luan.4ai

电脑版下载

33110
9

luan.4ai截图Q8X2R7L1T4J5M9B6W3

内容详情

luan.4ai

文 | 山自

2025年12月20日，旧金山遭遇一场有数的大规模停电。太平洋煤气与电力公司（PG&E）一座变电站突生气灾，导致全市约12.5万用户断电，笼罩西区、里士满、海特-阿什伯里、中国城等近三分之一区域。交通讯号灯整体熄灭，Muni公交停运，市长丹尼尔·卢瑞紧迫呼吁市民非须要不出行。

2025年12月20日下昼4:50的PG&E停电图

然而，在这场都会应急事务中，最引人注目的并非人类司机的杂乱应对，而是——Waymo自动驾驶车队的整体“宕机”。

社交媒体上，视频疯传：多辆白色Waymo车辆在漆黑湿润的十字路口一动不动，红色尾灯在夜色中闪灼，后方排起长龙，人类司机或鸣笛鞭策，或无奈绕行。有用户奚落：“停电摧毁了Waymos RIP。”更有视察者尖锐指出：“看起来它们基础没接受过停电训练。”

停电时代，一辆Waymo被困在路上

越日，Waymo官方认可已暂停旧金山效劳，并诠释称：“由于大规模停电，车辆比平时停留更长时间以确认受影响交织路口的状态。”但这一轻描淡写的回应，掩饰不了一个更深层的手艺�；旱蓖獠渴只∩枋┍浪�，目今主流自动驾驶系统为何云云懦弱？

不是“故障”，而是系统性懦弱链的袒露

从手艺角度看，Waymo车辆在停电夜的障碍，并非简单�？槭�，而是一条典范的“懦弱性传导链”：

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，交通讯号灯提供结构化、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议逻辑。

但停电后，红绿灯物理消逝，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。更要害的是，系统失去了“规则锚点”，被迫将决议权重转移至对无序人类行为的展望——而这正是目今AI的短板。

美国交妄想定，信号灯失效时应视为“All-Way Stop”（所有偏向停车后依次通行）。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举行动态博弈。

现有决议妄想算法严重依赖预设规则和名堂化场景明确。面临杂乱路口中抢行、犹豫、变道的人类车辆，系统陷入高不确定性下的守旧死循环：“无法100%确认清静 → 不可动 → 一连期待”。

有剖析指出，陪同停电的蜂窝网络波动或实时交通数据中止，可能是另一重攻击。Waymo等公司依赖远程协助（Tele-assist）处置惩罚边沿场景。一旦通讯中止，车辆不但“看不见”，还成了“信息孤岛”，无法获取后台指令或路径重妄想。

更讥笑的是，硬件冗余无法填补“情形模子”的缺失。系统设计默认“天下有规则”，却未为“规则自己消逝”构建降级运行机制。其“最小危害状态”（Minimal Risk Condition）战略——原地停车——在单车场景下合理，但在车队规模安排时，反而引发系统性交通梗塞。

李飞飞：数据与算法的“失衡”才是泉源

这场“黑夜测试”恰如一面镜子，映照出李飞飞近期关于AI焦点矛盾的深刻洞察。

在近期与钛媒体的对话中，李飞飞明确指出：

她进一步强调，行业普遍保存“算法比数据主要”的认知误差——算法工程师薪资更高、更受追捧，而数据事情被视为“不敷性感”。但现实是：所有AI从业者都认可，数据至少具有一律价值。

Waymo事务正是这一“协同失灵”的典范案例。

据Tiger Global泄露文件，Waymo现在每周提供45万次Robotaxi效劳，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”：电力稳固、信号有用、人类基本守规。

而“全域大规模停电”这类系统性边沿场景（Systematic Corner Case），因其低概率、高本钱、难复现，在训练集中险些空缺。算法从未在足够多样本上学习“规则失效时该怎样反应”，自然在真实天下中“懵圈”。

更深层问题在于，目今系统缺乏一个能明确物理与社会规则怎样动态演化的天下模子（World Model）。

理想的天下模子应能推理：“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 → 我应接纳更无邪但审慎的战略（如追随前车缓慢蠕动）”。

但现有系统只是感知-展望-妄想的流水线拼接，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，无法挪用知识举行降级决议。

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有强盛的算法之腿，却在要害数据维度上跛足前行。

为天下模子构建“漆黑训练集”

李飞飞展望，未来1-2年AI将迎来手艺爆发，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。

行业必需放弃对总里程的迷信，转而系统性构建要害场景数据库，包括：

这些场景需通过定向实采、众包上报与仿真天生相连系的方法积累。

真实停电难以复现，但高保真仿真可以。使用天生式AI与数字孪外行艺，可在虚拟旧金山中重复模拟“信号灯全灭+通讯中止+人类抢行”的复合场景，天生海量训练样本。

Wayve、Covariant等公司已证实，高质量合成数据可显著提升模子鲁棒性。未来，自动驾驶公司的焦点竞争力，或将体现在其“漆黑场景天生引擎”的能力上。

天下模子需要明确“为什么”，而不但是“是什么”。这意味着数据标注需从古板的目的检测、语义支解，升级为

意图标注：行人挥手是让行照旧求助？

因果关联：车辆减速是由于前方有障碍，照旧准备变道？

社会规范建模：在无信号灯路口，外地驾驶文化是“先到先走”照旧“右侧优先”？

这类“高阶语义数据”将成为训练天下模子的要害燃料。

事务也警示：太过依赖云端、高精地图和实时通讯，会引入单点故障危害。未来系统需支持更强的边沿智能——纵然断网断电，也能基于局部感知举行长时序危害推演。

响应地，训练数据应包括大宗“通讯降级”条件下的乐成处置惩罚案例，让模子学会在信息受限时依然稳健决议。

在探索天下模子落地路径的历程中，海内自动驾驶企业蘑菇车联的实践值得关注。其自研的 MogoMind 大模子正实验构建一个融合物理纪律、交通规则与社会博弈知识的统一认知框架。差别于古板�？榛芄�，MogoMind 通过端到端训练，在感知、展望与决议之间建设更细密的协同机制。更主要的是，蘑菇车联同步打造的 AI网络，一套笼罩车端、边沿与云端的漫衍式智能基础设施——为大模子提供了一连进化的数据闭环：纵然在局部通讯中止或信号失效场景下，车端模子仍能基于外地化天下表征举行稳健推理。这种“物理天下大模子+AI网络”的双轮驱动，或将成为应对“旧金山式黑夜”的中国计划。

从“规则拟合者”到“天下明确者”

旧金山谁人停电的夜晚，Waymo车队障碍的红灯，像一串耀眼的警示符，照亮了目今自动驾驶手艺的界线�；蛐�，真正的智能，不是在阳灼烁媚的规则天下中完善运行，而是在黑夜混沌中依然知道怎样前行。

未来的自动驾驶系统，不应只是执行指令的机械，而应成为能深度明确物理天下、推测人类意图、在不确定性中稳健决议的“数字生命体”，让都会运行更高效，让交通治理更智能，让人车出行更清静。