從“能跑”到“能替代人”,自動駕駛普及的真實攔路虎是什么？

[首發于智駕最前沿微信公眾號]現在市場上L2（帶部分自動化的駕駛輔助）級的車輛已經很普遍，L4級的Robotaxi也在一些城市或限定場景較小的范圍內試運營，但從“輔助駕駛能做”到“完全替代人駕駛并大規模商業化”中間，好似有道橫亙的鴻溝，即便已經多年過去，自動駕駛仍舊沒有質的提升。

到底是什么在擋路？技術不夠、成本太高、法規沒跟上、還是公眾不信任？這個答案不是單一要素能概括的，但如果把所有因素往根源上追一追，會發現一個核心矛盾，我們還不能以可驗證、可量化、可證明的方式確定自動駕駛汽車已足夠安全。

感知與長尾，技術上的“最后一公里”難點

感知系統作為自動駕駛的核心，一直是很多自動駕駛設計時被重點關注的一部分，攝像頭擅長識別細節與顏色，毫米波雷達在穿透能見度差時表現穩健，激光雷達（LiDAR）提供稠密的點云深度信息。把這些傳感器的數據融合起來去做物體檢測、追蹤、場景理解，理論上可以彌補單一傳感器的短板，但現實里問題并不只是把三種信息“加起來”那么簡單。

雨、雪、霧、不規則反光、強逆光、路面積水下的反射等惡劣天氣和復雜光照條件，都會讓傳感器輸出發生系統性偏差。算法在訓練數據里見到這種情況的比例通常極小，模型在遇到從未見過的組合時會產生高不確定性。還有就是長尾場景問題，交通世界含有無數稀有但又可能致命的情形，例如行人突發行為、非標交通設施、臨時施工現場、異類動物橫穿、被遮擋的交通標志等。要把系統訓練到能覆蓋這些長尾，需要數量級巨大的數據、多樣化的采集場景和極其精細的標注，單靠路測或有限的仿真都難以窮盡。

此外，現有許多感知和決策模塊基于深度學習，它們往往缺乏可靠的置信度度量和可解釋的失敗模式。這意味著當系統在實際道路上犯錯時，我們很難定位是感知失靈、預測失誤、規劃問題還是執行異常，從而也難以形成有效的補救與認證手段。很多技術方案提出通過冗余傳感、規則校驗、邊緣安全控制等辦法緩解，但自動駕駛系統的成本和復雜度隨之上漲，更不能從根本上消除長尾風險。

證明“夠安全”的制度難題

假設技術團隊做的自動駕駛技術非常完美，把感知、預測、規劃都做到行業領先，是否就意味著可以大面積上路了？其實不然，對于消費者來說，要的是一套可以判定“這個系統在目標ODD（OperationalDesignDomain）內，長期運行比人類駕駛更安全”的證據鏈。要構建這樣的證據鏈，需要系統化的驗證與驗證（V&V）框架、海量的實車數據、嚴格的場景覆蓋標準、以及統計學上令人信服的置信區間。

這就是為什么“安全證明”成為阻礙自動駕駛商業化的核心要素之一，現有的安全標準（比如功能安全ISO26262、SOTIF的討論等）能約束電子/軟件失效和已知危險，但對“AI在開放世界里的不確定性”并沒有成熟的、被普遍接受的測試協議。正因如此，司法與監管自然不能輕易放行，因為一旦發生事故，責任歸屬、召回與修復機制、保險賠付的邊界都要清楚。很多公司選擇在明確ODD內先小步試水（如限定路段、限定天氣、設有遠程接管或安全員），但這種做法也限制了規模化商業模式的展開，因為能服務的場景太窄，邊際收益不足以覆蓋高昂的研發與運營成本。

場景化仿真、基于因果推斷的驗證方法、合成數據增強稀有場景、形式化驗證關鍵子模塊、冗余系統與持續在線健康度監測等可以從技術上解決可解釋性差的問題。但這些方法要么成本高、要么在某些邊界上仍缺乏社會接受的權威性證據。也就是說，技術上的不完備直接引發了制度上的不放行，形成反饋環，阻礙普及。

成本與商業模式，誰為安全買單？

感知硬件（特別是高精度LiDAR）、高性能算力、冗余執行機構、持續的高精地圖和云端更新，以及大規模數據標注與訓練，這些都是非常巨大的成本投入。早期的Robotaxi公司主要靠風投與補貼支撐“先投入、后找規模”的策略，但長期來看，想要商業化自負盈虧，就必須控制成本。

為了能夠讓自動駕駛商業化應用，有兩條路可以走。一是降本，把硬件成本、算力功耗和地圖維護成本壓下去，讓系統變得經濟可復制；二是限定ODD，把業務先集中在能夠形成規模效益的場景（如固定路線的園區物流、封閉或低速的城中接駁、工業園區無人配送），用規模和頻次攤薄單次成本。兩種路線都必須配套相應的法規與保險機制，否則即使成本能夠下降，也難以大規模推廣。

除了硬件成本外，運維成本、地圖與軟件的持續更新、法律合規成本、以及面對事故后的賠付和信譽恢復，都可能占到總成本相當大的比例。若想把自動駕駛推向大眾市場，必須找到可持續的商業模式，比如按里程計費的出行服務、以數據驅動的差異化定價、或與城市交通基礎設施合作分擔成本。但這些商業模式的落地又取決于法律能否明確責任和降低營運風險。

法規、責任與公眾接受度，互相影響的三角關系

對于自動駕駛技術來說，公眾接受度是個敏感指標，一次致命事故就足以讓輿論和監管收緊。公眾是否愿意把生命交給算法，取決于他們是否理解風險、是否信任監管能在事后追責、以及是否看到系統在長期統計上真的更安全。監管在這中間既要保護公眾安全，又不能扼殺技術創新。

責任劃分也是自動駕駛難以推廣的核心問題之一。當汽車以更高比例自動化運行時，事故發生后是歸咎于車輛制造商、軟件開發者、地圖提供商、還是運營商？保險業也在觀望如何定價自動駕駛風險。缺乏清晰的法律框架會抑制投資者和運營方的積極性，延緩規模化部署。

最后的話

讀到這里你可能會問，那到底哪個是最大攔路虎？我的結論是，不能把阻礙歸結為單一因素。自動駕駛難以推廣的關鍵在于“可證明的長期安全性”缺失，這個缺失又把技術成熟度、成本壓力、法規滯后和公眾信任四者緊密綁在一起。技術無法在所有長尾場景里做到可預測的表現，于是監管不能放心放行；監管不放行導致規模化受限，規模化受限意味著無法攤薄成本和積累足夠的數據來進一步提升技術；沒有規模和明確法規，公眾缺乏長期安全記錄，接受度也難以提高。它是個閉環，任何單點突破都難以立刻打破這個系統性瓶頸。