一個原本用來寫程式碼、處理文件和執行電腦任務的大模型，如今被放進了駕駛位。獨立研究專案 DrivingBench 公佈了一項實驗性測試：研究人員讓 GPT-6 Astra、Claude Fable 5.1、Grok 4.6 以及 GPT-5.6 Sol 分別控制一輛真實的 2022 款豐田卡羅拉，在停車場內完成由錐桶劃定的固定路線。最終，GPT-6 Astra 成為四個模型中唯一跑完全部賽道的模型。

測試車輛加裝了 comma four 裝置，通過 OBD-C 介面接入車輛 CAN 匯流排，底層車輛控制建立在開源輔助駕駛系統 openpilot 之上。攝像頭畫面以及速度、方向盤狀態等資訊即時傳輸至電腦，再經由 MCP 工具交給大模型。模型可呼叫三個核心工具：觀察周圍環境、設定行駛方向與速度、立即停車。最終的轉向、加速和制動指令再經 openpilot 傳遞給車輛。換言之，Astra 並不直接生成方向盤扭矩或制動壓力，它更像坐在駕駛位上的大腦，根據畫面判斷車輛位置、道路走向和轉彎時機，再告訴底層系統往哪轉、轉多少、以什麼速度行駛。

路線被設計成類似倒 U 形的停車場賽道，包含左轉、直線、緩彎、右轉等場景，終點是由藍色錐桶圍出的停車區域。這套架構與當前量產車中的自動駕駛方案差異很大，卻接近機器人行業近年常見的思路：讓通用模型負責理解環境與任務，再通過標準化工具呼叫底層執行機構。

GPT-6 Astra 的第一次駕駛並不順利。首輪測試中，它行駛 67.3 米，完成約 49% 的路線，用時 1 分 18 秒。車輛經過第一個彎道後逐漸偏向左側錐桶和綠化區域，安全員最終進行了人工干預。隨後發生的一幕可能比完賽本身更有意思：研究人員沒有開啟全新對話，而是讓 Astra 在原有上下文中覆盤失敗原因。Astra 判斷自己第一次駕駛時過早認為車輛已完成對正，隨後將速度提高到 1.5 米/秒，導致偏離後缺乏足夠修正空間。

第二次測試中，它明顯改變了策略。DrivingBench 資料顯示，Astra 此後沒有再讓車速超過 0.8 米/秒，同時明顯增加轉向幅度，在 24 次運動指令中有 20 次使用了 100% 的轉向請求。最終它跑完 134.7 米賽道，用時 5 分 22 秒，共傳送 24 次車輛運動指令。這一輪消耗約 660 萬 token，按當時模型價格計算成本約 7.74 美元。平均車速只有約 0.42 米/秒，相當於每小時 1.5 公里左右——談不上開得好，但至少開到了終點。

研究人員認為，這次測試表現出比較明顯的上下文學習特徵：模型並未重新訓練引數，而是依據第一次駕駛獲得的資訊，在第二次嘗試中調整了速度、轉向和操作節奏。

測試中還有一個值得玩味的插曲。研究人員發現，GPT-6 Astra 最初有時會拒絕控制真實車輛，並明確給出安全方面的理由。即便研究人員告知場地是空曠停車場、車速受限、車內也有安全員，它仍可能拒絕執行。後來研究人員將連線車輛的 MCP 工具名稱改為 DrivingBench Sandbox，拒絕現象明顯減少。團隊表示，目前也無法確定這究竟來自模型對測試環境的判斷，還是單純受到 Sandbox 這一名稱的影響。這個細節甚至比成功完賽更值得研究：隨著大模型從電腦操作進一步進入機器人、汽車等真實物理裝置，模型不僅需要理解世界，還需要判斷哪些操作能夠執行，以及自己的行為會造成什麼現實後果。

當然，134.7 米的成績不能與今天的城市 NOA 甚至 Robotaxi 直接比較。首先，這是一處封閉停車場，沒有機動車、行人、交通訊號燈以及複雜道路博弈。其次，DrivingBench 對車速進行了嚴格限制，系統正常控制範圍最高為 3.5 米/秒，同時設定了更高一級的緊急速度保護。整個測試過程中，車內始終坐著一名安全員，腳放在制動踏板附近，隨時準備接管。攝像頭本身也存在明顯盲區，研究人員承認前視攝像頭難以觀察距離車輛非常近的障礙物，也無法完整看到車輛兩側和後方。更重要的是，目前每個模型實際上只進行了一組連續上下文測試，樣本量遠不足以證明系統具備穩定駕駛能力。

從汽車工程角度看，真正的自動駕駛還要處理毫秒級感知和控制、感測器冗餘、極端場景、安全驗證以及數以億計的道路長尾問題。GPT-6 Astra 目前更像一個速度極慢、反應週期以秒計算，卻已經能夠理解部分物理環境的駕駛者。

OpenAI 在 9 月初釋出 GPT-6 Astra 時，主要強調的是其在計算機操作、瀏覽器、軟體工程、科學研究等領域的能力，並未將汽車駕駛列為模型的核心應用。因此，這次 DrivingBench 實驗並不代表 GPT 會取代現有自動駕駛系統。更值得汽車行業關注的是，通用大模型正在逐漸獲得對真實物理世界的理解和操作能力。對於正在討論世界模型、Physical AI 和具身智慧的汽車行業而言，它提供了一個相當具體的樣本：未來決定汽車如何行動的模型，未必永遠只來自傳統自動駕駛技術體系。