哈嘍，大家好，今天小睿這篇評論，主要來分析舊金山大停電中，Waymo自動(dòng)駕駛車隊(duì)集體癱瘓背后，AI技術(shù)究竟缺了什么。

2025年12月20日晚上，舊金山遭遇罕見大規(guī)模停電，太平洋煤氣與電力公司的一座變電站突發(fā)火災(zāi)，導(dǎo)致全市約12.5萬用戶斷電，覆蓋西區(qū)、里士滿、中國城等近三分之一區(qū)域。

社交媒體上的視頻顯示，多輛白色Waymo車輛一動(dòng)不動(dòng)地停在路口，紅色尾燈在夜色中閃爍，后面排起長龍。

有用戶調(diào)侃："停電摧毀了Waymo，安息吧。"更有人直言："看起來它們根本沒接受過停電訓(xùn)練。"

次日，Waymo官方承認(rèn)暫停舊金山服務(wù)，解釋稱"由于大范圍停電，車輛需要更長時(shí)間確認(rèn)路口狀態(tài)"。

這個(gè)輕描淡寫的回應(yīng)，掩蓋不了一個(gè)更深層的問題：當(dāng)基礎(chǔ)設(shè)施崩塌，自動(dòng)駕駛為何如此脆弱？

從技術(shù)層面看，Waymo這次停擺不是某個(gè)零件壞了，是整個(gè)系統(tǒng)的邏輯鏈斷了。

L4級自動(dòng)駕駛依賴多傳感器融合，攝像頭、激光雷達(dá)、毫米波雷達(dá)一起工作，正常情況下，交通信號燈提供最直接的規(guī)則輸入，紅燈停、綠燈行，系統(tǒng)決策很簡單。

停電后，紅綠燈物理消失了，激光雷達(dá)掃不到對應(yīng)結(jié)構(gòu)，攝像頭在黑夜里識別能力也大幅下降。

系統(tǒng)失去了"規(guī)則錨點(diǎn)"，被迫去猜測無序人類司機(jī)的行為，這正是當(dāng)前AI最薄弱的地方。

按照美國交規(guī)，信號燈失效時(shí)應(yīng)視為"All-Way Stop"，所有方向停車后依次通行，執(zhí)行這條規(guī)則需要精準(zhǔn)判斷誰先停穩(wěn)、誰有通行意圖，還要跟可能不守規(guī)矩的人類司機(jī)博弈。

現(xiàn)有決策算法嚴(yán)重依賴預(yù)設(shè)規(guī)則和格式化場景理解，面對混亂路口中搶行、猶豫、變道的人類車輛，系統(tǒng)陷入死循環(huán)："無法百分百確認(rèn)安全，那就不動(dòng)"，結(jié)果就是持續(xù)等待。

還有一個(gè)被忽略的問題是通信中斷。停電往往伴隨蜂窩網(wǎng)絡(luò)波動(dòng)，Waymo這類公司依賴遠(yuǎn)程協(xié)助處理邊緣場景。

一旦通信中斷，車輛不僅"看不見"，還成了"信息孤島"，無法獲取后臺指令或路徑重規(guī)劃。硬件再冗余，也彌補(bǔ)不了"環(huán)境模型"的缺失。

系統(tǒng)設(shè)計(jì)默認(rèn)"世界有規(guī)則"，卻沒為"規(guī)則本身消失"準(zhǔn)備降級方案。它的"最小風(fēng)險(xiǎn)狀態(tài)"策略就是原地停車，單車場景下合理，但車隊(duì)規(guī)模部署時(shí)，反而引發(fā)系統(tǒng)性交通堵塞。

斯坦福大學(xué)李飛飛教授近期多次強(qiáng)調(diào)，行業(yè)普遍存在"算法比數(shù)據(jù)重要"的認(rèn)知偏差，算法工程師薪資更高、更受追捧，而數(shù)據(jù)工作被視為"不夠性感"，所有AI從業(yè)者都承認(rèn)，數(shù)據(jù)至少具有同等價(jià)值。

