停电测试：为什么Waymo冻结而FSD没有

2025 年 12 月 20 日晚上 11:00，一场大规模的地下电缆故障让旧金山 Mission 区陷入彻底黑暗。街灯熄灭。交通信号变黑。130,000 名居民断电。而在这片城市虚空之中，发生了一件颇具启示性的事。

数十辆 Waymo 的 Jaguar 车辆就那样停了下来。

它们僵在行驶车道中，危险警示灯在黑暗中闪烁，变成了重达 5,000 磅的障碍物，需要人类救援队伍手动拖走。与此同时，关于运行 FSD v14 的 Tesla 车辆的报道和画面迅速涌现：它们以令人不安的自信穿过同样漆黑的十字路口，把熄灭的交通灯当作四向停车标志，与人类司机协商通行，继续各自的旅程。

这是 Waymo 的“红色警报（Code Red）”时刻。这一事件要求对为何一种架构在另一种 thriving 时失效进行严格的技术审视。答案在于**依赖地图的先验（Map-Dependent Priors）与端到端视觉（End-to-End Vision）**之间的根本差异，以及绑定基础设施的自动驾驶所隐藏脆弱性。

架构鸿沟：地图 vs. 视觉

要理解这次失败，必须理解 Waymo 技术栈的决策层级，详见对电网故障瘫痪的分析。Waymo 严重依赖高精（HD）地图：对城市进行厘米级预扫描的数字孪生。这些地图充当传感器数据比对的“地面真实”。

先验概率陷阱

在典型的 Waymo 架构中，车辆对世界持有强烈的“先验（prior）”信念。它精确知道每一个交通灯、停车标志和车道标记在哪里。

$P(\text{State} | \text{Map}, \text{Sensor})$

当电网崩溃时，“传感器”数据（黑暗）与“地图”数据发生剧烈冲突。地图断言这里存在一个带有有源信号的控制路口，而传感器报告的是一片虚空。

关键在于，LiDAR（Waymo 的主要传感器）在黑暗中完全正常工作。它能看清路口的几何结构、其他车辆和行人。然而，LiDAR 无法看到交通灯的颜色；它依赖摄像头进行语义状态检测。当交通灯断电时，它并不会变成红灯；而是从机器的语义理解中有效消失。

对于一个被显式编程为服从硬编码在其地理围栏现实中的交通信号的系统来说，信号灯状态的缺失就是“关键系统故障”。安全策略是确定性的：如果已知交通控制设备的状态无法被验证，车辆必须进入最低风险状态（MRC）。在本案例中，这意味着立即停在车道内。这就是“脆弱边缘案例”。系统确实安全；让自身变砖总比盲目冲过一个看不见的路口更安全，可它并不具备韧性。它要求基础设施与地图保持一致。

Tesla 的视觉：“无先验”方法

Tesla 的方法——特别是随 v12 推出并在 v14 中完善的端到端神经网络——基于一个根本不同的原理。它不依赖地图来验证交通灯是否存在，而是依赖击中摄像头传感器的原始光子流。

该网络用数 PB 的视频数据训练而成。它在全球数百万辆由人类驾驶的 Tesla 所贡献的训练集中，“见过”损坏的交通灯、漆黑的道路和停电场景。当它接近一个漆黑的路口时，网络不会查询数据库，也不会翻阅规则手册。它直接处理场景的视觉纹理。

$f(\text{Pixels}) \rightarrow \text{Control Policy}$

因为灯灭了，“视觉语境”与“信号灯故障”或“无控制路口”场景的潜在空间表征相匹配。策略输出反映了人类直觉：减速、为了看清路况而缓缓前移、观察横向来车，安全时再通过。它在本地实时解决了问题，不需要城市基础设施来验证这一场景。

连接瓶颈

Waymo 此次失效中一个次要但常被忽视的因素，是对“远程协助（Remote Assistance, RA）”的依赖。当 Waymo 车辆遇到未知场景时，它会向总部求助。一名人类操作员查看传感器画面并提供高层级指令（例如：“通过路口”）。

然而，大规模停电往往伴随着蜂窝网络拥堵或中断。如果当地基站断电，或被 130,000 名同时查看手机的居民挤爆，RA 链路就会中断。

$\text{Autonomy} = \text{Onboard Compute} \times \text{Connectivity}$

如果连接降为零，依赖云端的系统智商会大幅缩水。Tesla 的推理严格运行在 FSD 计算机（HW3/HW4）本地。它无需蜂窝连接即可做出驾驶决策。这种与“云”的解耦，在基础设施（电力和数据）均遭破坏的灾难场景中是一种战略优势。

历史背景：Cruise 的阴影

这一事件让人想起 2023 年末 Cruise 的崩溃。Cruise 的车辆臭名昭著：一旦连接中断，或复杂场景超出规划器处理能力，它们就会集体停摆。那次失败导致其在加州的运营许可被吊销。

尽管 Waymo 历史上远比 Cruise 稳健，但旧金山大停电揭示它们共享同一种架构 DNA：“机器人式（Robotic）”方法。机器人式方法把驾驶看作一系列明确规则（红灯 -> 停车）。“模仿学习（imitation learning）”方法（Tesla）则把驾驶视为一种行为流。

这种脆弱性的代价不仅是声誉上的，也是运营上的。拖回 50 辆被困车辆需要大规模的物流部署。它们阻塞了试图在停电中穿行的急救人员，例如消防车和救护车。这与城市监管部门形成了负面反馈循环。如果停电的“解决方案”是制造一场交通堵塞，城市可能会重新考虑其运营许可。

可扩展性方程

投资者和工程师必须看清可扩展性的计算逻辑。

1. Waymo 模式（基础设施绑定）：要扩展到新城市，需要高精（HD）地图、可靠的 5G/LTE 覆盖以及稳定的电网。如果这些变量中任何一个出现波动，车队就会对城市道路发起一场“拒绝服务”攻击。
2. Tesla 模式（通用型）：车辆基于即时视觉现实行驶。只要还有前灯和抓地力，它就不关心城市、地图更新或电网状态。

旧金山大停电表明，与“过拟合”自动驾驶相比，“通用型”自动驾驶在混乱环境中的可靠性上限更高。Waymo 把它的方案“过拟合”到了旧金山特定且正常运转的状态。当这一状态改变时，拟合就失效了。

前路何方：战略的红色警报？

这对 Waymo 是致命的吗？不是。工程团队会打补丁。他们会更新先验，以处理“检测到电力中断”的场景。他们会改进从熄灭信号推断“无控制路口”的逻辑。

但它确实是战略层面的红色警报。

它表明，无法通过测绘世界的每一寸来暴力破解自动驾驶，因为世界是熵增的。灯泡会烧坏。电网会瘫痪。施工会一夜之间改变几何形态。如果一个机器人需要世界保持静止，它最终只会僵住。

自动驾驶的未来需要韧性。它意味着在服务器宕机、GPS 受干扰、灯光熄灭时仍能运行。昨天，在 Mission 区漆黑的街道上，一个系统看起来像个脆弱的科学项目，另一个看起来像个称职的司机。

电网还会再次失灵。Waymo 的最终考验，不在于它在一个阳光灿烂的周二开得多好，而在于当现实世界不可预测的混沌将灯光熄灭时，它能否适应。在此之前，优势属于那个从混沌中学习、而非畏惧混沌的系统。