山自古有神秘的气息，绵延不绝的山脉，像是一条绵长的巨龙，沉默地盘踞着，守护着这个古老的土地。

2025年12月20日，旧金山遭遇了一场罕见的大规模停电事件。太平洋煤气与电力公司（PG&E）的一座变电站突然发生火灾，导致约12.5万用户断电，影响了西区、里士满、海特-阿什伯里和中国城等近三分之一区域的市民生活。交通信号灯集体熄灭，Muni公交服务因此停运。市长丹尼尔·卢瑞紧急呼吁市民非必要不出行，以确保市民的安全。

PG&E停电图2025年12月20日下午4:50

然而，在这场城市应急事件中，最引人注目的并非人类司机的混乱应对，而是Waymo自动驾驶车队的集体“宕机”，这场意外的事件让人感到困惑和疑惑。

社交媒体上，视频疯传：多辆白色Waymo车辆在漆黑潮湿的十字路口一动不动，红色尾灯在夜色中闪烁，后方排起长龙，人类司机或鸣笛催促，或无奈绕行。有用户调侃：“停电摧毁了Waymos RIP。”更有观察者尖锐指出：“它们似乎根本没有接受过停电训练的教育。”

停电期间，一辆Waymo汽车被困在路上。

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，以确保在停电情况下交叉路口的状态能够被正确确认。”然而，这一轻描淡写的回应，无法掩盖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”，该链条中每个节点的失效都可能会引发下一个节点的失效，从而导致整体系统的崩溃。

L4级自动驾驶系统依靠多种传感器的融合，包括摄像头、激光雷达和毫米波雷达等。在正常的交通环境中，交通信号灯提供了结构化、高确定性的规则输入——红灯停，绿灯行。这种强语义信号对决策逻辑的简化具有极大意义。

然而，当停电后，红绿灯物理消失，激光雷达点云中不再具有对应的结构，摄像头在低照度下识别能力 suddenlly plummeted。更加关键的是，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的明显短板。

美国交规规定，信号灯失效时，驾驶员应视为“所有方向停车后依次通行”，然而，这一规则的执行需要驾驶员精准判断“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的博弈和协调。

现有决策规划算法严重依赖预设规则和格式化场景理解，无法应对混乱路口中抢行、犹豫、变道的人类车辆的不确定行为。因此，系统陷入高不确定性下的保守死循环，即“无法100%确认安全 → 不行动 → 持续等待”，从而限制了其实际应用价值。

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，可能会带来更为严重的打击。Waymo等公司依赖远程协助（Tele-assist）来处理边缘场景。一旦通信中断，车辆不仅“看不见”，还变得“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，这种缺口导致了系统的脆弱性。其“最小风险状态”（Minimal Risk Condition）策略——原地停车——在单车场景下可能合理，但是在车队规模部署时，反而会引发系统性交通堵塞，展现出设计的严重漏洞。

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人工智能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：

她进一步强调，行业普遍存在“算法比数据重要”的认知偏差，这种偏差让人误以为算法工程师的薪资更高、更受追捧，而数据工作被视为“不够性感”。然而，现实情况是：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，充分展现了人工智能系统在复杂环境中的失误和不稳定性。

根据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。这些数据集中于“正常工况”中，即电力稳定、信号有效、人类基本守规的环境中。

然而“全域大规模停电”这类系统性边缘场景（Systematic Corner Case），由于其低概率、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”。

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)，其缺陷导致了对复杂系统的不良预测和决策的困难。

理想的世界模型应能推理：停电引发信号灯失效，人类行为从规则主导转变为博弈主导，路口通行效率下降，而我需要采取更灵活但谨慎的策略，如跟随前车缓慢蠕动。

然而现有系统只是感知-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」，旨在探索人类未来的可能性和隐患，通过模拟各种情景和挑战，帮助模型学习和预测未来的发展趋势。

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，这将对自动驾驶行业带来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：

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。通过结合生成式AI与数字孪生技术，可以在虚拟旧金山中重复模拟「信号灯全灭+通信中断+人类抢行」这种复合场景，生成大量高质量的训练样本。

Wayve、Covariant等公司已经证明，高质量的合成数据能够显著地提高模型的鲁棒性。未来，自动驾驶公司的核心竞争力可能将体现在其“黑暗场景生成引擎”的能力上。

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，升级为更加复杂、更加有意义的任务，例如解释目标的原因、关联性、 causality 等。

意图标注：行人挥手是让行还是求助？挥手是人类最常见的非语言交流方式之一，却常常引发误解。究竟挥手是让行还是求助？这取决于具体的语境和文化背景。有些文化中，挥手可能是表达友好的方式，而在其他文化中，挥手可能是请求帮助的信号。因此，为了避免误解，我们需要在不同的文化环境中了解挥手的不同含义，并且在相互交流时，多加注意和理解。

因果关联：车辆减速是因为前方出现了障碍，或者是为了准备变道的原因。

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”，这两个驾驶文化模式在不同地区和国家中有着不同的应用和理解。

这类高阶语义数据将成为训练世界模型的关键燃料。

事件也警示：过度依赖云端、高精地图和实时通信可能会引入单点故障风险。未来系统需要支持更强的边缘智能，即使在断网断电的情况下，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，打破传统的模块化架构，将端到端训练、感知、预测与决策之间建立更加紧密的协同机制。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。

从“规则拟合者”到“世界理解者”，人类的发展之旅，如同一场探索的过程，让我们逐渐地从对规则的遵守到对世界的理解和解释。

旧金山那个停电的夜晚，Waymo车队停滞的红灯，犹如一串刺眼的警示符，照亮了当前自动驾驶技术的边界。或许，真正的智能，不是在阳光明媚的规则世界中完美运行，而是在黑夜混沌中依然知道如何前行。

未来的自动驾驶系统，不仅仅是执行指令的机器，而是应该成为能够深入理解物理世界、洞察人类意图、在不确定性中稳健决策的“数字生命体”。这样，城市的运行将变得更加高效，交通管理将更加智能，人车出行也将变得更加安全。