自动驾驶与智能座舱大模型

1. 大模型给自动驾驶带来了什么变化？
1. 端到端范式：从"感知-预测-规划"分模块堆叠走向统一神经网络。
2. 数据驱动程度加深：长尾场景靠数据闭环自动挖掘而不是人工写规则。
3. 语言能力引入：理解导航指令、交通手势、非常规路况描述。
4. 世界模型兴起：用视频预测学习物理世界的运动规律。
5. 车端算力与模型规模的矛盾是核心工程约束。
6. 但安全验证体系没有跟着范式走，是新范式的最大争议。
7. 面试要点：能说清"模块化到端到端"的范式转变及代价。

2. 端到端自动驾驶的优劣是什么？
1. 优势：全局优化，避免模块间误差传递和信息损失。
2. 数据飞轮驱动：影子模式收集人类驾驶行为，持续模仿学习。
3. 劣势一：黑盒难归因，事故责任分析变得困难。
4. 劣势二：长尾场景难保证，罕见情况的数据天然稀缺。
5. 劣势三：验证难，无法逐模块测试，只能场景级验证。
6. 折中方案：端到端为主，关键安全约束（如避撞）仍做显式校验。
7. 面试要点：能平衡地讲优势与验证难题，不吹不黑。

3. 世界模型在自动驾驶里怎么用？
1. 学习"看到当前场景，预测接下来几秒会发生什么"的能力。
2. 用途一：预测其他交通参与者的行为，提升决策前瞻性。
3. 用途二：合成 rare case 训练数据，缓解长尾数据稀缺。
4. 用途三：闭环仿真，在模型虚构的世界里大规模测试策略。
5. 难点是物理一致性：生成的世界不符合物理规律会误导训练。
6. 与端到端模型可以联合训练，共享对世界的理解。
7. 面试要点：世界模型的核心价值是"把真实道路的稀缺经验变成可生成的数据"。

4. 数据闭环是怎么运转的？
1. 影子模式：量产车在后台跑模型，与人类驾驶行为比对。
2. 难例挖掘：模型与人类行为分歧大的片段自动回传。
3. 数据标注：自动预标注加人工精修，大模型降低标注成本。
4. 训练迭代：新数据进模型，新版本灰度推送验证。
5. 版本管理：车端模型版本与数据版本的对应关系要严格。
6. 合规约束：车外画面涉及公共隐私，回传数据要脱敏合规。
7. 面试要点：数据闭环是自动驾驶公司的核心资产，比单点模型重要。

5. 智能座舱的大模型应用有哪些？
1. 语音助手升级：从指令式到对话式，"我有点冷"能被理解为调空调。
2. 多音区交互：主驾、副驾、后排分开响应，声纹区分用户。
3. 车控自然语言化：跨多个控制器的复合指令（打开车窗加下雨模式）。
4. 场景引擎：结合导航、时间、习惯主动服务（堵车时推荐规避路线）。
5. 车载娱乐与办公：等车时会议摘要、儿童模式的故事生成。
6. 座舱大模型对延迟和离线能力要求比手机更苛刻。
7. 面试要点：座舱的关键词是"主动服务"而不是"被动应答"。

6. 车端部署大模型的特殊约束？
1. 车规级芯片算力有限，且要和自动驾驶系统共享算力。
2. 功耗与散热：座舱芯片的热设计远不如服务器。
3. 温度适应：车辆暴晒与寒冬环境都要稳定工作。
4. 断网可用：地库、山区没信号，核心功能必须本地运行。
5. 车规认证：软件更新要走严格的验证流程，OTA 不是想发就发。
6. 成本敏感：整车 BOM 里留给座舱 AI 的预算很有限。
7. 面试要点：车端是"最严苛的端侧环境"，一切模型都要按此裁剪。

7. 车载语音和手机语音助手差在哪？
1. 噪声环境：风噪、路噪、音乐声，识别环境更恶劣。
2. 打断与抢话：对话中途改变指令是常态，响应要即时。
3. 安全边界：行驶中不能给过于沉浸的交互（长文本阅读）。
4. 免唤醒与多轮：连续对话不喊唤醒词，靠声纹与朝向判断。
5. 与车控深度绑定：语音直接控车，误识别的代价是行车安全。
6. 误唤醒率是关键指标：车里聊天不能随便触发助手。
7. 面试要点：车载语音的第一性原则是"不能干扰驾驶"。

8. 自动驾驶的安全验证怎么做？
1. 仿真测试：海量虚拟场景回归，覆盖危险场景不必真撞。
2. 场景库建设：自然驾驶数据、事故数据、法规场景三层来源。
3. 大模型时代的新题：端到端模型无法逐模块验证，只能场景级统计。
4. 网络攻击面：OTA、传感器欺骗（对抗样本贴纸）都是攻击向量。
5. 冗余设计：感知冗余、制动冗余，AI 失效时兜底盘必须有。
6. 事故责任与数据记录：事件数据记录器是事故分析的依据。
7. 面试要点：能讲"仿真加实车加影子"三层验证体系就是完整答案。

9. 法规与责任在自动驾驶 AI 里怎么处理？
1. 责任划分：辅助驾驶（人负责）与自动驾驶（系统负责）的级别分界。
2. 事故认定依赖数据：感知日志、决策记录必须可回放。
3. 数据合规：车外公共道路数据的采集与回传有专门法规。
4. 地图测绘资质：高精地图数据敏感，涉外数据管理严格。
5. OTA 监管：涉及驾驶功能的更新要备案审批。
6. 各地区法规差异大，全球化产品要按市场分别适配。
7. 面试要点：自动驾驶的难点一半在技术一半在"责任框架"。

10. LLM 与现有自动驾驶栈怎么结合？
1. 座舱层已落地：对话交互、场景服务，风险低见效快。
2. 驾驶层是辅助角色：长尾场景理解、数据标注、仿真场景生成。
3. 规划层的 LLM 化仍处研究阶段，实时性是硬约束。
4. VLA（视觉-语言-动作）模型是当前研究热点，用语言先验增强驾驶决策。
5. 工程上要解决车规芯片上的推理效率和确定性时延。
6. 语言先验的价值：人类驾驶知识（交规、常识）注入驾驶模型。
7. 面试要点：分层看"哪些环节 LLM 已可用，哪些还在研究"。

11. 落地车载大模型最常踩的坑？
1. 座舱语音响应超过两秒，用户评价"不如手机"，体验翻车。
2. 语音控车误识别，行驶中误开后备箱这类事故级体验。
3. 断网即瘫痪，地库变"砖头"，口碑崩塌。
4. OTA 更新引入回归 bug，车规验证不足被召回。
5. 乱花算力：大模型全量上车，功耗把续航打穿。
6. 数据回传不合规，触碰测绘与隐私红线。
7. 最根本：忘了车里用户的核心诉求是"安全到达"，AI 是锦上添花。

包含的内容比较多，这里只做了简单的截图介绍，需要拿来学习的小伙伴查看下方图片！

📚 大模型面试题系列 · 持续更新

INTRO_REMOVED

长按识别二维码，添加微信好友

获取完整版面试题合集，注明 「面试」 通过好友申请