在智能辅助驾驶的开发体系中，数据是燃料。决定系统进化速度的，是从海量路测数据里提炼“黄金场景”的能力，这正是智能驾驶数据闭环要解决的核心命题。

福瑞泰克 FUGA 数据平台升级到 4.0，全面接入大模型技术。这个会推理、能深度思考的“智能勘探家”，正在改变数据闭环的运作方式。

为什么传统场景挖掘越来越吃力

过去在海量路测数据中寻找高价值场景，主要依赖传统神经网络识别。这就像用一把把固定的钥匙，去开无数把锁。

具体痛点集中在四个方面：

• 规则固定、匹配效率低，海量数据筛不动

• 容易漏掉从未见过的“新锁”，也就是长尾场景（Corner Cases）

• 复杂路口博弈、罕见异形障碍物等稀有场景召回不足

• 场景标签维度有限，难以支撑算法迭代对数据质量的要求

换句话说，传统数据闭环只能做“浅挖掘”，做不到对场景的“真理解”。

FUGA-VL大模型，让数据闭环学会理解场景

FUGA 4.0 的核心变化，是引入经过海量场景数据训练的 FUGA-VL 大模型。它不再只盯着像素，而是具备真正的场景理解能力。

两组对比可以直观感受差异：

• 以前：系统看到一辆车，只知道“这里有个矩形物体”

• 现在：像老司机一样一眼读出“路口红绿灯场景、下着小雨、行人正在横穿，对面摩托车可能侵入自车车道，存在碰撞风险”

从“识别物体”到“理解风险链路”，是数据闭环质量跃升的关键一步，也是大模型带给智能驾驶最实质的增益。

大模型大脑 + 轻量级小脑的融合架构

FUGA 4.0 并没有抛弃传统技术，而是走出一条“大模型理解 + 轻量级传统挖掘”的融合路线，两条腿走路：

• 大模型作为“大脑”：负责宏观理解与逻辑推理，识别自然环境、道路特征、动静态障碍物，还能读懂提示词（Prompt），主动寻找模型没被训练过、但极具价值的长尾场景

• 传统算法作为“小脑”：提供精确的量化描述，把底盘信号、高精度检测结果转化为自然语言信息，喂给大模型

两者通过自研的数据闭环 Agent 和各类技能（Skills）串联起来。系统既有大模型的泛化理解力，又不丢传统方案的精准度。

传统方案与FUGA4.0能力对比

三项能力跃迁，看得更准也想得更深

融合架构带来的效果，体现在三个层面：

• 通用场景的“火眼金睛”：天气、路况等基础环境标签的识别准确率迈上新台阶

• 复杂博弈的“读心术”：路口交互场景中，从看懂“谁在动”升级为看懂“谁想让谁”

• 运动预测的“精算师”：对自车与障碍物的速度、航向等运动状态保持高稳定性，同时敏锐捕捉异形障碍物和特殊道路结构

更重要的是，大模型赋予了平台预测未来的能力。它不仅能识别当下风险，还能推演接下来几秒可能发生的情形，提前锁定潜在高危场景。

数据闭环每月产出数十万级高价值场景

FUGA 4.0 已经走出实验室，进入大规模实战应用。全新的数据挖掘框架全天候处理三类数据流：采集数据、问题打点数据、待标注数据。

一组关键数字可以说明数据闭环的规模化产出能力：

• 每月有数以十万计的高价值场景被从海量数据中挖掘出来，并自动打上精准标签

• 挖掘出的价值场景直接用于分析与仿真测试，大幅缩短算法开发和验证迭代的周期

• 在仿真环境中实现“日行百万公里”的测试目标，替代大量真实道路测试

以一个复杂路口为例：传统方案可能只记录“前方有车辆减速”，而 FUGA-VL 能完整还原“无保护左转、雨天、行人横穿、对向摩托车抢行”的完整博弈链路，并推演后续的碰撞风险。

这类高价值场景，正是智能驾驶算法最稀缺的训练养料，也是数据闭环持续创造价值的地方。

从规则驱动到Agent驱动，数据闭环的三次演进

福瑞泰克数据平台从 1.0 起步，驱动方式经历了三次升级：

1. 规则驱动：依靠人工规则筛选数据，覆盖面有限

2. 模型驱动：依靠神经网络批量识别，效率提升但理解浅层

3. Agent 智能体驱动：大模型 + 数据闭环 Agent 自主理解场景、主动挖掘价值

数据闭环的下一站，从记录者到守护者

在数据为王的时代，FUGA 选择对数据进行“深度思考”。随着 AI 与大模型的持续赋能，智能驾驶数据平台将不只是数据的记录者，更是智能辅助驾驶安全与效率的守护者和领航员。