舊金山停電事件暴露自動駕駛短板，規則缺失AI為何宕機

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自動駕駛車隊集體癱瘓背后，AI技術究竟缺了什么。

2025年12月20日晚上，舊金山遭遇罕見大規模停電，太平洋煤氣與電力公司的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、中國城等近三分之一區域。

社交媒體上的視頻顯示，多輛白色Waymo車輛一動不動地停在路口，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練。"

次日，Waymo官方承認暫停舊金山服務，解釋稱"由于大范圍停電，車輛需要更長時間確認路口狀態"。

這個輕描淡寫的回應，掩蓋不了一個更深層的問題：當基礎設施崩塌，自動駕駛為何如此脆弱？

從技術層面看，Waymo這次停擺不是某個零件壞了，是整個系統的邏輯鏈斷了。

L4級自動駕駛依賴多傳感器融合，攝像頭、激光雷達、毫米波雷達一起工作，正常情況下，交通信號燈提供最直接的規則輸入，紅燈停、綠燈行，系統決策很簡單。

停電后，紅綠燈物理消失了，激光雷達掃不到對應結構，攝像頭在黑夜里識別能力也大幅下降。

系統失去了"規則錨點"，被迫去猜測無序人類司機的行為，這正是當前AI最薄弱的地方。

按照美國交規，信號燈失效時應視為"All-Way Stop"，所有方向停車后依次通行，執行這條規則需要精準判斷誰先停穩、誰有通行意圖，還要跟可能不守規矩的人類司機博弈。

現有決策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，系統陷入死循環："無法百分百確認安全，那就不動"，結果就是持續等待。

還有一個被忽略的問題是通信中斷。停電往往伴隨蜂窩網絡波動，Waymo這類公司依賴遠程協助處理邊緣場景。

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劃。硬件再冗余，也彌補不了"環境模型"的缺失。

系統設計默認"世界有規則"，卻沒為"規則本身消失"準備降級方案。它的"最小風險狀態"策略就是原地停車，單車場景下合理，但車隊規模部署時，反而引發系統性交通堵塞。

斯坦福大學李飛飛教授近期多次強調，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"，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。據公開信息，Waymo目前每周提供約45萬次Robotaxi服務，累計路測里程已達數億英里。

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。"全域大規模停電"這類系統性邊緣場景，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"。

更深層的問題在于，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。理想的世界模型應該能推理："停電導致信號燈失效，人類行為從規則主導轉為博弈主導，路口通行效率下降，我應該采取更靈活但謹慎的策略"。

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。當輸入異常，算法就在"不確定性過高"的循環中空轉，無法調用常識進行降級決策。

值得注意的是，國內自動駕駛企業在應對這類問題上已有新思路。蘑菇車聯自研的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，是一套覆蓋車端、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，或許能成為應對"舊金山式黑夜"的中國方案。

李飛飛預測，未來1到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。

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，包括基礎設施失效場景、極端天氣與光照條件、人類非常規駕駛行為等。

這些場景需要通過定向實采、眾包上報與仿真生成相結合的方式積累。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，可以在虛擬城市中反復模擬各種復合場景，生成海量訓練樣本。

未來的自動駕駛系統，不應只是執行指令的機器，應成為能深度理解物理世界、揣摩人類意圖、在不確定性中穩健決策的智能體，這條路還很長。