[首發(fā)于智駕最前沿微信公眾號]現(xiàn)在市場上L2（帶部分自動化的駕駛輔助）級的車輛已經(jīng)很普遍，L4級的Robotaxi也在一些城市或限定場景較小的范圍內(nèi)試運營，但從“輔助駕駛能做”到“完全替代人駕駛并大規(guī)模商業(yè)化”中間，好似有道橫亙的鴻溝，即便已經(jīng)多年過去，自動駕駛仍舊沒有質(zhì)的提升。

到底是什么在擋路？技術不夠、成本太高、法規(guī)沒跟上、還是公眾不信任？這個答案不是單一要素能概括的，但如果把所有因素往根源上追一追，會發(fā)現(xiàn)一個核心矛盾，我們還不能以可驗證、可量化、可證明的方式確定自動駕駛汽車已足夠安全。

感知與長尾，技術上的“最后一公里”難點

感知系統(tǒng)作為自動駕駛的核心，一直是很多自動駕駛設計時被重點關注的一部分，攝像頭擅長識別細節(jié)與顏色，毫米波雷達在穿透能見度差時表現(xiàn)穩(wěn)健，激光雷達（LiDAR）提供稠密的點云深度信息。把這些傳感器的數(shù)據(jù)融合起來去做物體檢測、追蹤、場景理解，理論上可以彌補單一傳感器的短板，但現(xiàn)實里問題并不只是把三種信息“加起來”那么簡單。

雨、雪、霧、不規(guī)則反光、強逆光、路面積水下的反射等惡劣天氣和復雜光照條件，都會讓傳感器輸出發(fā)生系統(tǒng)性偏差。算法在訓練數(shù)據(jù)里見到這種情況的比例通常極小，模型在遇到從未見過的組合時會產(chǎn)生高不確定性。還有就是長尾場景問題，交通世界含有無數(shù)稀有但又可能致命的情形，例如行人突發(fā)行為、非標交通設施、臨時施工現(xiàn)場、異類動物橫穿、被遮擋的交通標志等。要把系統(tǒng)訓練到能覆蓋這些長尾，需要數(shù)量級巨大的數(shù)據(jù)、多樣化的采集場景和極其精細的標注，單靠路測或有限的仿真都難以窮盡。

此外，現(xiàn)有許多感知和決策模塊基于深度學習，它們往往缺乏可靠的置信度度量和可解釋的失敗模式。這意味著當系統(tǒng)在實際道路上犯錯時，我們很難定位是感知失靈、預測失誤、規(guī)劃問題還是執(zhí)行異常，從而也難以形成有效的補救與認證手段。很多技術方案提出通過冗余傳感、規(guī)則校驗、邊緣安全控制等辦法緩解，但自動駕駛系統(tǒng)的成本和復雜度隨之上漲，更不能從根本上消除長尾風險。

證明“夠安全”的制度難題

假設技術團隊做的自動駕駛技術非常完美，把感知、預測、規(guī)劃都做到行業(yè)領先，是否就意味著可以大面積上路了？其實不然，對于消費者來說，要的是一套可以判定“這個系統(tǒng)在目標ODD（OperationalDesignDomain）內(nèi)，長期運行比人類駕駛更安全”的證據(jù)鏈。要構建這樣的證據(jù)鏈，需要系統(tǒng)化的驗證與驗證（V&V）框架、海量的實車數(shù)據(jù)、嚴格的場景覆蓋標準、以及統(tǒng)計學上令人信服的置信區(qū)間。

這就是為什么“安全證明”成為阻礙自動駕駛商業(yè)化的核心要素之一，現(xiàn)有的安全標準（比如功能安全ISO26262、SOTIF的討論等）能約束電子/軟件失效和已知危險，但對“AI在開放世界里的不確定性”并沒有成熟的、被普遍接受的測試協(xié)議。正因如此，司法與監(jiān)管自然不能輕易放行，因為一旦發(fā)生事故，責任歸屬、召回與修復機制、保險賠付的邊界都要清楚。很多公司選擇在明確ODD內(nèi)先小步試水（如限定路段、限定天氣、設有遠程接管或安全員），但這種做法也限制了規(guī)模化商業(yè)模式的展開，因為能服務的場景太窄，邊際收益不足以覆蓋高昂的研發(fā)與運營成本。

