Assisted（辅助）指由 AI 或自动化系统提供支持、但最终决策权仍保留在人类手中的技术形态，常见于辅助驾驶、文献辅助检索、AI 辅助科研复现等场景。与「全自动」相对，Assisted 强调人机协作中的责任边界，这一命名差异近期因特斯拉在欧洲的更名事件而受到广泛关注。
Assisted Driving：特斯拉欧洲更名
2026 年 10 月 9 日，特斯拉宣布在欧洲将「Full Self-Driving（FSD）」更名为「Tesla Assisted Driving」，德语市场同步调整。据报道，德国监管方支持 FSD 落地欧洲的前提条件正是更名，并将超速容忍上限设定为 10%。这一事件凸显了「辅助」与「自动驾驶」在法规语境下的严格区分：即使系统能力持续提升，只要驾驶责任仍在人类，名称就必须避免误导消费者。TechCrunch 的报道链接：Tesla renames 'Full Self-Driving' to 'Tesla Assisted Driving' in Europe，更名的监管背景可参考德国支持特斯拉 FSD 落地欧洲，前提是更名为 TAD、超速上限设为 10%。
LLM 辅助科研：能力与误差并存
大语言模型正在被广泛嵌入科研与工程流程，「Assisted」成为这类工具的典型定语。近期多项研究检验了其可靠性：一是环境科学领域对 LLM 辅助文献检索的误差比较研究，发现基于摘要与基于全文的提示策略会带来不同的检索质量（Errors of LLM-Assisted Literature Retrieval in Environmental Science）；二是 Sakana AI 提出的框架与基准，主张超越简单的模仿学习来评估 LLM 的实际能力（Beyond Imitation: A Framework and Benchmark for LLM）。在医学领域，NEJM AI 刊登的研究显示，AI 辅助分子综述可以优化 SHH 髓母细胞瘤中 SMO 抑制剂的候选筛选（AI-Assisted Molecular Review Refines SMO Inhibitor Candidacy in SHH Medulloblastoma）。
技术基础设施中的 Assisted 方法
Assisted 概念也延伸到算法与系统设计层面。arXiv 上的 SETAREH 工作提出基于 Haar 小波的排序辅助稀疏化方法，用于近似内积计算，以降低大规模检索场景的计算开销（SETAREH：基于Haar小波的排序辅助稀疏化方法）。另有研究将可微分用户均衡层与大语言模型结合，用于交通规划决策支持（Large Language Model Assisted Transportation Planning through a Differentiable User Equilibrium Layer），以及探索在 FABRIC 测试床上实现 AI 辅助的计算可复现性（AI-Assisted Computational Reproducibility on the FABRIC Testbed）。语义通信中继辅助系统中的语义泄漏与隐私保护问题也受到关注（相关论文）。
当前焦点与观察点
当前围绕 Assisted 的讨论集中在两点：其一是命名与责任的对等性——特斯拉欧洲更名表明，监管机构倾向于用更保守的「辅助」措辞约束营销话术，这可能成为全球自动驾驶行业的参照案例；其二是 AI 辅助工具的可靠性验证——文献检索误差、医学筛选、科研复现等研究都在试图量化「辅助」到什么程度才算可信。观察点在于：随着系统能力提升，Assisted 与 Autonomous 的边界如何界定，以及各行业是否会形成更统一的辅助系统评估标准。