智駕發(fā)展到今天，最難的不是教車輛怎么開走，而是教車輛怎么停下。

你坐在一輛智駕接管順暢行駛的車輛里，眼前路況開闊、陽光明媚，中控屏上的藍線平穩(wěn)延伸。突然，毫無征兆地，車輛狠狠來了一腳“死亡急剎”，安全帶瞬間勒緊，后排手機飛向擋風玻璃，而窗外，空無一物。

這正是無數(shù)車主正在經(jīng)歷的、被評為智駕應用中最靈異的場景：“幽靈剎車”。

過去幾年，智駕技術從堆砌代碼規(guī)則，進化到模擬人類直覺的“端到端”，甚至開始構建“世界模型”。但這些轟轟烈烈的技術演進，似乎都被困在了那個最微小的瞬間：車輛到底什么時候踩下剎車，最合適？

而無數(shù)個這樣難以判斷的微妙瞬間背后的，不僅僅是技術的難題，更是信任的難題，一邊是渴望行駛里程數(shù)指數(shù)增長的車企，一邊是因為微小失誤就徹底取關的用戶，當一個新技術的發(fā)展關乎到用戶安全的時候，技術和信任如何平衡？

“幽靈剎車”的幽靈從哪來？

智駕變成“智障”往往是從不會剎車開始的。

就拿我第一次體驗 robotaxi 的經(jīng)驗來看吧：大概三年前，我第一次體驗國內(nèi)大廠的一個 robotaxi，就在我們繞完了一圈之后，在車輛歸位的時候，路邊出現(xiàn)了一位行人，其實這個行人距離車輛的距離還是很遠的，但是車輛忽然點了個急剎車，剎車程度之猛導致坐在后排錄像的我直接把手機甩飛了。

這種現(xiàn)象被稱為“幽靈剎車”，這個像是智駕患上的“被害妄想癥”也是 X、Reddit、小紅書等國內(nèi)外論壇上對智能駕駛抱怨最多的情況。

國內(nèi)一位智能車車主就對我抱怨，在高速換道的時候，有一輛車從右側擦過，等到這輛車已經(jīng)超過自己的車幾秒鐘了，自己的車才反應過來剎車。這種變道猶豫導致的剎車失誤 FSD 也經(jīng)常出現(xiàn)，一位在 Reddit 上專門測評特斯拉 FSD 的博主就曾發(fā)帖抱怨，F(xiàn)SD 在轉向的時候，轉向燈閃了半天還是猶猶豫豫不趕緊并道，等到后車不耐煩超車的時候才變道，非常危險。

有人抱怨 FSD 面對停車標志時，不知道應該在什么距離停下最合適，經(jīng)常遠遠剎停然后一步步往前挪，顯得極其“智障”，還有人指出在黃昏、凌晨這種視線昏暗的時刻，F(xiàn)SD 經(jīng)�！坝撵`剎車”甚至直接退出接管……

結合 Waymo 安全報告、NHTSA 數(shù)據(jù)匯總及第三方保險機構 ConsumerShield 分析，智駕目前事故率最高的三個場景：復雜路口變道失敗、幽靈剎車以及鬼探頭等突發(fā)物件處理失敗，其實歸根結底，都是不知道什么時候能剎車導致的。

為什么教給一輛車什么時候剎車，甚至比教它跑起來還要難？這并非算力不夠，而是因為剎車這個動作，本質(zhì)上不是機械執(zhí)行，而是一場關于“預判”的賭局。

人類司機和賽博司機最根本的區(qū)別是人類可以很輕易的判斷意圖。

人類看到路邊行人低頭看手機，會預判他大概率不會動；看到有人眼神游移、腳步虛浮，會預判他可能醉酒沖出。但智駕系統(tǒng)大多只能基于物體的運動的速度、方向來計算，等到行人真的沖出來有了橫向速度，它才開始計算物理碰撞概率，這中間的“計算延遲”加上機械執(zhí)行時間，往往就導致了那種“事故已經(jīng)快發(fā)生了才重剎”的滯后感。

