自动驾驶省80%训练数据，靠的不是模型是选数据

想象你是自动驾驶团队的负责人：车队每年攒下数百万小时的驾驶录像，从波士顿的连环环岛到拉斯维加斯的深夜高速，从暴雨天的拥堵到乡村路的碎石，数据多到硬盘在哭，算力却不够用。老板要你用这些数据训出最好的模型，但预算只够喂1/5的数据。挑哪部分？随便选可能漏了紧急避让的关键场景；均匀采样，波士顿的环岛和拉斯维加斯的直道，对模型的价值能一样吗？2026年，一支研究团队拿出的方案，把这个难题解决得干脆利落：只用20%的数据，就达到了全量数据训练的效果。

先给数据“分帮派”：聚类的底层逻辑

你可以把自动驾驶的训练数据想象成一锅大杂烩：有海鲜、有青菜、有主食，混在一起煮，既浪费食材，也煮不出好菜。MOSAIC做的第一件事，就是把这锅菜按食材类型分开——也就是数据聚类。

聚类不是简单按地理位置或天气分堆，而是用算法找出那些“对模型提升效果相似”的数据。比如波士顿的环岛、旧金山的陡坡，虽然地理位置不同，但都属于“需要复杂转向决策”的场景，会被归为一类；而拉斯维加斯的直道、德州的乡村公路，都属于“长时间匀速驾驶”的场景，会被归为另一类。

分好堆还不够，同一堆里也有好坏之分。MOSAIC会给每个数据样本打个“重要性分数”：用当前模型跑一遍这个样本，看它能给综合驾驶评分（比如不撞车、守交规、坐得舒服这些指标的总分）带来多少提升。提升多的就是“优等生”，优先选进训练集。

但真实的聚类比这个类比更精确：它用的是无监督学习算法，通过分析数据的特征空间，自动找出相似度最高的样本组，不需要人工定义“复杂转向”或者“匀速驾驶”这些标签。

用缩放定律算“性价比”：不瞎采每一份数据

如果说聚类是“分帮派”，那缩放定律就是MOSAIC的“算账工具”。这个概念原本在大语言模型领域火——简单说就是，模型性能随数据量增长的规律是可预测的，就像你给手机充电，前10分钟能充50%，后面10分钟可能只能充20%，边际收益会递减。

MOSAIC给每个数据聚类单独拟合一条缩放曲线：先做几次小规模的“试点训练”，比如从“复杂转向”聚类里取100、200、400个数据，看模型的综合评分分别涨了多少，然后用这些数据拟合出一条饱和曲线。这条曲线能预测：再从这个聚类里加100个数据，能多涨多少分？什么时候再加数据就不划算？

有了这条曲线，MOSAIC就像拿着一张“数据性价比地图”：先采那些加一点数据就能涨很多分的“富矿”，比如波士顿的环岛；等这些“富矿”的边际收益降下来，再去采那些涨分慢但稳定的“贫矿”，比如德州的乡村公路；最后实在没矿采了，才去碰那些涨分微乎其微的“废矿”，比如拉斯维加斯的直道。

这个过程是动态迭代的：每采一批数据，就重新计算一次各聚类的边际收益，然后调整下一批的采样本。直到把预算花光，最后选出的数据集，就是在给定预算下能让模型性能最大化的最优组合。

不是完美方案：它的短板和未来

当然，MOSAIC也不是万能的。它的效果高度依赖初始聚类的质量——如果把“复杂转向”和“匀速驾驶”的数据混在一个聚类里，那拟合出的缩放曲线就会完全失准，后续的选择也就全错了。而且，拟合每个聚类的缩放曲线需要做多次试点训练，这本身也要消耗算力，虽然比起全量训练的成本来说九牛一毛，但对于超大规模的模型和数据集，这笔开销也不能完全忽略。

更值得关注的是，MOSAIC的思路其实跳出了“靠更大模型、更多数据提升性能”的惯性思维，转向了“用更聪明的方法利用现有数据”。这在AI训练成本越来越高的今天，可能是比研发新模型更务实的方向。它的框架是通用的，不仅能用于自动驾驶，还能迁移到机器人、医疗影像分析等任何“数据多到用不完、算力却不够”的领域。

实验数据也证明了这一点：在OpenScene数据集上，MOSAIC只用随机采样15%的数据，就达到了后者用全量数据训练的效果；在Navtrain数据集上，数据效率提升也高达70%。而且它不是在某一个指标上刷分，而是能平衡提升所有驾驶指标——比如发现模型在“碰撞避免”上得分低，就优先采能提升这个指标的数据。

当我们还在惊叹大模型参数突破万亿的时候，MOSAIC悄悄给AI训练踩了一脚“刹车”：不是数据越多越好，而是有用的数据越多越好。它就像一个精明的投资人，不会把钱撒在每一个项目上，而是把钱投给那些回报率最高的项目，直到预算花完。

“数据的价值不在多，而在精准。”这句话放在今天的AI领域，比任何时候都更有分量。未来的AI训练，可能不再是比谁的数据更多、模型更大，而是比谁能更聪明地利用数据——毕竟，算力和数据的成本不会无限下降，但人类的智慧可以无限提升。