文 | 山自
2025年12月20日，舊金山遭遇一場罕見的大規模停電。太平洋煤氣與電力公司（PG&E）一座變電站突發火災，導致全市約12.5萬用戶斷電，覆蓋西區、里士滿、海特-阿什伯里、中國城等近三分之一區域。交通信號燈集體熄滅，Muni公交停運，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，在這場城市應急事件中，最引人注目的并非人類司機的混亂應對，而是——Waymo自動駕駛車隊的集體“宕機”。
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，人類司機或鳴笛催促，或無奈繞行。有用戶調侃：“停電摧毀了Waymos RIP。”更有觀察者尖銳指出：“看起來它們根本沒接受過停電訓練。”
停電期間，一輛Waymo被困在路上
次日，Waymo官方承認已暫停舊金山服務，并解釋稱：“由于大范圍停電，車輛比平時停留更長時間以確認受影響交叉路口的狀態。”但這一輕描淡寫的回應，掩蓋不了一個更深層的技術危機：當外部數字基礎設施崩塌，當前主流自動駕駛系統為何如此脆弱？
不是“故障”，而是系統性脆弱鏈的暴露
從技術角度看，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“脆弱性傳導鏈”：
L4級自動駕駛依賴多傳感器融合（攝像頭+激光雷達+毫米波雷達）。在正常工況下，交通信號燈提供結構化、高確定性的規則輸入——紅燈停，綠燈行。這種強語義信號極大簡化了決策邏輯。
但停電后，紅綠燈物理消失，激光雷達點云中不再有對應結構，攝像頭在低照度下識別能力驟降。更關鍵的是，系統失去了“規則錨點”，被迫將決策權重轉移至對無序人類行為的預測——而這正是當前AI的短板。
美國交規規定，信號燈失效時應視為“All-Way Stop”（所有方向停車后依次通行）。但執行這一規則需精準判斷“誰先停穩”“誰有通行意圖”，并與其他可能不守規的人類司機進行動態博弈。
現有決策規劃算法嚴重依賴預設規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，系統陷入高不確定性下的保守死循環：“無法100%確認安全 → 不行動 → 持續等待”。
有分析指出，伴隨停電的蜂窩網絡波動或實時交通數據中斷，可能是另一重打擊。Waymo等公司依賴遠程協助（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劃。
更諷刺的是，硬件冗余無法彌補“環境模型”的缺失。系統設計默認“世界有規則”，卻未為“規則本身消失”構建降級運行機制。其“最小風險狀態”（Minimal Risk Condition）策略——原地停車——在單車場景下合理，但在車隊規模部署時，反而引發系統性交通堵塞。
李飛飛：數據與算法的“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：
她進一步強調，行業普遍存在“算法比數據重要”的認知偏差——算法工程師薪資更高、更受追捧，而數據工作被視為“不夠性感”。但現實是：所有AI從業者都承認，數據至少具有同等價值。
Waymo事件正是這一“協同失靈”的典型案例。
據Tiger Global泄露文件，Waymo目前每周提供45萬次Robotaxi服務，累計路測里程已達數億英里。但這些數據高度集中于“正常工況”：電力穩定、信號有效、人類基本守規。
而“全域大規模停電”這類系統性邊緣場景（Systematic Corner Case），因其低概率、高成本、難復現，在訓練集中幾乎空白。算法從未在足夠多樣本上學習“規則失效時該如何反應”，自然在真實世界中“懵圈”。
更深層問題在于，當前系統缺乏一個能理解物理與社會規則如何動態演化的世界模型（World Model）。
理想的世界模型應能推理：“停電 → 信號燈失效 → 人類行為從規則主導轉為博弈主導 → 路口通行效率下降 → 我應采取更靈活但謹慎的策略（如跟隨前車緩慢蠕動）”。
但現有系統只是感知-預測-規劃的流水線拼接，沒有因果推理、沒有心智理論（Theory of Mind）。當輸入異常，算法便在“不確定性過高”的循環中空轉，無法調用常識進行降級決策。
這正是李飛飛所說的：“數據和算法就像科學家的兩條腿，少哪條都走不遠。”Waymo有強大的算法之腿，卻在關鍵數據維度上跛足前行。
為世界模型構建“黑暗訓練集”
李飛飛預測，未來1-2年AI將迎來技術爆發，突破口正在于數據與算法的新型協同機制。對自動駕駛而言，這意味著一場數據戰略的范式革命。
行業必須放棄對總里程的迷信，轉而系統性構建關鍵場景數據庫，包括：
這些場景需通過定向實采、眾包上報與仿真生成相結合的方式積累。
真實停電難以復現，但高保真仿真可以。利用生成式AI與數字孿生技術，可在虛擬舊金山中反復模擬“信號燈全滅+通信中斷+人類搶行”的復合場景，生成海量訓練樣本。
Wayve、Covariant等公司已證明，高質量合成數據可顯著提升模型魯棒性。未來，自動駕駛公司的核心競爭力，或將體現在其“黑暗場景生成引擎”的能力上。
世界模型需要理解“為什么”，而不僅是“是什么”。這意味著數據標注需從傳統的目標檢測、語義分割，升級為
意圖標注：行人揮手是讓行還是求助？
因果關聯：車輛減速是因為前方有障礙，還是準備變道？
社會規范建模：在無信號燈路口，本地駕駛文化是“先到先走”還是“右側優先”？
這類“高階語義數據”將成為訓練世界模型的關鍵燃料。
事件也警示：過度依賴云端、高精地圖和實時通信，會引入單點故障風險。未來系統需支持更強的邊緣智能——即使斷網斷電，也能基于局部感知進行長時序風險推演。
相應地，訓練數據應包含大量“通信降級”條件下的成功處置案例，讓模型學會在信息受限時依然穩健決策。
在探索世界模型落地路徑的過程中，國內自動駕駛企業蘑菇車聯的實踐值得關注。其自研的 MogoMind 大模型 正嘗試構建一個融合物理規律、交通規則與社會博弈常識的統一認知框架。不同于傳統模塊化架構，MogoMind 通過端到端訓練，在感知、預測與決策之間建立更緊密的協同機制。更重要的是，蘑菇車聯同步打造的 AI網絡，一套覆蓋車端、邊緣與云端的分布式智能基礎設施——為大模型提供了持續進化的數據閉環：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行穩健推理。這種“物理世界大模型+AI網絡”的雙輪驅動，或將成為應對“舊金山式黑夜”的中國方案。
從“規則擬合者”到“世界理解者”
舊金山那個停電的夜晚，Waymo車隊停滯的紅燈，像一串刺眼的警示符，照亮了當前自動駕駛技術的邊界。或許，真正的智能，不是在陽光明媚的規則世界中完美運行，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，不應只是執行指令的機器，而應成為能深度理解物理世界、揣摩人類意圖、在不確定性中穩健決策的“數字生命體”，讓城市運行更高效，讓交通管理更智能，讓人車出行更安全。