但是這對機械司機來說十分困難，在工程師的邏輯里，智駕系統(tǒng)每時每刻都在做一道殘酷的選擇題——是“錯殺”，還是“錯放”？

如果為了絕對安全，把雷達和視覺的敏感度拉滿，那么路邊隨風飄起的一個塑料袋、井蓋上的一抹積水反光，甚至前方卡車排氣管噴出的一團黑煙，在系統(tǒng)的“眼中”都可能被渲染成一塊堅硬的巨石。為了保命，它只能不管不顧地一腳跺死——這就是“幽靈剎車”的由來。

極端相反的是，如果為了舒適性和通行效率，降低了感知的敏感度，過濾掉那些看似“雜波”的信號，那么當一輛靜止的白色貨車橫在路中間，或者一個穿著深色衣服的行人在夜色中鬼探頭時，系統(tǒng)可能會“自信”地認為前方無障礙，最終釀成慘劇。

人類司機擁有基于常識的“物理直覺”，我們一眼就能分辨出飄舞的報紙撞上去也無妨，但機器沒有這種常識，在它們的世界里，那只是一堆占據(jù)了空間體素的、未知的“障礙物”。

是誰出的題這么的難？到處找不到正確答案

智駕為了培養(yǎng)機器的“物理直覺”嘗試過很多路徑。

最初，傳統(tǒng)智駕研究的方案把開車分成了三個步驟：感知、規(guī)劃、決策。信息像接力棒一樣在這些盒子之間傳遞——感知層說：前方10米有一個障礙物，置信度80%。

預測層說：這東西好像不帶動的。

決策層查閱了程序員寫下的第502條規(guī)則：如果前方有障礙物且靜止，立即剎車。

控制層執(zhí)行命令：一腳跺死。

但是在規(guī)控這個環(huán)節(jié)總是會遇到一個問題：很多事情沒有最優(yōu)解。

舉個例子，車輛現(xiàn)在需要右轉，但是右側有行人在走路，這個行人距離車輛還有一定距離，如果是人類司機在教新手，這個時候一腳油門過去也可以、原地等待行人也可以，這種“都可以按情況決定”對人類來說是非常簡單的，但是對機器學習來說就復雜了。因為這會衍生出下一個問題：哪種情況要加速過去，那種情況要原地等待。

傳統(tǒng)規(guī)控做的事情就是干這個“具體問題具體分析”的活，把遇到的 corner case（特殊場景下的極端情況） 人工標注出來告訴機器應該怎么辦。這就會引起另外兩個問題：1. corner case 窮盡不了怎么辦？2. 代碼太多了，需要的人力也太多了怎么辦。

“幽靈剎車”這種現(xiàn)象在傳統(tǒng)研究方法之下很容易產(chǎn)生，因為總會出現(xiàn)“這個 case 我沒處理過，所以不知道怎么做最好”這種情況。

一項遵循“第一原則”的馬斯克推翻了傳統(tǒng)的研發(fā)路徑，提出另一個解決方案：如果我能直接讓機器像人一樣思考，而不是再用人工標注要教他每一個 corner case 應該怎么處理，才能真正實現(xiàn)智駕的初衷。

于是乎，在 2023 年的夏天，馬斯克在加州的帕洛阿爾托進行了一場畫質(zhì)并不清晰的 FSD 直播，但真正震撼業(yè)界的不是畫質(zhì)，而是他說出的那句話：“FSD v12 沒有任何一行代碼是用來告訴車什么是紅燈、什么是路口。我們刪掉了超過 30 萬行 C++控制代碼。”

至此，端到端逐漸成為了實現(xiàn)智駕的主流方案。

推出端到端后，F(xiàn)SD 團隊規(guī)控部門整體裁撤，原負責人離職剩下的人轉崗去做數(shù)據(jù)清洗和場景挖掘。團隊從感知、規(guī)控、地圖、測試四條老線全部打散，合并成“單模型 + 數(shù)據(jù)工程 + 云端訓練”三塊。

