被誤解的“安全感”

武漢“蘿卜”，因為“呆”被熱議了。

3月31日晚，在武漢市區(qū)內(nèi)，有市民發(fā)現(xiàn)部分“蘿卜快跑”無人駕駛車在路上停擺。

好在交管部門和蘿卜快跑的工作人員火速趕到，乘客安全下車，沒有人員傷亡，交通路段也及時恢復(fù)了正常秩序。

不過，關(guān)于這次事件的討論，卻仍在網(wǎng)上持續(xù)發(fā)酵。

大家都在好奇，自動駕駛車輛為什么會突然“愣”在路上。

而且這事看著有點似曾相識——

幾個月前在大洋彼岸，另一位頂尖無人車玩家Waymo，也發(fā)生過一次更大規(guī)模的停擺事件……

或許這不是巧合？但為什么會這樣？

無人車為什么會“愣”在路上？

據(jù)知情人士向智能車參考透露，蘿卜快跑發(fā)生“停滯”事件，其實是車輛在自檢到潛在風(fēng)險時，系統(tǒng)為保障安全給出的主動策略。

所以，要解答無人車停擺這個疑問，我們就得拋開人類駕駛的思維習(xí)慣，先從自動駕駛系統(tǒng)的運行邏輯說起。

對人類司機而言，駕駛是一門融合了經(jīng)驗、預(yù)判甚至有些許“賭一把”心理的藝術(shù)。

比如看到一個昏暗難辨的路口，人類老司機可能會減速、探頭、仔細觀察，然后憑借經(jīng)驗通過。這期間，大腦幾乎是瞬間完成了風(fēng)險衡量，給出的結(jié)論是事故概率似乎不高，可以通行。

但“AI司機”的大腦不同。它的核心邏輯不是“大概率沒事”，而是“必須確定沒事”。

因此，為了保障這套邏輯能運行無誤，安全方面就要設(shè)置多重預(yù)防，也就是我們常說的“安全冗余”。

而在自動駕駛系統(tǒng)中，這套安全冗余設(shè)計體現(xiàn)在感知-決策-執(zhí)行三個層面。

首先是感知層。

當(dāng)前主流的L4無人車玩家（除了堅持“純視覺”的特斯拉），大多都為產(chǎn)品安裝了激光雷達、毫米波雷達、高清攝像頭等多種傳感器，為的是對周圍環(huán)境進行更精準全面的感知。

這些傳感器各司其職，把各自探測到的數(shù)據(jù)匯總到一起，由系統(tǒng)做融合判斷，接下來就輪到決策層發(fā)力。

在決策層中，自動駕駛車輛的安全冗余和飛機類似，關(guān)鍵系統(tǒng)通常都會配有主、備兩套計算大腦，確保一個“死機”的情況下，另一個能瞬間接管。

絕大多數(shù)時候，由傳感器提供的數(shù)據(jù)會保持一致，決策層根據(jù)數(shù)據(jù)發(fā)出相應(yīng)指令，讓車輛實現(xiàn)自動駕駛。

但有時遇到極端或長尾場景，傳感器偶爾也會出現(xiàn)分歧，對同一障礙物判斷不一。

此時，系統(tǒng)不會盲目相信任何一個傳感器，而是會進入“驗證模式”——多確認幾幀數(shù)據(jù)，或者等待更清晰的場景出現(xiàn)。

這個過程需要時間，如果在某些極端場景下，比如光線突變、惡劣天氣，系統(tǒng)確認信息的時間可能還會被拉長。

這就需要最后的執(zhí)行層去處理。

遇到系統(tǒng)經(jīng)過綜合判斷，仍無法以足夠高的置信度做出安全決策時，執(zhí)行層就會按照底層代碼的終極安全指令，啟動“最小風(fēng)險策略”。

這一切冗余設(shè)計的終極目標，都是為了確保在任何單一部件甚至組合出現(xiàn)問題時，系統(tǒng)仍保有最后、也是最根本的能力：把車安全、平穩(wěn)地停下來，避免可能的事故發(fā)生。

就好比家用車的發(fā)動機，故障燈亮起后，車輛會自動限速或熄火保護——這是行業(yè)通用的安全底線邏輯。

而這種異常情況下做出的“停滯”選擇，其實有一個更貼切的稱呼，叫做“降級措施”。

“降級措施”本身并非自動駕駛獨有，實則已經(jīng)在其他領(lǐng)域的關(guān)鍵安全系統(tǒng)上沿用了數(shù)十年。

最典型的例子是飛機的自動駕駛儀。

在民航客機飛行途中，如果傳感器數(shù)據(jù)出現(xiàn)異常，飛機自動駕駛儀會自動切換到“降級模式”，或者會直接交還給飛行員手動操控。

這個設(shè)計的理念在于，在萬米高空中，“不確定”意味著風(fēng)險，而風(fēng)險不能靠硬闖來解決。

這是對安全最負責(zé)任的處理方式，也是航空領(lǐng)域沿用數(shù)十年的冗余思路。

對應(yīng)到堅持同一邏輯的自動駕駛行業(yè)中，這種“保守”其實也是自動駕駛區(qū)別于人類司機的核心價值。

人類可能因為趕時間等因素，選擇相對更冒進的駕駛行為；而機器則會嚴格依據(jù)概率和規(guī)則，選擇最安全的動作——即使這個動作，現(xiàn)在看起來可能有點“呆”。