場景化仿真、基于因果推斷的驗證方法、合成數(shù)據(jù)增強稀有場景、形式化驗證關鍵子模塊、冗余系統(tǒng)與持續(xù)在線健康度監(jiān)測等可以從技術上解決可解釋性差的問題。但這些方法要么成本高、要么在某些邊界上仍缺乏社會接受的權威性證據(jù)。也就是說，技術上的不完備直接引發(fā)了制度上的不放行，形成反饋環(huán)，阻礙普及。

成本與商業(yè)模式，誰為安全買單？

感知硬件（特別是高精度LiDAR）、高性能算力、冗余執(zhí)行機構、持續(xù)的高精地圖和云端更新，以及大規(guī)模數(shù)據(jù)標注與訓練，這些都是非常巨大的成本投入。早期的Robotaxi公司主要靠風投與補貼支撐“先投入、后找規(guī)?！钡牟呗?，但長期來看，想要商業(yè)化自負盈虧，就必須控制成本。

為了能夠讓自動駕駛商業(yè)化應用，有兩條路可以走。一是降本，把硬件成本、算力功耗和地圖維護成本壓下去，讓系統(tǒng)變得經(jīng)濟可復制；二是限定ODD，把業(yè)務先集中在能夠形成規(guī)模效益的場景（如固定路線的園區(qū)物流、封閉或低速的城中接駁、工業(yè)園區(qū)無人配送），用規(guī)模和頻次攤薄單次成本。兩種路線都必須配套相應的法規(guī)與保險機制，否則即使成本能夠下降，也難以大規(guī)模推廣。

除了硬件成本外，運維成本、地圖與軟件的持續(xù)更新、法律合規(guī)成本、以及面對事故后的賠付和信譽恢復，都可能占到總成本相當大的比例。若想把自動駕駛推向大眾市場，必須找到可持續(xù)的商業(yè)模式，比如按里程計費的出行服務、以數(shù)據(jù)驅動的差異化定價、或與城市交通基礎設施合作分擔成本。但這些商業(yè)模式的落地又取決于法律能否明確責任和降低營運風險。

法規(guī)、責任與公眾接受度，互相影響的三角關系

對于自動駕駛技術來說，公眾接受度是個敏感指標，一次致命事故就足以讓輿論和監(jiān)管收緊。公眾是否愿意把生命交給算法，取決于他們是否理解風險、是否信任監(jiān)管能在事后追責、以及是否看到系統(tǒng)在長期統(tǒng)計上真的更安全。監(jiān)管在這中間既要保護公眾安全，又不能扼殺技術創(chuàng)新。

責任劃分也是自動駕駛難以推廣的核心問題之一。當汽車以更高比例自動化運行時，事故發(fā)生后是歸咎于車輛制造商、軟件開發(fā)者、地圖提供商、還是運營商？保險業(yè)也在觀望如何定價自動駕駛風險。缺乏清晰的法律框架會抑制投資者和運營方的積極性，延緩規(guī)?；渴?。

最后的話

讀到這里你可能會問，那到底哪個是最大攔路虎？我的結論是，不能把阻礙歸結為單一因素。自動駕駛難以推廣的關鍵在于“可證明的長期安全性”缺失，這個缺失又把技術成熟度、成本壓力、法規(guī)滯后和公眾信任四者緊密綁在一起。技術無法在所有長尾場景里做到可預測的表現(xiàn)，于是監(jiān)管不能放心放行；監(jiān)管不放行導致規(guī)模化受限，規(guī)?；芟抟馕吨鵁o法攤薄成本和積累足夠的數(shù)據(jù)來進一步提升技術；沒有規(guī)模和明確法規(guī)，公眾缺乏長期安全記錄，接受度也難以提高。它是個閉環(huán)，任何單點突破都難以立刻打破這個系統(tǒng)性瓶頸。