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

2025年12月20日，旧金山遭遇一场罕见的大规模停电。太平洋煤气与电力公司（PG&E）一座变电站突发火灾，导致全市约12.5万用户断电，覆盖西区、里士满、海特-阿什伯里、中国城等近三分之一区域。交通信号灯集体熄灭，Muni公交停运，市长丹尼尔·卢瑞紧急呼吁市民非必要不出行。

2025年12月20日下午4:50的PG&E停电图

然而，在这场城市应急事件中，最引人注目的并非人类司机的混乱应对，而是——Waymo自动驾驶车队的集体“宕机”。

社交媒体上，视频疯传：多辆白色Waymo车辆在漆黑潮湿的十字路口一动不动，红色尾灯在夜色中闪烁，后方排起长龙，人类司机或鸣笛催促，或无奈绕行。有用户调侃：“停电摧毁了Waymos RIP。”更有观察者尖锐指出：“看起来它们根本没接受过停电训练。”

停电期间，一辆Waymo被困在路上

次日，Waymo官方承认已暂停旧金山服务，并解释称：“由于大范围停电，车辆比平时停留更长时间以确认受影响交叉路口的状态。”但这一轻描淡写的回应，掩盖不了一个更深层的技术危机：当外部数字基础设施崩塌，当前主流自动驾驶系统为何如此脆弱？

不是“故障”，而是系统性脆弱链的暴露

从技术角度看，Waymo车辆在停电夜的停滞，并非单一模块失效，而是一条典型的“脆弱性传导链”：

1.感知层失锚：红绿灯不仅是光源，更是高置信度语义符号

L4级自动驾驶依赖多传感器融合（摄像头+激光雷达+毫米波雷达）。在正常工况下，交通信号灯提供结构化、高确定性的规则输入——红灯停，绿灯行。这种强语义信号极大简化了决策逻辑。

但停电后，红绿灯物理消失，激光雷达点云中不再有对应结构，摄像头在低照度下识别能力骤降。更关键的是，系统失去了“规则锚点”，被迫将决策权重转移至对无序人类行为的预测——而这正是当前AI的短板。

2.决策层卡死：规则世界崩塌，博弈模型失效

美国交规规定，信号灯失效时应视为“All-Way Stop”（所有方向停车后依次通行）。但执行这一规则需精准判断“谁先停稳”“谁有通行意图”，并与其他可能不守规的人类司机进行动态博弈。

现有决策规划算法严重依赖预设规则和格式化场景理解。面对混乱路口中抢行、犹豫、变道的人类车辆，系统陷入高不确定性下的保守死循环：“无法100%确认安全 → 不行动 → 持续等待”。

3.通信与冗余失效：孤岛效应加剧瘫痪

有分析指出，伴随停电的蜂窝网络波动或实时交通数据中断，可能是另一重打击。Waymo等公司依赖远程协助（Tele-assist）处理边缘场景。一旦通信中断，车辆不仅“看不见”，还成了“信息孤岛”，无法获取后台指令或路径重规划。

更讽刺的是，硬件冗余无法弥补“环境模型”的缺失。系统设计默认“世界有规则”，却未为“规则本身消失”构建降级运行机制。其“最小风险状态”（Minimal Risk Condition）策略——原地停车——在单车场景下合理，但在车队规模部署时，反而引发系统性交通堵塞。

李飞飞：数据与算法的“失衡”才是根源

这场“黑夜测试”恰如一面镜子，映照出李飞飞近期关于AI核心矛盾的深刻洞察。

在近期与钛媒体的对话中，李飞飞明确指出：

“当前AI的瓶颈，既非单纯数据不足，也非算法缺陷，而是二者协同机制的限制。”

她进一步强调，行业普遍存在“算法比数据重要”的认知偏差——算法工程师薪资更高、更受追捧，而数据工作被视为“不够性感”。但现实是：所有AI从业者都承认，数据至少具有同等价值。

Waymo事件正是这一“协同失灵”的典型案例。

数据偏科：海量里程 ≠ 全场景覆盖

据Tiger Global泄露文件，Waymo目前每周提供45万次Robotaxi服务，累计路测里程已达数亿英里。但这些数据高度集中于“正常工况”：电力稳定、信号有效、人类基本守规。

而“全域大规模停电”这类系统性边缘场景（Systematic Corner Case），因其低概率、高成本、难复现，在训练集中几乎空白。算法从未在足够多样本上学习“规则失效时该如何反应”，自然在真实世界中“懵圈”。

算法傲慢：缺乏内生世界模型

更深层问题在于，当前系统缺乏一个能理解物理与社会规则如何动态演化的世界模型（World Model）。

理想的世界模型应能推理：“停电 → 信号灯失效 → 人类行为从规则主导转为博弈主导 → 路口通行效率下降 → 我应采取更灵活但谨慎的策略（如跟随前车缓慢蠕动）”。

但现有系统只是感知-预测-规划的流水线拼接，没有因果推理、没有心智理论（Theory of Mind）。当输入异常，算法便在“不确定性过高”的循环中空转，无法调用常识进行降级决策。

这正是李飞飞所说的：“数据和算法就像科学家的两条腿，少哪条都走不远。”Waymo有强大的算法之腿，却在关键数据维度上跛足前行。

为世界模型构建“黑暗训练集”

李飞飞预测，未来1-2年AI将迎来技术爆发，突破口正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革命。

1.从“里程驱动”转向“场景驱动”

行业必须放弃对总里程的迷信，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）

这些场景需通过定向实采、众包上报与仿真生成相结合的方式积累。

2.合成数据：在虚拟世界中“制造黑夜”

真实停电难以复现，但高保真仿真可以。利用生成式AI与数字孪生技术，可在虚拟旧金山中反复模拟“信号灯全灭+通信中断+人类抢行”的复合场景，生成海量训练样本。

Wayve、Covariant等公司已证明，高质量合成数据可显著提升模型鲁棒性。未来，自动驾驶公司的核心竞争力，或将体现在其“黑暗场景生成引擎”的能力上。

3.数据标注跃迁：从物体检测到意图与因果

世界模型需要理解“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、语义分割，升级为

意图标注：行人挥手是让行还是求助？

因果关联：车辆减速是因为前方有障碍，还是准备变道？

社会规范建模：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。

4.去中心化架构：强化边缘自主性

事件也警示：过度依赖云端、高精地图和实时通信，会引入单点故障风险。未来系统需支持更强的边缘智能——即使断网断电，也能基于局部感知进行长时序风险推演。

相应地，训练数据应包含大量“通信降级”条件下的成功处置案例，让模型学会在信息受限时依然稳健决策。

在探索世界模型落地路径的过程中，国内自动驾驶企业蘑菇车联的实践值得关注。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，在感知、预测与决策之间建立更紧密的协同机制。更重要的是，蘑菇车联同步打造的AI网络，一套覆盖车端、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化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，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”

旧金山那个停电的夜晚，Waymo车队停滞的红灯，像一串刺眼的警示符，照亮了当前自动驾驶技术的边界。或许，真正的智能，不是在阳光明媚的规则世界中完美运行，而是在黑夜混沌中依然知道如何前行。

未来的自动驾驶系统，不应只是执行指令的机器，而应成为能深度理解物理世界、揣摩人类意图、在不确定性中稳健决策的“数字生命体”，让城市运行更高效，让交通管理更智能，让人车出行更安全。