Der Blackout-Test: Warum Waymo einfror und FSD nicht

Am 20. Dezember 2025 um 23:00 Uhr stürzte ein massiver unterirdischer Kabeldefekt das Mission District von San Francisco in totale Dunkelheit. Straßenlaternen starben. Ampeln wurden dunkel. 130.000 Einwohner verloren Strom. Und inmitten dieses urbanen Nichts passierte etwas Aufschlussreiches.

Dutzende von Waymos Jaguar-Fahrzeugen blieben einfach stehen.

In Fahrbahnen eingefroren, Warnlichter im Gloom pulsierend, wurden sie zu 2.300-Kilo-Hindernissen, die menschliche Rettungsteams benötigten, um sie manuell zu bergen. Währenddessen tauchten schnell Berichte und Aufnahmen von Tesla-Fahrzeugen auf, die FSD v14 ausführten und sich dieselben stockdunklen Kreuzungen mit unheimlicher Zuversicht navigierten. Sie behandelten die toten Ampeln als Vier-Wege-Stopps, verhandelten mit menschlichen Fahrern und setzten ihre Reisen fort.

Das ist Waymos „Code Red”-Moment. Dieser Vorfall erfordert eine rigorose technische Untersuchung, warum eine Architektur dort scheiterte, wo die andere gedieh. Die Antwort liegt im grundsätzlichen Unterschied zwischen kartenabhängigen Prioritäten und End-to-End Vision, und der verborgenen Zerbrechlichkeit von infrastruktur-gebundener Autonomie.

Die Architektur-Lücke: Karten vs. Vision

Um den Fehler zu verstehen, muss man die Entscheidungshierarchie des Waymo-Stacks verstehen, wie in der Analyse des Grid-Fehlerlähmung detailliert. Waymo verlässt sich stark auf hochauflösende (HD) Karten: zentimeter-perfekte vorgescannte digitale Zwillinge der Stadt. Diese Karten dienen als „Grundwahrheit”, gegen die Sensordaten verglichen werden.

Die Prior Probability Trap

In einer typischen Waymo-Architektur hat das Fahrzeug eine starke „Vor”-Überzeugung über die Welt. Es kennt genau, wo jede Ampel, jedes Stoppschild und jede Spurmarkierung existiert. $P(\text{State} | \text{Map}, \text{Sensor})$ Wenn das Netz ausfällt, widersprechen die „Sensor”-Daten (Dunkelheit) den „Map”-Daten heftig. Die Karte behauptet die Existenz einer kontrollierten Kreuzung mit aktiven Signalen. Die Sensoren berichten ein Nichts.

Entscheidend ist, dass LiDAR (Waymos primärer Sensor) in der Dunkelheit perfekt funktioniert. Es kann die Geometrie der Kreuzung, die anderen Autos und die Fußgänger sehen. LiDAR kann jedoch nicht die Farbe eines Ampellichts sehen; es verlässt sich auf Kameras für semantische Zustandserkennung. Wenn eine Ampel den Strom verliert, wird sie nicht rot; sie verschwindet effektiv aus dem semantischen Verständnis der Maschine.

Für ein System, das explizit programmiert ist, Ampeln zu gehorchen, die in seiner geofenced Realität hart codiert sind, ist die Abwesenheit eines Signalzustands ein „kritischer Systemfehler”. Die Sicherheitsrichtlinie ist deterministisch: Wenn der Zustand eines bekannten Verkehrskontrollgeräts nicht überprüft werden kann, muss das Fahrzeug in einen Minimum Risk Condition (MRC) eintreten. In diesem Fall bedeutete das sofortige Stoppen in der Fahrbahn. Das ist die „Spröde Kantenfalligkeit.” Das System ist sicher, ja; aber sich selbst zu blockieren ist sicherer als eine blinde Kreuzung zu fahren, aber es ist nicht widerstandsfähig. Es erfordert, dass die Infrastruktur der Karte entspricht.

Teslas Vision: Der „No-Priors”-Ansatz

Teslas Ansatz, speziell mit den End-to-End Neural Networks, die in v12 eingeführt und in v14 verfeinert wurden, funktioniert nach einem grundlegend anderen Prinzip. Er verlässt sich nicht auf eine Karte, um die Existenz einer Ampel zu überprüfen. Er verlässt sich auf den rohen Photonstrom, der auf den Kamerasensor trifft.

Das Netzwerk ist auf Petabytes an Videodaten trainiert. Es hat „gebrochene Ampeln”, dunkle Straßen und Stromausfälle in seinem Trainingsset „gesehen”, stammt von den Millionen von menschlich gefahrenen Teslas, die weltweit in Betrieb sind. Wenn es sich einer dunklen Kreuzung nähert, fragt das Netzwerk nicht nach einer Datenbank oder prüft ein Regelbuch. Es verarbeitet die visuelle Textur der Szene direkt. $f(\text{Pixels}) \rightarrow \text{Control Policy}$ Weil die Lichter aus waren, stimmte der „visuelle Kontext” mit der latenten Raum-Darstellung eines „kaputten Signals” oder „unkontrollierter Kreuzung”-Szenarios überein. Die Policy-Ausgabe spiegelte menschliche Intuition wider: verlangsamen, langsam vorwärts kriechen für Sicht, auf Querverkehrsbewegung prüfen und fortfahren, wenn klar. Es löste das Problem lokal, in Echtzeit, ohne dass die Infrastruktur der Stadt das Szenario validieren musste.

