研究过图像识别的朋友知道，大模型的输出，对应的是一个物品列表，和每一个物品的概率，这个物品列表里面的东西数量是有限的。

比如，一个视频图像送进大模型，正常情况下会输出下面数据：

大卡车：95%
小汽车：2%
猫：1%
人：0.5%

软件通过一个阈值，例如90%，来判断前方物体，然后做出减速，规避等等动作决策。

正常情况下没有问题，上面例子中，模型识别到了大卡车。但是一旦遇到不认识的东西，就会产生下面这种输出：

大卡车：21%
小汽车：12%
猫：10%
人：7%

物品列表中所有东西的概率都没有到达90%的阈值，结果就是模型认为前方没有任何能够引发规避动作的物品，所以车子不会减速也不会避让。这也是为什么很多智驾引起的事故，明明检测到障碍却还是撞上去的原因。

从这个角度来说，我认为激光雷达和视觉一样都有这个局限。核心不在是否更精准检测到障碍，而是是否认识那个障碍物。
--
修改:kof94 FROM 120.229.48.*
FROM 120.229.48.*