近日，清華大學智能產業研究院（AIR）團隊在 npj Artificial Intelligence 發表題為《Human and algorithmic visual attention in driving tasks》的研究。該研究圍繞自動駕駛這一安全關鍵場景展開，首次通過“人類眼動追蹤實驗 + 算法對比驗證”的雙軌設計，系統拆解了人類與算法在視覺注意力上的本質差異。研究采用了3×3×2混合實驗設計，招募36名駕駛員（18名專家、18名新手），并結合眼動數據對駕駛注意力進行階段劃分，最終提出人類駕駛注意力可分為掃描、檢查、重新評估三個階段，其中“檢查階段”的語義注意力，是提升算法性能的關鍵入口。

在該研究中，清華AIR團隊基于北京七鑫易維信息技術有限公司的aSee Pro桌面式眼動儀完成了關鍵的眼動數據采集。在異常檢測任務中，研究招募了5名駕駛員，并通過 aSee Pro以 250Hz 采樣率進行全程記錄，為后續的注意力階段劃分、注視軌跡建模以及人類與算法注意力相關性分析提供了穩定的數據基礎。對于這類對時間分辨率與空間精度要求極高的研究而言，眼動設備的作用并不止于數據記錄本身，其精度與穩定性直接影響注意力結構的可解析程度，也在很大程度上決定了相關分析結果的可靠性。

論文的核心發現之一，是駕駛任務中的人類注意力并不是單一連續過程，而是具有清晰的階段結構：掃描階段以自下而上的空間搜索為主，檢查階段以對 AOI 特征和語義的評估為主，重新評估階段則體現出任務驅動下的混合注意力。研究結果顯示，專家和新手在檢查階段表現出顯著差異，例如專家檢查階段時長達到 705.75ms，高于新手的 622.52ms。也就是說，人類駕駛中的“看見”，并不只是看到了什么位置，更重要的是看懂了什么語義。這個結論之所以能夠被清楚地量化出來，關鍵就在于眼動數據足夠細、足夠穩，才能把這種原本難以觀察的認知過程轉成可分析的行為證據。

研究進一步驗證了一個更重要的問題：算法雖然在空間定位上有優勢，但在語義顯著性提取上仍存在明顯短板。團隊將不同階段的人類注意力融入 AxANet、UniAD、VAD、DriveLM、TOD3Cap 等模型后發現，檢查階段注意力帶來的提升最穩定，也最顯著。例如，AxANet 在異常檢測任務中，融入檢查階段注意力后，準確率從 0.724 提升到 0.736；而將掃描階段注意力融入后，準確率反而下降到 0.709。軌跡規劃任務中，UniAD 的平均 L2 誤差從 0.90m 降至 0.82m，VAD 的碰撞率也出現下降。相較之下，大模型在高維推理任務中并未明顯受益，而在細粒度視覺接地任務中則仍能看到語義注意力帶來的提升。這些結果共同說明，真正能補上算法缺口的，不是簡單模仿“看哪里”，而是補入“為什么看、看到了什么意義”的語義注意力。

在這項研究中，七鑫易維 aSee Pro眼動儀的是作為數據采集與分析的基礎模塊自然嵌入其中。論文中的三階段注意力劃分、偽人類注意力生成以及模型驗證流程，本質上都依賴于穩定、精細的眼動數據支撐。高采樣率與高精度記錄，使研究得以從注視點坐標、AOI 時序、注視時長等多個維度刻畫專家與新手差異，并進一步轉化為算法優化的依據。這也意味著，設備并非簡單“出鏡”，而是參與到研究方法本身。

從產品體系來看，以 aSee Pro與 aSee Pro Plus（1500hz）系列為核心，結合 aSee Glasses、aSee VR、aSeeA8、aSee Pad、aSee Expert（2000hz） 等不同形態設備，七鑫易維構建了覆蓋科研到多場景應用的完整能力。同時，其能力已從單一設備延展至醫療、教育、車載、XR、溝通輔具等方向的應用方案與數據服務層，逐步形成面向行業的眼動技術解決路徑。

如果把這篇 Nature 論文放回到產業視角看，它真正說明的是：眼動追蹤已經不再只是心理學或實驗室里的輔助工具，而正在成為連接人類認知、算法學習與真實場景決策的重要數據接口。清華AIR團隊借助七鑫易維 aSee Pro眼動儀完成的這項研究，把“人類如何看”變成了“算法如何學”的問題，也把眼動數據從單純的觀測變量，推進為能夠參與模型優化的語義信號。對于自動駕駛、智能座艙、醫學評估和人機交互等領域來說，這類研究的價值不只在論文結果本身，更在于它給出了一個可復制的方法路徑：用高質量眼動數據，把人的注意力結構變成算法可用的輸入。

因此，這篇論文的意義并不只是“發表了一篇頂刊成果”，而是說明了七鑫易維 aSee Pro 這類科研級眼動設備，已經能夠進入國際前沿研究的真實工作流中，參與從數據采集、階段劃分到模型驗證的完整閉環。對研究團隊而言，它提供的是可靠、可量化的行為數據；對行業而言，它所支撐的，是人類注意力機制向智能算法遷移的更深一步。

關鍵詞： 本質 注意力 視覺 算法 智駕 人類 Nature 揭示 數據 眼動