Waymo事件正是這一"協(xié)同失靈"的典型案例。據(jù)公開信息，Waymo目前每周提供約45萬次Robotaxi服務(wù)，累計(jì)路測里程已達(dá)數(shù)億英里。

這些數(shù)據(jù)高度集中于"正常工況"，電力穩(wěn)定、信號有效、人類基本守規(guī)。"全域大規(guī)模停電"這類系統(tǒng)性邊緣場景，因其低概率、高成本、難復(fù)現(xiàn)，在訓(xùn)練集中幾乎空白。

算法從未在足夠樣本上學(xué)習(xí)"規(guī)則失效時(shí)該如何反應(yīng)"，自然在真實(shí)世界中"懵圈"。

更深層的問題在于，當(dāng)前系統(tǒng)缺乏一個(gè)能理解物理與社會(huì)規(guī)則如何動(dòng)態(tài)演化的世界模型。理想的世界模型應(yīng)該能推理："停電導(dǎo)致信號燈失效，人類行為從規(guī)則主導(dǎo)轉(zhuǎn)為博弈主導(dǎo)，路口通行效率下降，我應(yīng)該采取更靈活但謹(jǐn)慎的策略"。

但現(xiàn)有系統(tǒng)只是感知、預(yù)測、規(guī)劃的流水線拼接，沒有因果推理、沒有心智理論。當(dāng)輸入異常，算法就在"不確定性過高"的循環(huán)中空轉(zhuǎn)，無法調(diào)用常識進(jìn)行降級決策。

值得注意的是，國內(nèi)自動(dòng)駕駛企業(yè)在應(yīng)對這類問題上已有新思路。蘑菇車聯(lián)自研的MogoMind大模型，正嘗試構(gòu)建一個(gè)融合物理規(guī)律、交通規(guī)則與社會(huì)博弈常識的統(tǒng)一認(rèn)知框架。不同于傳統(tǒng)模塊化架構(gòu)，MogoMind通過端到端訓(xùn)練，在感知、預(yù)測與決策之間建立更緊密的協(xié)同機(jī)制。

更重要的是，蘑菇車聯(lián)同步打造的AI網(wǎng)絡(luò)，是一套覆蓋車端、邊緣與云端的分布式智能基礎(chǔ)設(shè)施，為大模型提供了持續(xù)進(jìn)化的數(shù)據(jù)閉環(huán)。

即使在局部通信中斷或信號失效場景下，車端模型仍能基于本地化世界表征進(jìn)行穩(wěn)健推理。這種"物理世界大模型+AI網(wǎng)絡(luò)"的雙輪驅(qū)動(dòng)，或許能成為應(yīng)對"舊金山式黑夜"的中國方案。

李飛飛預(yù)測，未來1到2年AI將迎來技術(shù)爆發(fā)，突破口正在于數(shù)據(jù)與算法的新型協(xié)同機(jī)制。對自動(dòng)駕駛而言，這意味著一場數(shù)據(jù)戰(zhàn)略的范式革命。

行業(yè)必須放棄對總里程的迷信，轉(zhuǎn)而系統(tǒng)性構(gòu)建關(guān)鍵場景數(shù)據(jù)庫，包括基礎(chǔ)設(shè)施失效場景、極端天氣與光照條件、人類非常規(guī)駕駛行為等。

這些場景需要通過定向?qū)嵅?、眾包上?bào)與仿真生成相結(jié)合的方式積累。真實(shí)停電難以復(fù)現(xiàn)，但高保真仿真可以，利用生成式AI與數(shù)字孿生技術(shù)，可以在虛擬城市中反復(fù)模擬各種復(fù)合場景，生成海量訓(xùn)練樣本。

未來的自動(dòng)駕駛系統(tǒng)，不應(yīng)只是執(zhí)行指令的機(jī)器，應(yīng)成為能深度理解物理世界、揣摩人類意圖、在不確定性中穩(wěn)健決策的智能體，這條路還很長。