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

2025年12月20日下午4:50的PG&E停電圖

然而，在這場城市應(yīng)急事件中，最引人注目的并非人類司機(jī)的混亂應(yīng)對，而是——Waymo自動駕駛車隊(duì)的集體“宕機(jī)”。

社交媒體上，視頻瘋傳：多輛白色Waymo車輛在漆黑潮濕的十字路口一動不動，紅色尾燈在夜色中閃爍，后方排起長龍，人類司機(jī)或鳴笛催促，或無奈繞行。有用戶調(diào)侃：“停電摧毀了Waymos RIP�！备杏^察者尖銳指出：“看起來它們根本沒接受過停電訓(xùn)練�！�

停電期間，一輛Waymo被困在路上

次日，Waymo官方承認(rèn)已暫停舊金山服務(wù)，并解釋稱：“由于大范圍停電，車輛比平時(shí)停留更長時(shí)間以確認(rèn)受影響交叉路口的狀態(tài)。”但這一輕描淡寫的回應(yīng)，掩蓋不了一個(gè)更深層的技術(shù)危機(jī)：當(dāng)外部數(shù)字基礎(chǔ)設(shè)施崩塌，當(dāng)前主流自動駕駛系統(tǒng)為何如此脆弱？

不是“故障”，而是系統(tǒng)性脆弱鏈的暴露

從技術(shù)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(dǎo)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(dá)+毫米波雷達(dá)）。在正常工況下，交通信號燈提供結(jié)構(gòu)化、高確定性的規(guī)則輸入——紅燈停，綠燈行。這種強(qiáng)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(dá)點(diǎn)云中不再有對應(yīng)結(jié)構(gòu)，攝像頭在低照度下識別能力驟降。更關(guān)鍵的是，系統(tǒng)失去了“規(guī)則錨點(diǎn)”，被迫將決策權(quán)重轉(zhuǎn)移至對無序人類行為的預(yù)測——而這正是當(dāng)前AI的短板。

2.決策層卡死：規(guī)則世界崩塌，博弈模型失效

美國交規(guī)規(guī)定，信號燈失效時(shí)應(yīng)視為“All-Way Stop”（所有方向停車后依次通行）。但執(zhí)行這一規(guī)則需精準(zhǔn)判斷“誰先停穩(wěn)”“誰有通行意圖”，并與其他可能不守規(guī)的人類司機(jī)進(jìn)行動態(tài)博弈。

現(xiàn)有決策規(guī)劃算法嚴(yán)重依賴預(yù)設(shè)規(guī)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(tǒng)陷入高不確定性下的保守死循環(huán)：“無法100%確認(rèn)安全 → 不行動 → 持續(xù)等待”。

3.通信與冗余失效：孤島效應(yīng)加劇癱瘓

有分析指出，伴隨停電的蜂窩網(wǎng)絡(luò)波動或?qū)崟r(shí)交通數(shù)據(jù)中斷，可能是另一重打擊。Waymo等公司依賴遠(yuǎn)程協(xié)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(guī)劃。

更諷刺的是，硬件冗余無法彌補(bǔ)“環(huán)境模型”的缺失。系統(tǒng)設(shè)計(jì)默認(rèn)“世界有規(guī)則”，卻未為“規(guī)則本身消失”構(gòu)建降級運(yùn)行機(jī)制。其“最小風(fēng)險(xiǎn)狀態(tài)”（Minimal Risk Condition）策略——原地停車——在單車場景下合理，但在車隊(duì)規(guī)模部署時(shí)，反而引發(fā)系統(tǒng)性交通堵塞。

李飛飛：數(shù)據(jù)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(guān)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(dāng)前AI的瓶頸，既非單純數(shù)據(jù)不足，也非算法缺陷，而是二者協(xié)同機(jī)制的限制�！�

她進(jìn)一步強(qiáng)調(diào)，行業(yè)普遍存在“算法比數(shù)據(jù)重要”的認(rèn)知偏差——算法工程師薪資更高、更受追捧，而數(shù)據(jù)工作被視為“不夠性感”。但現(xiàn)實(shí)是：所有AI從業(yè)者都承認(rèn)，數(shù)據(jù)至少具有同等價(jià)值。

Waymo事件正是這一“協(xié)同失靈”的典型案例。

數(shù)據(jù)偏科：海量里程 ≠ 全場景覆蓋

據(jù)Tiger Global泄露文件，Waymo目前每周提供45萬次Robotaxi服務(wù)，累計(jì)路測里程已達(dá)數(shù)億英里。但這些數(shù)據(jù)高度集中于“正常工況”：電力穩(wěn)定、信號有效、人類基本守規(guī)。

而“全域大規(guī)模停電”這類系統(tǒng)性邊緣場景（Systematic Corner Case），因其低概率、高成本、難復(fù)現(xiàn)，在訓(xùn)練集中幾乎空白。算法從未在足夠多樣本上學(xué)習(xí)“規(guī)則失效時(shí)該如何反應(yīng)”，自然在真實(shí)世界中“懵圈”。

算法傲慢：缺乏內(nèi)生世界模型

更深層問題在于，當(dāng)前系統(tǒng)缺乏一個(gè)能理解物理與社會規(guī)則如何動態(tài)演化的世界模型（World Model）。

理想的世界模型應(yīng)能推理：“停電 → 信號燈失效 → 人類行為從規(guī)則主導(dǎo)轉(zhuǎn)為博弈主導(dǎo) → 路口通行效率下降 → 我應(yīng)采取更靈活但謹(jǐn)慎的策略（如跟隨前車緩慢蠕動）”。

