旧金山停电事件暴露自动驾驶短板，规则缺失AI为何宕机

哈喽，大家好，今天小睿这篇评论，主要来分析旧金山大停电中，Waymo自动驾驶车队集体瘫痪背后，AI技术究竟缺了什么。

2025年12月20日晚上，旧金山遭遇罕见大规模停电，太平洋煤气与电力公司的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、中国城等近三分之一区域。

社交媒体上的视频显示，多辆白色Waymo车辆一动不动地停在路口，红色尾灯在夜色中闪烁，后面排起长龙。

有用户调侃："停电摧毁了Waymo，安息吧。"更有人直言："看起来它们根本没接受过停电训练。"

次日，Waymo官方承认暂停旧金山服务，解释称"由于大范围停电，车辆需要更长时间确认路口状态"。

这个轻描淡写的回应，掩盖不了一个更深层的问题：当基础设施崩塌，自动驾驶为何如此脆弱？

从技术层面看，Waymo这次停摆不是某个零件坏了，是整个系统的逻辑链断了。

L4级自动驾驶依赖多传感器融合，摄像头、激光雷达、毫米波雷达一起工作，正常情况下，交通信号灯提供最直接的规则输入，红灯停、绿灯行，系统决策很简单。

停电后，红绿灯物理消失了，激光雷达扫不到对应结构，摄像头在黑夜里识别能力也大幅下降。

系统失去了"规则锚点"，被迫去猜测无序人类司机的行为，这正是当前AI最薄弱的地方。

按照美国交规，信号灯失效时应视为"All-Way Stop"，所有方向停车后依次通行，执行这条规则需要精准判断谁先停稳、谁有通行意图，还要跟可能不守规矩的人类司机博弈。

现有决策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，系统陷入死循环："无法百分百确认安全，那就不动"，结果就是持续等待。

还有一个被忽略的问题是通信中断。停电往往伴随蜂窝网络波动，Waymo这类公司依赖远程协助处理边缘场景。

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。硬件再冗余，也弥补不了"环境模型"的缺失。

系统设计默认"世界有规则"，却没为"规则本身消失"准备降级方案。它的"最小风险状态"策略就是原地停车，单车场景下合理，但车队规模部署时，反而引发系统性交通堵塞。

斯坦福大学李飞飞教授近期多次强调，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"，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。据公开信息，Waymo目前每周提供约45万次Robotaxi服务，累计路测里程已达数亿英里。

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。"全域大规模停电"这类系统性边缘场景，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"。

更深层的问题在于，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。理想的世界模型应该能推理："停电导致信号灯失效，人类行为从规则主导转为博弈主导，路口通行效率下降，我应该采取更灵活但谨慎的策略"。

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。当输入异常，算法就在"不确定性过高"的循环中空转，无法调用常识进行降级决策。

值得注意的是，国内自动驾驶企业在应对这类问题上已有新思路。蘑菇车联自研的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，是一套覆盖车端、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，或许能成为应对"旧金山式黑夜"的中国方案。

李飞飞预测，未来1到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。

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，包括基础设施失效场景、极端天气与光照条件、人类非常规驾驶行为等。

这些场景需要通过定向实采、众包上报与仿真生成相结合的方式积累。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，可以在虚拟城市中反复模拟各种复合场景，生成海量训练样本。

未来的自动驾驶系统，不应只是执行指令的机器，应成为能深度理解物理世界、揣摩人类意图、在不确定性中稳健决策的智能体，这条路还很长。