旧金山“黑夜迷途”：停电事件揭示自动驾驶单车智能的系统性挑战
2025年12月20日，美国旧金山突发大规模断电事故。太平洋煤气与电力公司（PG&E）一座变电站发生火灾，导致全市约12.5万户居民失去电力供应，西区、里士满、海特-阿什伯里以及唐人街等近三分之一区域陷入黑暗。交通信号灯集体失效，公共交通停摆，市长丹尼尔·卢瑞紧急呼吁市民非必要勿外出。
此次事件中，公众的关注点不仅集中在传统交通瘫痪上，更聚焦于Waymo自动驾驶车队的表现。多段社交媒体视频显示，大量白色自动驾驶车辆在无信号灯的交叉路口停滞不前，红色尾灯在夜色中频闪，引发后方车辆的不满与绕行。
Waymo在次日发布声明称，已暂停旧金山的自动驾驶服务，解释称由于停电，车辆需要更长时间确认路口状态。然而，这一回应未能平息外界对其系统可靠性的质疑。事件背后，暴露出自动驾驶技术在面对数字基础设施崩溃时的脆弱性。
系统脆弱性链条的层层揭示
从技术层面分析，Waymo车辆的停滞并非单一模块故障，而是由多个环节共同导致的“脆弱性传导链”。
感知层失锚：红绿灯作为规则锚点的消失
L4级自动驾驶依赖多传感器融合，包括摄像头、激光雷达与毫米波雷达。在正常运行条件下，交通信号灯为系统提供结构化、高确定性的输入，有助于简化决策流程。
然而，在停电期间，信号灯不再具备物理存在，激光雷达点云中缺少对应结构，摄像头在低光照条件下的识别能力显著下降。更重要的是，系统失去了一种关键的“规则锚点”，导致决策权重被迫转移至对混乱的人类行为进行预测——而这正是当前AI系统的短板。
决策层卡顿：博弈模型在无规则环境中的失效
美国交通法规规定，信号灯失灵时应视为“所有方向停车后依次通行”。但要有效执行此规则，系统需准确识别“谁先停下”、“谁有优先权”等动态信息，并在复杂的人类交通行为中进行博弈。
现有决策算法高度依赖预设规则和格式化场景。当面对抢行、犹豫或变道行为时，系统容易陷入“无法确认安全 → 不行动 → 持续等待”的保守循环。
通信与冗余失效：孤岛效应加剧系统瘫痪
有专家指出，停电期间蜂窝网络的波动与交通数据中断，可能是另一重打击。Waymo等自动驾驶系统依赖远程协助处理复杂场景，一旦通信中断，车辆不仅“看不见”，还成为“信息孤岛”，无法接收后台指令或重新规划路径。
更讽刺的是，硬件冗余设计无法弥补“环境模型”的缺失。系统默认世界具备规则，却未为“规则本身消失”构建降级运行机制。其“最小风险状态”策略在单车场景下尚可接受，但在大规模部署时却导致交通整体性瘫痪。
李飞飞：数据与算法的协同失衡是核心问题
此次事件恰如一面镜子，反映出李飞飞近期关于AI发展瓶颈的深刻洞察。
在与钛媒体的交流中，李飞飞指出：“当前AI的瓶颈并非数据不足或算法缺陷，而是数据与算法之间的协同机制存在限制。”她进一步强调，行业普遍存在“算法优于数据”的偏见，而现实情况是，数据的多样性和质量对系统表现具有决定性影响。
Waymo事件正是这一协同失衡的典型例子。
数据偏科：海量路测 ≠ 全场景覆盖
据泄露的Tiger Global文件显示，Waymo每周提供超过45万次Robotaxi服务，累计路测里程已达数亿英里。然而，这些数据主要集中在“正常运行状态”下，例如电力稳定、信号灯有效、人类交通行为基本合规。
而“系统性边缘场景”，如大规模停电，因其发生频率低、模拟成本高，在训练集中的覆盖率几乎为零。算法从未在足够多样本中学习“在规则失效时应如何反应”，因此在实际中表现出“决策空白”。
算法傲慢：缺乏内生世界模型
