在复旦大学元·创中心的一间实验室里，一场特殊的比赛正在进行。赛道是一个模拟沙盘，参赛的“选手”并非人类，而是由学生们亲手训练的AI模型操控的小车。这些巴掌大的小车沿着车道行驶，遇到蓝白条纹的障碍物时，会灵活变道绕行，展现出令人惊叹的避障能力。
未来信息创新学院的一名本科生杨瑞麒，正紧张地注视着自己的小车。为了这场验收比赛，他投入了十几个小时训练AI模型。当小车顺利完成三圈行驶，仅出现3%的接管率且没有发生任何碰撞时，他长舒了一口气。这个近乎完美的表现，为他赢得了不错的成绩。
这堂名为“自动驾驶人工智能原理与实践”的课程，是复旦大学AI大课体系中的垂域应用类课程，面向全校本科生和研究生开放。课程负责人胡波教授介绍，该课程最初源于校企合作，经过持续改进，如今已大幅降低准入门槛。通过将计算任务迁移至边缘侧，学生无需掌握嵌入式编程等复杂技能，只需通过电脑实现主要AI功能，小车仅作为末端执行平台。
课程内容覆盖自动驾驶开发的完整流程，包括车辆准备、道路采集、数据集预处理、模型编写、训练和部署，以及路测验证。学生不仅需要在仿真平台上跑通算法，还要在线下沙盘上用实物小车验证效果。这种虚实结合的教学方式，让学生能够全面掌握自动驾驶技术。
除了线下实验室，学生们还有一个“线上教室”——“自动驾驶虚拟仿真实验”平台。这个平台包含10个实验步骤和1个日志记录回顾环节，内置5万张由线下沙盘小车采集的实景道路图片，提供10套可选训练集和5层卷积网络模型。平台还配有16个小时的教学视频和18个关键知识点，涵盖从深度学习框架到自动驾驶系统集成的完整知识体系。
胡波教授表示，很多学生学习人工智能时，理论懂、算法熟，但不知道如何落地。这门课的设计初衷，就是让学生在具体领域中实践AI知识。学生先在虚拟平台上学习基本概念、构建数据集、完成模型训练，再到线下用小车验证，避免纯仿真实验的局限性。
选修这门课的24级研究生杨汝坤来自计算与智能创新学院，研究方向是自动驾驶。他表示，这门课既能学习理论知识，又能提升实践能力。整个学期，学生需要完成四个基础实验：经典算法的巡线测试、电机及小车底盘控制、AI基础模型验证、道路采集与数据集构建。这些实验循序渐进，帮助学生逐步掌握自动驾驶技术。
在“道路采集与数据集构建”实验中，学生需要操控小车采集道路图像、存储数据，然后进行清洗、增强和标注，为训练模型构建数据集。智能机器人与先进制造创新学院的一名本科生吕洁熙表示，平时实验多用现成数据集，亲自采集数据后才发现，数据标签可能失衡，采集策略会影响模型效果，这些经验只有通过实践才能获得。
课程最吸引学生的环节，是将训练好的模型部署到小车上，让它在沙盘赛道上运行。考核当天，学生需要让小车在有障碍的赛道上跑完三圈。评分规则不公开，只提供考核计算框架，具体倍数和权重由学生自己摸索。这种设计倒逼学生思考更深层的问题，如降低接管率、避免碰撞、减少越界、提高速度。
杨汝坤回忆，考核当天，小车遇到突发状况：比赛环境与数据采集环境不同，模型表现不如预期。他认为，这正是实践环节的价值所在，数据处理和模型泛化能力的问题只有在真实场景中才会暴露。课题验收时，赛道上的障碍物随机摆放，其中一个位于弯道后方，形成视野盲区。杨瑞麒的模型因缺乏记忆能力，只能根据当前图像判断，容易冲向危险区域。他选择了改变驾驶策略，在不确定位置默认切入外道，成功避开障碍。
这门课程吸引了不同专业和学段的学生，包括计算机、电子信息、生物医学等领域的本科生和研究生。课程对编程基础有一定要求，但更看重动手意愿。考核采用“4+4+2”结构：40%理论知识、40%基础实践、20%挑战考核。理论部分鼓励学生自主探索，实践部分完成规定实验，挑战部分完全开放。
课程所在的自主集群系统实验室里，除了沙盘赛道，还有一个模拟驾驶舱。学生可以坐在驾驶舱内，通过屏幕查看小车的第一视角，用方向盘和踏板操控小车。这个设备与沙盘赛道共用同一套技术平台，学生可以根据兴趣增加难度，探索更复杂的技术问题。
这门课的影响力已超出课堂范围。配套的虚拟仿真平台在国家虚拟仿真实验教学课程共享平台上线，向全国高校开放。数据显示，近百所高校已将该平台用于课程教学，有的学校一学期有上百名学生使用。课程还衍生出多项科创项目，学生基于沙盘提出创新算法，验证大模型实现自动驾驶的可行性，解决实时性与准确率问题。
胡波教授表示，课程的目标不是让学生学完直接进入企业开发自动驾驶系统，而是让他们了解整个流程，知道AI如何落地，遇到哪些挑战，具备迭代优化的能力。这种教学方式，正在培养一批既懂理论又擅实践的复合型人才。
