北京
你有没有想过，一台装着激光雷达、毫米波雷达、八个摄像头的智能汽车，明明"看"清了前方的洪水，却还是会像蒙眼一样冲进去？
这不是科幻片的bug，是上个月真实发生在圣安东尼奥的事。Waymo的无人车在40英里时速的道路上，传感器完整捕捉到了积水区域——减速，然后径直驶入，最终漂浮偏离路面，搁浅在萨利多溪里。
4月30日，Waymo向美国国家公路交通安全管理局提交了自愿召回，涉及3791辆车。讽刺的是，召回原因不是某个传感器失灵，而是软件"看见了危险，却选错了答案"。
你可能正坐在这些被召回的车里。凤凰城、洛杉矶、奥斯汀、亚特兰大的街头，它们仍在运营，而永久性的软件修复方案，Waymo确认还在开发中。
这场事故暴露了一个被行业长期回避的问题：当无人车遇到无法通行的障碍时，它到底该做什么？
NHTSA的召回文件说得很精确——软件"可能允许车辆在减速后，驶入高速道路上的积水"。这不是硬件故障，是决策层的分类错误。Waymo的第五代捷豹I-PACE和第六代极氪RT，激光雷达、毫米波雷达、摄像头三重覆盖，圣安东尼奥那辆车准确将积水识别为需要响应的危险。但决策架构里，没有针对"40英里时速道路上的积水"设置强制停车，只有一个降速的警告标志，而"继续行驶"仍是可选输出。
更麻烦的是，这不是偶发。大约两周前，另一辆Waymo在圣安东尼奥麦卡洛大道附近同样被困，证明这是可重复出现的失效模式。而事发时，这支车队还在九个城市载客运营。
各家给出的答案截然不同。特斯拉的Cybercab在得州工厂投产，在奥斯汀、达拉斯、休斯顿运行纯视觉方案——八个摄像头、4D毫米波雷达，完全没有激光雷达。遇到洪水时，它没有独立的深度感知通道来判断积水严重程度，只能依赖摄像头的可见光成像。
Uber在达拉斯的平台调度着Avride运营的现代Ioniq 5，这套系统正因16起涉及变道和未对前方交通停车的碰撞事故，接受NHTSA调查。亚马逊的Zoox倒是行业传感器冗余之最——摄像头、激光雷达、毫米波雷达、长波红外，四重叠加，目前仍局限于城市小规模测试。
圣安东尼奥的溪水之后，这些"遇到无法穿越障碍时该怎么办"的答案，都值得被重新审视。
技术乐观主义者常说，多重传感器融合能让无人车比人类司机更安全。但Waymo的事故证明，"看见"和"理解"之间，隔着一道决策软件的鸿沟。传感器再精密，如果决策层没有为特定场景写入强制中断的逻辑，系统就会像这次一样——减速，犹豫，然后犯错。
这让人想起航空史上的类似困境。波音737 MAX的MCAS系统，传感器数据正确，但软件对数据的解读和响应错了。无人车的决策栈越来越复杂，边缘案例却永远存在：积水深度多少算危险？流速多快需要绕行？静态积水和流动洪水的区分标准是什么？
Waymo的修复方案尚未落地，而行业竞争却在加速。特斯拉坚持纯视觉路线，成本更低、数据闭环更快，但极端天气和光照条件下的可靠性始终存疑。Zoox的豪华传感器套餐理论上最安全，却拖慢了规模化部署的节奏。中间路线的玩家们，则在监管调查和商业化压力之间寻找平衡。
对于普通乘客来说，这场召回最刺眼的细节或许是：你坐进车里，不知道它的"大脑"有没有为眼前这条积水的街道写过正确的答案。传感器不会疲劳，不会酒驾，但它们会被自己无法分类的场景困住。
圣安东尼奥的那辆车，最终停在了溪水里。而整个行业，正站在一个更深的问题面前：当机器学会"看见"世界，谁来教它"理解"危险？
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