但現(xiàn)有系統(tǒng)只是感知-預(yù)測-規(guī)劃的流水線拼接，沒有因果推理、沒有心智理論（Theory of Mind）。當(dāng)輸入異常，算法便在“不確定性過高”的循環(huán)中空轉(zhuǎn)，無法調(diào)用常識進(jìn)行降級決策。

這正是李飛飛所說的：“數(shù)據(jù)和算法就像科學(xué)家的兩條腿，少哪條都走不遠(yuǎn)�！盬aymo有強(qiáng)大的算法之腿，卻在關(guān)鍵數(shù)據(jù)維度上跛足前行。

為世界模型構(gòu)建“黑暗訓(xùn)練集”

李飛飛預(yù)測，未來1-2年AI將迎來技術(shù)爆發(fā)，突破口正在于數(shù)據(jù)與算法的新型協(xié)同機(jī)制。對自動駕駛而言，這意味著一場數(shù)據(jù)戰(zhàn)略的范式革命。

1.從“里程驅(qū)動”轉(zhuǎn)向“場景驅(qū)動”

行業(yè)必須放棄對總里程的迷信，轉(zhuǎn)而系統(tǒng)性構(gòu)建關(guān)鍵場景數(shù)據(jù)庫，包括：

基礎(chǔ)設(shè)施失效（停電、斷網(wǎng)、地圖過期）

復(fù)雜社會博弈（無信號燈路口、大規(guī)模擁堵、應(yīng)急車輛穿行）

極端人車混流（節(jié)日慶典、抗議活動、自然災(zāi)害）

這些場景需通過定向?qū)嵅�、眾包上�?bào)與仿真生成相結(jié)合的方式積累。

2.合成數(shù)據(jù)：在虛擬世界中“制造黑夜”

真實(shí)停電難以復(fù)現(xiàn)，但高保真仿真可以。利用生成式AI與數(shù)字孿生技術(shù)，可在虛擬舊金山中反復(fù)模擬“信號燈全滅+通信中斷+人類搶行”的復(fù)合場景，生成海量訓(xùn)練樣本。

Wayve、Covariant等公司已證明，高質(zhì)量合成數(shù)據(jù)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?qū)Ⅲw現(xiàn)在其“黑暗場景生成引擎”的能力上。

3.數(shù)據(jù)標(biāo)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(shù)據(jù)標(biāo)注需從傳統(tǒng)的目標(biāo)檢測、語義分割，升級為

意圖標(biāo)注：行人揮手是讓行還是求助？

因果關(guān)聯(lián)：車輛減速是因?yàn)榍胺接姓系K，還是準(zhǔn)備變道？

社會規(guī)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(cè)優(yōu)先”？

這類“高階語義數(shù)據(jù)”將成為訓(xùn)練世界模型的關(guān)鍵燃料。

4.去中心化架構(gòu)：強(qiáng)化邊緣自主性

事件也警示：過度依賴云端、高精地圖和實(shí)時(shí)通信，會引入單點(diǎn)故障風(fēng)險(xiǎn)。未來系統(tǒng)需支持更強(qiáng)的邊緣智能——即使斷網(wǎng)斷電，也能基于局部感知進(jìn)行長時(shí)序風(fēng)險(xiǎn)推演。

相應(yīng)地，訓(xùn)練數(shù)據(jù)應(yīng)包含大量“通信降級”條件下的成功處置案例，讓模型學(xué)會在信息受限時(shí)依然穩(wěn)健決策。

在探索世界模型落地路徑的過程中，國內(nèi)自動駕駛企業(yè)蘑菇車聯(lián)的實(shí)踐值得關(guān)注。其自研的MogoMind 大模型正嘗試構(gòu)建一個(gè)融合物理規(guī)律、交通規(guī)則與社會博弈常識的統(tǒng)一認(rèn)知框架。不同于傳統(tǒng)模塊化架構(gòu)，MogoMind 通過端到端訓(xùn)練，在感知、預(yù)測與決策之間建立更緊密的協(xié)同機(jī)制。更重要的是，蘑菇車聯(lián)同步打造的AI網(wǎng)絡(luò)，一套覆蓋車端、邊緣與云端的分布式智能基礎(chǔ)設(shè)施——為大模型提供了持續(xù)進(jìn)化的數(shù)據(jù)閉環(huán)：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(jìn)行穩(wěn)健推理。這種“物理世界大模型+AI網(wǎng)絡(luò)”的雙輪驅(qū)動，或?qū)⒊蔀閼?yīng)對“舊金山式黑夜”的中國方案。

從“規(guī)則擬合者”到“世界理解者”

舊金山那個(gè)停電的夜晚，Waymo車隊(duì)停滯的紅燈，像一串刺眼的警示符，照亮了當(dāng)前自動駕駛技術(shù)的邊界�；蛟S，真正的智能，不是在陽光明媚的規(guī)則世界中完美運(yùn)行，而是在黑夜混沌中依然知道如何前行。

未來的自動駕駛系統(tǒng)，不應(yīng)只是執(zhí)行指令的機(jī)器，而應(yīng)成為能深度理解物理世界、揣摩人類意圖、在不確定性中穩(wěn)健決策的“數(shù)字生命體”，讓城市運(yùn)行更高效，讓交通管理更智能，讓人車出行更安全。