山自

2025年12月20日，旧金山遭遇一场罕见的大规模停电。太平洋煤气与电力公司（PG&E）一座变电站突发火灾，导致全市约12.5万用户断电，覆盖西区、里士满、海特-阿什伯里、中国城等近三分之一区域。交通信号灯集体熄灭，Muni公交停运，市长丹尼尔卢瑞紧急呼吁市民非必要不出行。

停电期间，一辆Waymo被困在路上

次日，Waymo官方承认已暂停旧金山服务，并解释称：由于大范围停电，车辆比平时停留更长时间以确认受影响交叉路口的状态。但这一轻描淡写的回应，掩盖不了一个更深层的技术危机：当外部数字基础设施崩塌，当前主流自动驾驶系统为何如此脆弱？

不是故障，而是系统性脆弱链的暴露

从技术角度看，Waymo车辆在停电夜的停滞，并非单一模块失效，而是一条典型的脆弱性传导链：

1.感知层失锚：红绿灯不仅是光源，更是高置信度语义符号

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，交通信号灯提供结构化、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策逻辑。

但停电后，红绿灯物理消失，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。更关键的是，系统失去了规则锚点，被迫将决策权重转移至对无序人类行为的预测而这正是当前AI的短板。

2.决策层卡死：规则世界崩塌，博弈模型失效

美国交规规定，信号灯失效时应视为All-Way Stop（所有方向停车后依次通行）。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进行动态博弈。

现有决策规划算法严重依赖预设规则和格式化场景理解。面对混乱路口中抢行、犹豫、变道的人类车辆，系统陷入高不确定性下的保守死循环：无法100%确认安全 → 不行动 → 持续等待。

3.通信与冗余失效：孤岛效应加剧瘫痪

有分析指出，伴随停电的蜂窝网络波动或实时交通数据中断，可能是另一重打击。Waymo等公司依赖远程协助（Tele-assist）处理边缘场景。一旦通信中断，车辆不仅看不见，还成了信息孤岛，无法获取后台指令或路径重规划。

更讽刺的是，硬件冗余无法弥补环境模型的缺失。系统设计默认世界有规则，却未为规则本身消失构建降级运行机制。其最小风险状态（Minimal Risk Condition）策略原地停车在单车场景下合理，但在车队规模部署时，反而引发系统性交通堵塞。

李飞飞：数据与算法的失衡才是根源

这场黑夜测试恰如一面镜子，映照出李飞飞近期关于AI核心矛盾的深刻洞察。

在近期与钛媒体的对话中，李飞飞明确指出：

当前AI的瓶颈，既非单纯数据不足，也非算法缺陷，而是二者协同机制的限制。

她进一步强调，行业普遍存在算法比数据重要的认知偏差算法工程师薪资更高、更受追捧，而数据工作被视为不够性感。但现实是：所有AI从业者都承认，数据至少具有同等价值。

Waymo事件正是这一协同失灵的典型案例。

数据偏科：海量里程 ≠ 全场景覆盖

据Tiger Global泄露文件，Waymo目前每周提供45万次Robotaxi服务，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：电力稳定、信号有效、人类基本守规。

而全域大规模停电这类系统性边缘场景（Systematic Corner Case），因其低概率、高成本、难复现，在训练集中几乎空白。算法从未在足够多样本上学习规则失效时该如何反应，自然在真实世界中懵圈。

算法傲慢：缺乏内生世界模型

更深层问题在于，当前系统缺乏一个能理解物理与社会规则如何动态演化的世界模型（World Model）。

理想的世界模型应能推理：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 → 我应采取更灵活但谨慎的策略（如跟随前车缓慢蠕动）。

但现有系统只是感知-预测-规划的流水线拼接，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，无法调用常识进行降级决策。

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有强大的算法之腿，却在关键数据维度上跛足前行。

为世界模型构建黑暗训练集

李飞飞预测，未来1-2年AI将迎来技术爆发，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。

1.从里程驱动转向场景驱动

行业必须放弃对总里程的迷信，转而系统性构建关键场景数据库，包括：

基础设施失效（停电、断网、地图过期）

复杂社会博弈（无信号灯路口、大规模拥堵、应急车辆穿行）

极端人车混流（节日庆典、抗议活动、自然灾害）

这些场景需通过定向实采、众包上报与仿真生成相结合的方式积累。

2.合成数据：在虚拟世界中制造黑夜

真实停电难以复现，但高保真仿真可以。利用生成式AI与数字孪生技术，可在虚拟旧金山中反复模拟信号灯全灭+通信中断+人类抢行的复合场景，生成海量训练样本。

Wayve、Covariant等公司已证明，高质量合成数据可显著提升模型鲁棒性。未来，自动驾驶公司的核心竞争力，或将体现在其黑暗场景生成引擎的能力上。

3.数据标注跃迁：从物体检测到意图与因果

世界模型需要理解为什么，而不仅是是什么。这意味着数据标注需从传统的目标检测、语义分割，升级为

意图标注：行人挥手是让行还是求助？

因果关联：车辆减速是因为前方有障碍，还是准备变道？

社会规范建模：在无信号灯路口，本地驾驶文化是先到先走还是右侧优先？

这类高阶语义数据将成为训练世界模型的关键燃料。

4.去中心化架构：强化边缘自主性

事件也警示：过度依赖云端、高精地图和实时通信，会引入单点故障风险。未来系统需支持更强的边缘智能即使断网断电，也能基于局部感知进行长时序风险推演。

相应地，训练数据应包含大量通信降级条件下的成功处置案例，让模型学会在信息受限时依然稳健决策。

在探索世界模型落地路径的过程中，国内自动驾驶企业蘑菇车联的实践值得关注。其自研的MogoMind 大模型正尝试构建一个融合物理规律、交通规则与社会博弈常识的统一认知框架。不同于传统模块化架构，MogoMind 通过端到端训练，在感知、预测与决策之间建立更紧密的协同机制。更重要的是，蘑菇车联同步打造的AI网络，一套覆盖车端、边缘与云端的分布式智能基础设施为大模型提供了持续进化的数据闭环：即使在局部通信中断或信号失效场景下，车端模型仍能基于本地化世界表征进行稳健推理。这种物理世界大模型+AI网络的双轮驱动，或将成为应对旧金山式黑夜的中国方案。