的视觉大模型及多模态大模型。通过大规模、多任务的预训练，模型能够获得对物理世界更深层次的理解和泛化能力。当遇到未曾明确标注过的长尾场景时，模型能够基于其强大的通用知识进行推理和判断，而非仅仅依赖有限的数据集，从而显著提升对未知场景的应对能力。

1. 高效的数据闭环与仿真体系：利用生成式AI技术，可以低成本、高效率地生成海量、高质量的长尾场景合成数据，用于模型训练和补充。结合高保真仿真平台，能够对难以在现实世界中复现或存在高风险的长尾场景进行充分测试与验证，加速算法迭代，形成“真实数据驱动-合成数据补充-仿真极致验证”的高效闭环。

1. 车云协同的持续进化能力：真正的“高效”不仅体现在研发阶段，更贯穿于车辆全生命周期。通过车端轻量化模型与云端大模型的协同，系统可以实现对行驶过程中遇到的“新”长尾案例的持续学习与模型优化，并将升级后的能力通过OTA方式部署到车队中，让整个车队的智能水平不断进化，逐步消化长尾问题。

石建萍进一步将智能驾驶与本次峰会的另一个主题——网络与信息安全——联系起来。她指出，随着智能驾驶系统复杂度的提升，尤其是车云协同和数据闭环的深入，网络安全、数据安全与功能安全变得深度耦合。确保数据在采集、传输、训练、部署各环节的安全，防御针对AI模型和传感器的潜在攻击，是智能驾驶系统，尤其是在应对长尾场景时能够可靠运行的基石。商汤在研发智能驾驶技术的也构建了完整的内生安全架构。

石建萍道，智能驾驶的最终目标是实现全场景、无隐患的可靠体验。通往这一目标的道路上，攻克长尾场景是必须翻越的山峰。而翻越这座山峰不能仅靠“人力”，必须依靠以AI大模型为代表的新一代AI技术，构建起高效感知、高效迭代、高效进化的系统能力，同时筑牢网络信息安全的防线。她表示，商汤科技将继续深耕原创AI技术，与行业伙伴一道，推动智能驾驶技术迈向更安全、更广泛普及的新阶段。

本届峰会聚焦智能驾驶与网络安全的融合发展，石建萍的演讲从技术根本出发，为行业突破当前瓶颈提供了清晰的技术视角与实践路径，引发了与会者的广泛共鸣与深入讨论。