無人駕駛行業(yè)，是否需要“必要的停頓”？

當(dāng)然，有人會問：既然是安全設(shè)計，為什么不能做得更“絲滑”一點？為什么不能像老司機一樣，一邊判斷一邊通過？

這個問題的答案，還要從自動駕駛的發(fā)展階段去挖掘。

就拿國內(nèi)頂尖Robotaxi玩家蘿卜快跑來說。據(jù)其最新披露的數(shù)據(jù)顯示：

截至今年2月，蘿卜快跑累計提供全球出行服務(wù)次數(shù)超2000萬，足跡已覆蓋全球26個城市。

其自動駕駛總里程累計超3億公里，相當(dāng)于從地球到太陽跑一個來回；其中有超1.9億公里是全無人駕駛里程。

這是一個什么概念呢？

就全球Robotaxi格局來看，蘿卜快跑是全球極少數(shù)能在大規(guī)模、全天候、全無人場景下穩(wěn)定運行的自動駕駛玩家之一。

其技術(shù)路線、安全體系以及運營能力，已經(jīng)在千萬級訂單的實戰(zhàn)中得到了驗證。

可即便實力強如“蘿卜”，在運營過程中，“過于謹慎”的時刻仍會出現(xiàn)，這甚至是必然的——

比如對某些邊緣場景判斷不足，選擇原地等待；比如對某些復(fù)雜路口“猶豫”過久，導(dǎo)致短暫停滯。

因為系統(tǒng)需要在特殊場景中不斷積累經(jīng)驗、拓寬場景。這就像人類學(xué)車時，教練會反復(fù)強調(diào)“寧停三分，不搶一秒”。

新手司機往往會在該停的地方停，不該停的地方也停，但隨著經(jīng)驗積累，他會越來越清楚什么時候該停、什么時候該走。

自動駕駛車輛也是一樣。

每一次“停滯”，后臺都會記錄下當(dāng)時的場景數(shù)據(jù)、傳感器信息、決策日志，工程師和模型會分析為什么會觸發(fā)“最小風(fēng)險策略”，然后優(yōu)化算法。

下一次遇到類似場景時，系統(tǒng)決策就會更精準、更絲滑。隨著數(shù)據(jù)積累和模型迭代，這種“過于謹慎”會越來越少。

這種靠千萬次真實出行打磨出來的積累，就是自動駕駛的進化方式。

而這種安全與進化邏輯的頂層設(shè)計，在全球頂尖的自動駕駛公司中，實際早已形成共識。

這里舉個另一頂尖無人車玩家，美國谷歌旗下Waymo的例子。

2025年12月，美國舊金山因變電站火災(zāi)而大規(guī)模停電，交通信號燈大面積失效。由于無法識別失效信號燈，Waymo車輛在多處路口開啟雙閃，陷入“停滯”。

Waymo后來解釋，這是因為公司系統(tǒng)預(yù)設(shè)將失效信號燈視為“四向停車”（Four-way stop）場景，但因停電規(guī)模超預(yù)期，車輛確認路口安全狀態(tài)耗時過長，觸發(fā)了“最小風(fēng)險策略”（原地停車并雙閃）。

而且據(jù)Waymo透露，這是美國加州DMV（可以理解為加州車管所）對L4級全無人駕駛的強制安全要求，并非企業(yè)自主選擇。

換句話說，在關(guān)鍵的安全底線上，行業(yè)的技術(shù)路徑是收斂的、趨同的：

在系統(tǒng)遇到“感知不確定”或“外部環(huán)境異常”的情況下，“停下來”是法律和技術(shù)共同規(guī)定的最后一道防線。

當(dāng)然，不得不承認，這種“停滯”確實會給交通帶來短暫影響。尤其是在城市主干道上，一輛車突然“愣”住，確實會讓后方車輛措手不及，也會讓圍觀的路人產(chǎn)生疑問。

但視野拉長，我們會發(fā)現(xiàn)，人類歷史上任何一場足夠深刻的技術(shù)變革，一路都伴隨著與公眾認知、社會規(guī)則的漫長磨合。

就像電力系統(tǒng)發(fā)展了數(shù)百年，到現(xiàn)在依然偶有停電故障。但這并沒有阻止它成為現(xiàn)代社會的基礎(chǔ)設(shè)施。

而自動駕駛還處于早期階段，像停擺這樣的偶發(fā)且未有人員受傷的情況，客觀來看，其實也屬于合理、可理解的范疇。

當(dāng)下，我們正見證自動駕駛從“新手司機”向“老司機”蛻變的最后階段。

與此同時，外界判斷無人駕駛公司實力幾何、技術(shù)成熟與否，需要一把新的、更理性的標尺。

在技術(shù)走向完全成熟的漫長道路上，追求“永遠不出事”是一個理想化的終點，但將它作為衡量當(dāng)下實力的唯一標準，則可能脫離現(xiàn)實，也無視了技術(shù)創(chuàng)新過程中的客觀規(guī)律。

所以在復(fù)雜的現(xiàn)實路況中，我們還要看“狀況”真的發(fā)生后，一家公司是如何兜底、響應(yīng)，以及如何從中學(xué)到東西，完成迭代的。

而在這期間，所有真實場景暴露出的問題，經(jīng)過處理、優(yōu)化，最終都會成為自動駕駛車輛集體升級的“疫苗”。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com