自动驾驶大模型减负：剪90%数据还更安全

想象一下：一辆自动驾驶汽车顶着6个摄像头，每秒要处理上万个视觉数据块——相当于同时读几十页密密麻麻的图片“文字”，还要实时判断要不要刹车、变道。这堆数据里，90%都是重复的马路、不变的楼房，真正关键的突然窜出的行人、变红的信号灯，反而可能被淹没在数据洪水里。2026年4月，中科院团队拿出了一个像给电脑装了智能垃圾清理插件的方案：不用重新训练模型，直接砍掉90%冗余数据，还能让系统对危险的反应更精准。这就是ST-Prune，一个专门给自动驾驶大模型“减负”的时空剪枝机制。

从“瞎删”到“精剪”：找准冗余的命门

过去给自动驾驶大模型剪数据，就像闭着眼睛扔东西——不管是关键的行人还是重复的背景，全混在一起按统一规则删，结果常常是把救命的信息扔了，留了一堆没用的马路。ST-Prune的聪明之处，在于它读懂了自动驾驶场景的“专属冗余”：时间上，连续几帧里只有移动的物体才重要；空间上，6个环视摄像头拍的画面有大量重叠，同一个天桥可能被拍3次。

它用了一套“双刀流”策略：先在时间维度“挑动态”——给每个数据块算两个分，一个是“运动分”，看这个块在连续帧里动得有多厉害，动得越凶分越高；另一个是“新鲜分”，最新的帧数据分最高。两个分加起来，优先保留动得多、刚出现的信息，比如突然过马路的行人，直接把重复的静态背景全砍掉。

接着在空间维度“去重复”——利用6个摄像头的物理排列顺序，每个数据块只和左右相邻摄像头的比相似度，相似度越高说明越冗余，就优先删掉。比如前左摄像头拍的马路牙子，在前摄像头里也有几乎一样的，就只留一份。整个过程不用重新训练模型，像个插件一样直接插在现有系统上，即插即用。

砍90%数据还能赢：实验室里的硬成绩

中科院团队在四个主流自动驾驶测试基准上验证了ST-Prune的实力：当只保留25%的数据时，模型性能只比用全量数据时低0.28分，远甩其他剪枝方法几条街；就算只留10%的数据——相当于砍掉90%的冗余，ST-Prune的表现依然比其他方法用25%数据时还好。

在NuInstruct测试里，其他方法砍到10%数据时，误差直接飙到10以上，而ST-Prune的误差反而从3.50降到了3.49，相当于删了数据还变准了。这是因为它精准地删掉了干扰信息，让模型能更聚焦关键内容。效率上也实打实：保留10%数据时，推理速度提升了1.5到1.8倍，车载芯片的算力压力直接减轻大半。

更难得的是，这套方法对超参数不敏感——不用反复调试复杂的参数，随便调调就能拿到不错的结果，工程师不用花几个月去适配。而且它的额外计算量极小，几乎不增加系统负担，完全符合车载设备对低延迟、高稳定的要求。

不是终点：剪枝技术的下一站

不过ST-Prune也不是完美的。它的空间剪枝模块依赖多摄像头的排列结构，要是换成单摄像头的场景，这部分就派不上用场。而且目前它的剪枝比例还是固定的，没法根据实时路况动态调整——比如在空旷的高速上可以多删点，在拥挤的市区就少删点。

未来的剪枝技术，得学会“随机应变”：比如根据实时路况自动调剪枝比例，在单摄像头场景下也能精准识别冗余；还要能适配更多不同结构的大模型，而不是只针对某几种。另外，现在的测试大多在实验室里，真正放到真实的车载芯片上，延迟、功耗表现还得再打个问号——毕竟实验室的算力和车载设备的算力，差的可不是一星半点。

更值得关注的是，ST-Prune的思路给自动驾驶算力优化指了一条新方向：与其一味追求更大的模型、更强的芯片，不如先把现有数据里的“水分”挤干。毕竟，对自动驾驶来说，不是数据越多越好，而是有用的数据越多越好。

当我们还在惊叹大模型的参数从百亿涨到千亿时，中科院团队用ST-Prune证明：有时候，做减法比做加法更重要。自动驾驶的终极目标从来不是处理海量数据，而是在正确的时间做出正确的决策——砍掉冗余，留下关键，才是通向安全高效的捷径。

算力瓶颈从来不是靠堆芯片就能解决的，真正的突破，藏在对场景的精准理解里。少即是多，精准胜过海量，这不仅是ST-Prune的核心逻辑，也是自动驾驶技术落地的必经之路。