Der Verbindungs-Engpass

Ein sekundärer, oft übersehener Faktor beim Waymo-Fehler ist die Abhängigkeit von „Fernunterstützung” (RA). Wenn ein Waymo-Fahrzeug auf ein unbekanntes Szenario trifft, ruft es nach Hause. Ein menschlicher Bediener überprüft den Sensor-Feed und gibt eine hohe Anweisung (z.B. „Kreuzung durchfahren”).

Jedoch korreliert ein massiver Stromausfall oft mit Mobilfunknetz-Staus oder -Ausfällen. Falls die lokalen Mobilfunkmasten den Strom verlieren oder von 130.000 Einwohnern, die gleichzeitig ihr Telefon überprüfen, überwältigt werden, ist die RA-Verbindung unterbrochen. $\text{Autonomy} = \text{Onboard Compute} \times \text{Connectivity}$ Falls die Verbindung auf Null sinkt, sinkt die IQ eines Cloud-abhängigen Systems erheblich. Teslas Inferenz ist streng lokal auf dem FSD-Computer (HW3/HW4). Sie erfordert keine Mobilfunkverbindung, um eine Fahrentscheidung zu treffen. Diese Entkopplung von der „Cloud” ist ein strategischer Vorteil in Katastrophenszenarios, wo die Infrastruktur (sowohl Strom als auch Daten) kompromittiert ist.

Historischer Kontext: Die Schatten von Cruise

Dieser Vorfall klingt nach dem Zusammenbruch von Cruise im späten 2023. Cruise-Fahrzeuge standen notorisch en masse stille, wenn die Verbindung ausfiel oder komplexe Szenarien den Planer überwältigten. Dieser Fehler führte zur Aufhebung ihrer Betriebsgenehmigung in Kalifornien.

Während Waymo historisch viel robuster als Cruise ist, enthüllt der San Francisco Blackout, dass sie die gleiche architektonische DNA teilen: den „Robotischen” Ansatz. Der robotische Ansatz behandelt das Fahren als eine Reihe von unterschiedlichen Regeln (If Red -> Stop). Der „Imitationslernen”-Ansatz (Tesla) behandelt das Fahren als einen Verhaltensfluss.

Die Kosten dieser Zerbrechlichkeit sind nicht nur reputationsmäßig; sie sind betriebsbedingt. Das Retten von 50 gestrandeten Fahrzeugen erfordert eine massive logistische Bereitstellung. Es blockiert Notfallhelfer, wie Feuerwehrautos und Krankenwagen, die versuchen, den Blackout zu navigieren. Dies schafft eine negative Rückkopplungsschleife mit Stadt-Regulierungsbehörden. Falls die „Lösung” für einen Blackout darin besteht, einen Verkehrsstau zu schaffen, könnte die Stadt die Genehmigung überdenken.

Die Skalierungsgleichung

Investoren und Ingenieure müssen auf die Mathematik der Skalierbarkeit schauen.

1. Waymo-Modell (Infrastruktur-Gebunden): Um zu einer neuen Stadt zu expandieren, benötigt man HD-Karten, zuverlässige 5G/LTE-Abdeckung und ein stabiles Stromnetz. Falls eine dieser Variablen schwankt, erstellt die Flotte einen „Denial of Service”-Angriff auf die Straßen der Stadt.
2. Tesla-Modell (General Purpose): Das Fahrzeug navigiert basierend auf unmittelbarer visueller Realität. Es ist agnostisch gegenüber der Stadt, den Karten-Updates oder dem Status des Stromnetzes, vorausgesetzt, es hat Scheinwerfer und Traktion.

Der San Francisco Blackout deutet darauf hin, dass „General Purpose”-Autonomie in chaotischen Umgebungen eine höhere Zuverlässigkeitsdecke im Vergleich zu „Überangepasster” Autonomie hat. Waymo hat seine Lösung überangepasst an den spezifischen, funktionierenden Zustand von San Francisco. Als sich dieser Zustand änderte, schlug die Anpassung fehl.

Die Straße nach vorne: Code Red für die Strategie?

Ist dies tödlich für Waymo? Nein. Engineering-Teams werden die Software patchen. Sie werden die Prioritäten aktualisieren, um „erkannte Stromverlust”-Szenarien zu handhaben. Sie werden die Logik für „unkontrollierte Kreuzungen” verbessern, die aus dunklen Signalen abgeleitet sind.

Aber es ist ein Code Red für die Strategie.

Es zeigt, dass man nicht brute-force Autonomie durch Kartierung jedes Zolls der Welt erhalten kann, weil die Welt entropisch ist. Lichter brennen aus. Netze fallen aus. Konstruktion ändert die Geometrie über Nacht. Falls ein Roboter braucht, dass die Welt still bleibt, wird er schließlich einfrieren.

Die Zukunft der Autonomie erfordert Widerstandsfähigkeit. Es bedeutet, zu funktionieren, wenn der Server aus ist, wenn das GPS gestört ist und wenn die Lichter ausgehen. Gestern, auf den dunklen Straßen der Mission, sah ein System wie ein fragiles Science-Projekt aus, und das andere sah wie ein kompetenter Fahrer aus.

Das Netz wird wieder ausfallen. Der letzte Test für Waymo ist nicht, wie gut es an einem sonnigen Dienstag fährt, sondern ob es sich anpassen kann, wenn das unvorhersehbare Chaos der echten Welt die Lichter ausmacht. Bis dahin geht der Vorteil an das System, das aus Chaos lernt, anstatt es zu fürchten.