到了 2024 年，端到端逐漸成為圈內(nèi)共識，華為、小鵬、理想、百度等智駕研發(fā)團隊調(diào)整相繼開始，小鵬撤銷原感知、規(guī)控、地圖三部，新設“AI 模型開發(fā)、AI 應用、AI 效能”三大板塊；ADS 3.0 組織架構 2024-05 完成整合，感知/規(guī)控/地圖并入“端到端架構部”，余承東直管；百度現(xiàn)在是雙線并行一部分人在傳統(tǒng)算法團隊，另外成立 ADFM 團隊，把原團隊感知人員移過去一部分也做了擴充招聘。

所謂的“端到端”，就是不再把駕駛拆解為“感知、決策、控制”，而是把這所有環(huán)節(jié)融合成一個巨大的神經(jīng)網(wǎng)絡。輸入端是攝像頭拍到的原始視頻流，輸出端直接就是方向盤的角度和油門剎車的力度。中間發(fā)生了什么？不再有程序員寫好的“紅燈停綠燈行”的代碼，而是一個包含了數(shù)十億參數(shù)的黑盒子在瘋狂運算。

這就像是從“背交規(guī)”進化到了“練車感”。這種技術變革帶來的最大優(yōu)勢，就是對模糊場景的泛化能力。

然而，端到端提出已經(jīng)兩年的時間，智駕為什么還在出現(xiàn)“幽靈剎車”這種“智障”的瞬間——因為端到端雖然解決了“直覺”問題，卻帶來了兩個新的、更可怕的缺陷：不可解釋性與邏輯推理的缺失。

所有的大模型都有其不可解釋性，就像我們永遠解釋不了為什么當你讓 Gemini 給你把表格的顏色改一改，結果對方反饋給你一個狗頭圖片；或者你讓 ChatGPT 在網(wǎng)頁信息里提取數(shù)據(jù)內(nèi)容做成表格，它反饋給你滿滿兩網(wǎng)頁的代碼……

在 ChatBot 產(chǎn)品中，這種不可解釋性會被當成一個“智障瞬間”的笑話，但在智駕場景里，這種不可解釋性可能會造成重大事故。

因此，在端到端之上，衍生出了一些范式。比如，VLA——Vision-Language-Action（視覺-語言-動作）模型。

如果把端到端訓練出來的機器比作賽車手，VLA 的意義就是讓這個賽車更好地適應日常的交通規(guī)則。可以簡單的把“VA”理解成端到端，“L”理解成大語言模型，那么就很好理解，VLA 就是給自動駕駛裝上一個“語言中樞”。它不僅看路，還能“讀懂”路。它能理解交通標志上的文字含義，能理解交警手勢背后的社會契約。當 VLA 介入時，車不再是憑直覺開，而是能進行內(nèi)心獨白：“我看到了警車在閃燈，雖然是綠燈，但我應該讓行，因為法律規(guī)定警車優(yōu)先�！边@補足了端到端最缺乏的邏輯鏈條。

今年，隨著“物理 AI”的概念越來越火，世界模型的概念開始被多次提及。因為大家發(fā)現(xiàn)，當模型參數(shù)大到一定程度，它不僅能生成像素，還能涌現(xiàn)出對物理規(guī)律的理解。比如 Sora 生成的視頻中，液體流動的重力感、物體遮擋的透視關系，不再需要人工寫物理公式渲染，而是模型自己“悟”出來的。

世界模型也被應用到智駕研發(fā)上，來解決“端到端”的幻覺問題，世界模型可以充當一個“裁判”。在車做出動作之前，世界模型先在虛擬空間里推演一下：“如果我這么做，未來五秒會發(fā)生什么？”從而驗證端到端的決策是否安全。