更深层的挑战在于，当前系统缺乏对物理与社会规则如何动态变化的理解能力，即所谓的“世界模型”。
理想的世界模型应具备推理能力，例如：“停电 → 信号灯失效 → 人类交通行为由规则驱动转为博弈驱动 → 通行效率下降 → 应采取灵活但谨慎的策略（如跟随前车缓慢前进）”。
然而，现有系统仍是感知-预测-规划的线性拼接，缺乏因果推理与心智理论。当输入异常时，算法在“不确定性过高”的循环中空转，无法调用常识进行降级决策。
这正是李飞飞所指出的问题：“数据和算法好比科学家的两条腿，缺一不可。”Waymo在算法方面优势显著，但在关键数据维度上却存在明显短板。
构建“黑暗训练集”：为世界模型赋能
李飞飞预测，未来1-2年AI将实现突破性发展，关键在于数据与算法的新型协同机制。对自动驾驶而言，这意味着一场数据战略的范式转型。
从“里程驱动”转向“场景驱动”
行业需摒弃对总里程数的盲目追求，转而系统性构建“关键场景数据库”，包括：
- 基础设施失效：停电、断网、地图过期
- 复杂社会博弈：无信号灯路口、大规模拥堵、应急车辆穿行
- 极端人车混流：节日庆典、抗议活动、自然灾害
这些场景应通过定向采集、众包上报及仿真生成等手段进行数据积累。
合成数据：虚拟世界中的“黑夜模拟”
真实停电难以复现，但借助高保真仿真系统，可以在数字城市中模拟“信号灯全灭+通信中断+人类抢行”等复合场景，生成丰富训练样本。
Wayve、Covariant等公司已证明，高质量合成数据能显著提升模型鲁棒性。未来，自动驾驶企业的核心竞争力，或将取决于其“黑暗场景生成引擎”的能力。
数据标注升级：从物体识别到意图与因果建模
构建世界模型需要系统理解“为什么”，而不仅是“是什么”。这意味着数据标注需从传统的目标检测升级为意图标注、因果关联与社会规范建模。
- 行人挥手是让行还是求助？
- 车辆减速是因前方障碍还是准备变道？
- 在无信号灯路口，本地驾驶文化是“先到先走”还是“右侧优先”？
这类“高阶语义数据”将成为训练世界模型的关键燃料。
去中心化架构：增强边缘智能
此次事件也凸显出对云端、高精地图和实时通信的过度依赖可能带来的单点故障风险。未来系统需具备更强的边缘智能——即使在断网、断电环境下，也能基于局部感知进行长时序风险评估。
同时，训练数据应涵盖大量“通信降级”条件下的成功处置案例，使模型能够在信息受限时依然稳健决策。
在世界模型落地探索方面，国内自动驾驶公司蘑菇车联的实践具有启示意义。其自研的MogoMind大模型正尝试构建一个融合物理规律、交通规则与社会博弈常识的统一认知框架。不同于传统模块化架构，MogoMind通过端到端训练，实现感知、预测与决策之间的深度协同。同时，蘑菇车联打造的AI网络——一套涵盖车端、边缘与云端的分布式智能基础设施——为大模型提供了持续进化的数据闭环。即使在局部通信中断或信号失效场景下，车端模型仍能基于本地世界表征进行稳健推理。这种“物理世界大模型+AI网络”的双轮驱动模式，或将成为应对“旧金山式黑夜”的中国方案。
从“规则拟合者”到“世界理解者”
2025年旧金山那个停电的夜晚，Waymo车队停滞的红灯，像是一串刺眼的警示符，照亮了当前自动驾驶技术的边界。也许，真正的智能，不是在规则世界中运行完美，而是在混沌中依然能够找到前行的方向。
未来的自动驾驶系统，不应只是执行指令的机器，而应成为具备物理世界理解能力、能揣摩人类意图、在不确定性中稳健决策的“数字生命体”。它们将帮助城市运行更高效、交通管理更智能、人车出行更安全。
原文标题：旧金山“黑夜迷途”：一次停电暴露自动驾驶单车智能的当下困境