山自

2025年12月20日，舊金山遭遇一場罕見的大規模停電。太平洋煤氣與電力公司（PG&E）一座變電站突發火災，導致全市約12.5萬用戶斷電，覆蓋西區、里士滿、海特-阿什伯里、中國城等近三分之一區域。交通信號燈集體熄滅，Muni公交停運，市長丹尼爾盧瑞緊急呼吁市民非必要不出行。

停電期間，一輛Waymo被困在路上

次日，Waymo官方承認已暫停舊金山服務，并解釋稱：由于大范圍停電，車輛比平時停留更長時間以確認受影響交叉路口的狀態。但這一輕描淡寫的回應，掩蓋不了一個更深層的技術危機：當外部數字基礎設施崩塌，當前主流自動駕駛系統為何如此脆弱？

不是故障，而是系統性脆弱鏈的暴露

從技術角度看，Waymo車輛在停電夜的停滯，并非單一模塊失效，而是一條典型的脆弱性傳導鏈：

1.感知層失錨：紅綠燈不僅是光源，更是高置信度語義符號

L4級自動駕駛依賴多傳感器融合（攝像頭+激光雷達+毫米波雷達）。在正常工況下，交通信號燈提供結構化、高確定性的規則輸入紅燈停，綠燈行。這種強語義信號極大簡化了決策邏輯。

但停電后，紅綠燈物理消失，激光雷達點云中不再有對應結構，攝像頭在低照度下識別能力驟降。更關鍵的是，系統失去了規則錨點，被迫將決策權重轉移至對無序人類行為的預測而這正是當前AI的短板。

2.決策層卡死：規則世界崩塌，博弈模型失效

美國交規規定，信號燈失效時應視為All-Way Stop（所有方向停車后依次通行）。但執行這一規則需精準判斷誰先停穩誰有通行意圖，并與其他可能不守規的人類司機進行動態博弈。

現有決策規劃算法嚴重依賴預設規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，系統陷入高不確定性下的保守死循環：無法100%確認安全 → 不行動 → 持續等待。

3.通信與冗余失效：孤島效應加劇癱瘓

有分析指出，伴隨停電的蜂窩網絡波動或實時交通數據中斷，可能是另一重打擊。Waymo等公司依賴遠程協助（Tele-assist）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劃。

更諷刺的是，硬件冗余無法彌補環境模型的缺失。系統設計默認世界有規則，卻未為規則本身消失構建降級運行機制。其最小風險狀態（Minimal Risk Condition）策略原地停車在單車場景下合理，但在車隊規模部署時，反而引發系統性交通堵塞。

李飛飛：數據與算法的失衡才是根源

這場黑夜測試恰如一面鏡子，映照出李飛飛近期關于AI核心矛盾的深刻洞察。

在近期與鈦媒體的對話中，李飛飛明確指出：

當前AI的瓶頸，既非單純數據不足，也非算法缺陷，而是二者協同機制的限制。

她進一步強調，行業普遍存在算法比數據重要的認知偏差算法工程師薪資更高、更受追捧，而數據工作被視為不夠性感。但現實是：所有AI從業者都承認，數據至少具有同等價值。

Waymo事件正是這一協同失靈的典型案例。

數據偏科：海量里程 ≠ 全場景覆蓋

據Tiger Global泄露文件，Waymo目前每周提供45萬次Robotaxi服務，累計路測里程已達數億英里。但這些數據高度集中于正常工況：電力穩定、信號有效、人類基本守規。

而全域大規模停電這類系統性邊緣場景（Systematic Corner Case），因其低概率、高成本、難復現，在訓練集中幾乎空白。算法從未在足夠多樣本上學習規則失效時該如何反應，自然在真實世界中懵圈。

算法傲慢：缺乏內生世界模型

更深層問題在于，當前系統缺乏一個能理解物理與社會規則如何動態演化的世界模型（World Model）。

理想的世界模型應能推理：停電 → 信號燈失效 → 人類行為從規則主導轉為博弈主導 → 路口通行效率下降 → 我應采取更靈活但謹慎的策略（如跟隨前車緩慢蠕動）。

但現有系統只是感知-預測-規劃的流水線拼接，沒有因果推理、沒有心智理論（Theory of Mind）。當輸入異常，算法便在不確定性過高的循環中空轉，無法調用常識進行降級決策。

這正是李飛飛所說的：數據和算法就像科學家的兩條腿，少哪條都走不遠。Waymo有強大的算法之腿，卻在關鍵數據維度上跛足前行。

為世界模型構建黑暗訓練集

李飛飛預測，未來1-2年AI將迎來技術爆發，突破口正在于數據與算法的新型協同機制。對自動駕駛而言，這意味著一場數據戰略的范式革命。

1.從里程驅動轉向場景驅動

行業必須放棄對總里程的迷信，轉而系統性構建關鍵場景數據庫，包括：

基礎設施失效（停電、斷網、地圖過期）

復雜社會博弈（無信號燈路口、大規模擁堵、應急車輛穿行）

極端人車混流（節日慶典、抗議活動、自然災害）

這些場景需通過定向實采、眾包上報與仿真生成相結合的方式積累。

2.合成數據：在虛擬世界中制造黑夜

真實停電難以復現，但高保真仿真可以。利用生成式AI與數字孿生技術，可在虛擬舊金山中反復模擬信號燈全滅+通信中斷+人類搶行的復合場景，生成海量訓練樣本。

Wayve、Covariant等公司已證明，高質量合成數據可顯著提升模型魯棒性。未來，自動駕駛公司的核心競爭力，或將體現在其黑暗場景生成引擎的能力上。

3.數據標注躍遷：從物體檢測到意圖與因果

世界模型需要理解為什么，而不僅是是什么。這意味著數據標注需從傳統的目標檢測、語義分割，升級為

意圖標注：行人揮手是讓行還是求助？

因果關聯：車輛減速是因為前方有障礙，還是準備變道？

社會規范建模：在無信號燈路口，本地駕駛文化是先到先走還是右側優先？

這類高階語義數據將成為訓練世界模型的關鍵燃料。

4.去中心化架構：強化邊緣自主性

事件也警示：過度依賴云端、高精地圖和實時通信，會引入單點故障風險。未來系統需支持更強的邊緣智能即使斷網斷電，也能基于局部感知進行長時序風險推演。

相應地，訓練數據應包含大量通信降級條件下的成功處置案例，讓模型學會在信息受限時依然穩健決策。

在探索世界模型落地路徑的過程中，國內自動駕駛企業蘑菇車聯的實踐值得關注。其自研的MogoMind 大模型正嘗試構建一個融合物理規律、交通規則與社會博弈常識的統一認知框架。不同于傳統模塊化架構，MogoMind 通過端到端訓練，在感知、預測與決策之間建立更緊密的協同機制。更重要的是，蘑菇車聯同步打造的AI網絡，一套覆蓋車端、邊緣與云端的分布式智能基礎設施為大模型提供了持續進化的數據閉環：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行穩健推理。這種物理世界大模型+AI網絡的雙輪驅動，或將成為應對舊金山式黑夜的中國方案。