身為人類司機，我應該怎么做

一位的用戶在 Reddit 上寫道：“我有 99%的時間都覺得 FSD 像個神，但在那 1%的時間里，它試圖在高速公路的匝道口把全家?guī)нM水泥隔離墩。那一刻，我老婆在尖叫，孩子嚇哭了。雖然我接管回來了，沒有發(fā)生事故，但那天晚上我就取消了 FSD 訂閱。我無法承擔那 1%的代價�！�

這種情況屢見不鮮，很多訂閱 FSD 和嘗試智駕的司機都會跟我反饋，有一次智駕抽風從高架橋下來之后差點撞上路邊的墩子、或者是莫名其妙開進坑里，當下立刻決定取關。

司機們對智駕的態(tài)度都是“一次不行，百次不用”，容錯率幾乎為零。

因此我們看到智駕市場上一個反直覺的現(xiàn)象：一邊是車企鼓吹智駕是人類司機安全性的幾倍，另一邊是因為一件小事從此不再使用智駕的用戶。

這中間缺失的是智駕時代沒有填補的用戶教育。

從產(chǎn)品本身而言，充分交互的設計，是必要的。在每一個需要決策的場景都用語音和圖片的交互方式告訴司機，機器接下來決定怎么做，這是為了兩件事情：1. 和司機充分溝通，讓司機理解機器的意圖，判斷是否應該接管；2. 避免司機因為信息差，對機器產(chǎn)生過分的信任或者不信任，錯過最佳接管時機或者在機器可以處理的時候提前接管，影響智駕體驗。

所以我們看到車企在人機交互方面的不停嘗試，包括 HUD 顯示、理想推出 AI 眼鏡，這都是在擴展機器和用戶交互的場景，進行充分溝通。

從營銷來看，車企應該做兩件事：其一是在銷售環(huán)節(jié)給用戶智駕功能的充分展示。實際上，馬斯克在近期的采訪中已經(jīng)透露道，特斯拉準備讓所有銷售強制給意向用戶展示 FSD 的功能，因為很多訂閱客戶在不夠了解的情況下不經(jīng)常使用 FSD，或者很多人干脆不訂閱，讓馬斯克非�？鄲�。

智駕展示，是必要的，但不應該是市場式營銷，應該是銷售式科普。我和十幾個各個品牌的電車車主聊了聊，發(fā)現(xiàn)他們在購車環(huán)節(jié)當中被科普智駕使用方式的人數(shù)為零。其中一個車主跟我說：電車銷售分前端銷售和后端交付，前端銷售會通過各種折扣、金融優(yōu)惠催促下單，后端交付的任務就是希望你盡快提車，這樣車企的營收可以計提在當月，不然你的車就會變成存貨了。這樣的銷售鏈路下，就沒有人有耐心去講解智駕的使用方式，更別說提醒智駕的邊界和風險性了。

開了三年電車的 Vivian（化名）就說：我覺得智駕展示不應該只停留在銷售口頭的科普，應該做成說明書手冊，甚至隨著智駕技術的提升應該推廣專門的智駕駕駛證。

而作為消費者，我們能做的就是，養(yǎng)成對智駕的理性認知，如果對智駕功能感興趣，在銷售環(huán)節(jié)更多詢問智駕的邊界和交互的模式：什么場景我必須介入？什么場景是最方便安全的？什么提示的情況下我必須接管？通過不斷地提問和試駕去了解技術真實的邊界。也通過提問，來推動企業(yè)進行銷售培訓。

任何技術的發(fā)展都需要用戶的支持和耐心，不同的是，和手機、耳機、眼鏡這些消費級電子產(chǎn)品不同，智駕邊界探索的代價很可能是人類的生命，作為用戶，謹慎入場、理性判斷才是我們能做的事。

作者：沙拉醬

編輯：臥蟲

封面圖來源： Giphy

Guokr

1月19日晚19點，“年味食足”零食直播專場即將開啟！我們?yōu)槟憔x了健康零食、山珍海味、還有送人超有面的好禮。

直播間全場好物9.9元起，驚喜福袋、互動抽獎輪番加碼，年貨一站購齊，省心更省力！點擊預約，一起囤年貨吧~

點個“小愛心”吧