自动驾驶从“会开车”

到成为交通系统的一部分

几年前写过一些自动驾驶的评论，总体判断是：L2、L3会先进入普通汽车，L4、L5离日常生活还远，当时是基于自动驾驶公司不断公布时间表，又不断推迟的现实来判断的。而道路端却早早增加摄像头、雷达、通信设备和各种“智慧化”设施，仿佛路先聪明起来，车自然会跟上。

几年过去，情况已经变了，并且是从底层改变了。

现在在旧金山、洛杉矶、凤凰城等地，普通人已经可以叫到驾驶座上没有司机的Waymo。到2026年3月，Waymo公布的真正无人驾驶里程达到2.206亿英里，业务规模约为每周50万次出行。这已经不是一般意义上的道路测试，而是一项日常的交通收费服务。

现实中的Waymo无人驾驶车辆

同样，重型卡车也跨过了类似门槛。2025年，Aurora开始用没有司机的Class 8重卡在Dallas和Houston之间运输真实客户货物。自动驾驶至少在一些场景里，已经从“未来技术”变成现实运输能力。

以前的判断，哪些变了

回看我在2019—2022年的几篇文章，核心判断还没有改变。2019年的《为什么要发展无人驾驶车辆》把L2/L3与L4/L5的关键区别放在“驾驶责任是否转移”，并判断真正L4更可能先进入出租车、物流等高使用强度的营运车辆，而不是普通家庭。这个判断到今天基本成立。

2020年的《自动驾驶车辆为何还是离不开安全员》质疑用“脱离接管里程”直接证明可以撤掉安全员，强调取消安全员要有明确指标和可验证的安全证据。到2026年，需要修正的是具体结论：Waymo已经证明，在严格ODD内，车内安全员可以取消；没有变化的是判断标准——应由安全证据决定，而不是由企业宣称决定。

2021年的《自动驾驶：交通规则的难题》把问题指向社会互动和规则歧义：机器能探测到行人、车辆和标志，不等于理解对方意图。这个问题仍在，只是大模型、Foundation Model和World Model开始提供新的解决路径。World Model是现在比较热门的名词。

2022年的《怎样才能制造一辆聪明的车》强调，道路“智慧化”投资应建立在明确需求和可计算效益上，并判断L4短期不会进入普通家庭。现在看，商业L4的发展比当时预期更快，但私人L4仍明显落后于Robotaxi；道路和监管仍应以安全、责任和真实效益为准。我的这点判断需要修正。

自动驾驶真的来了吗

当前的“自动驾驶”含义，不同厂商并不相同。

现在大量普通汽车已经具备车道保持、自适应巡航、自动变道、自动泊车等功能，Tesla FSD也能完成较长距离的城市连续驾驶。但Tesla仍明确把FSD称为Supervised，驾驶人必须持续监督。

这和Waymo的本质区别，不是谁转弯更顺、谁识别红绿灯更快，而是谁承担驾驶责任。Tesla FSD运行时，人仍是司机；Waymo在设计运行域（ODD）内运行时，人已经不是司机。我也曾在实地看了Waymo的自动载人商业运行，还是相当佩服的。

因此，当前真正实现的是限定环境中的L4：某些城市、道路和天气可以，超出范围就不行，而L5的完全自动驾驶意味着几乎不再受这些范围限制。

自动驾驶比人开车安全了吗

Waymo公布的数据表现很突出：以当前运营地区相应的人类驾驶为基准，严重伤害及以上事故减少约94%，伤人事故减少约82%，安全气囊展开事故减少约82%。这些统计并不只算Waymo负有责任的事故。

2026年，美国公路安全保险协会IIHS又分析了Waymo在旧金山、凤凰城、洛杉矶和Austin约5000万英里的无人驾驶数据，发现达到通常会报警程度的事故，每车英里发生率比相应人类驾驶低约68%。

Waymo当前ODD中的部分安全指标。

人类驾驶基准=100，数值越低表示事故率越低。

这些数字已经较强地支持一个判断：在Waymo成熟运营的ODD（Operational Design Domain）中，其事故和伤人风险低于匹配的平均人类驾驶。这个结论还不能直接外推到所有道路、天气和所有自动驾驶系统。

但这些数据仍有争议，主要有四点。

第一，统计口径不同。普通司机轻微擦碰后可能不报警，而自动驾驶公司受到监管后，很轻微的接触也可能需要上报。Noah Goodall专门指出，直接比较两类数据库会产生报告偏差。

第二，道路条件不同。100万英里高速公路和100万英里旧金山市中心，风险并不一样；即使研究尽量匹配城市和道路类型，也做不到“同一条路、同一时间、同样天气、同样交通流量”的完全匹配。

第三，“人类驾驶”本身是模糊基准。样本司机往往设定为平均水平的司机，我们且称其为平均司机。平均司机里包括疲劳、酒驾、分心和经验不足者。比“平均人类”安全，不等于比一个清醒、谨慎、始终专注的好司机安全同样多。

第四，严重事故太少。RAND的Nidhi Kalra和Susan Paddock指出，如果只靠实车里程证明致命事故风险优于人类，可能需要数十亿英里级暴露。自动驾驶安全不能只靠“继续多开”，还必须结合仿真、场景测试和Safety Case。

还要注意：一家公司的安全表现不能替另一家公司作证。Chen和Shladover在旧金山环境中的比较曾发现Waymo低于Uber，而Cruise高于Uber。真正应该评价的是“某套ADS + 某个软件版本 + 某个ODD”，而不是笼统的“自动驾驶”。

Waymo和Tesla，争的其实不只是激光雷达

Waymo第六代系统保留13个摄像头、4个LiDAR、6个Radar以及外部声音传感器，不同传感器用不同物理方式观察环境并相互补偿。这种思路更接近航空工程：不假设任何设备永远可靠，而是通过冗余降低单点失效风险。

Tesla更激进，希望依靠Camera、大规模神经网络、端到端算法和数百万量产车辆形成的数据能力解决驾驶。如果这套方法最终达到L4所需的可靠性，车辆成本会更低，软件也更容易规模化。

两家公司真正争的是：自动驾驶的安全，到底主要依靠工程冗余，还是可以更多依靠AI能力和数据规模。这点在现在AI的发展中已经成为两条都可行的路径，与我在多年前的判断有所不同。

顺便说一句，我觉得AI对我们的改变已经在路上了，也在我们的方方面面上了。

Waymo与Tesla两条路线的核心差异

未来三五年看Robotaxi，Waymo优势更明显；如果看十年后的数百万辆私人汽车，Tesla的路线仍有很大想象空间。Waymo已经较充分地证明“无人车可以安全做出来”；Tesla还要证明“能不能用更便宜、更通用的方法做到足够大”。

AI（LLM）这几年到底改变了什么

2021年讨论自动驾驶交通规则时，曾把机器开车概括成“发现—理解—决策—行动”。最难的一步是“理解”：人看到校车旁的小孩、施工人员挥手、前车犹豫，会凭经验判断风险；机器却可能只看到目标物和运动轨迹。

Waymo在2024年公布EMMA（End-to-End Multimodal Model for Autonomous Driving）。它把摄像头数据与导航、自车状态等信息放进多模态模型，可以同时产生规划轨迹、三维目标和道路结构。更重要的是，它尝试让原本分散的驾驶任务进入统一表示空间。

这不等于今天的Waymo已经让Gemini直接控制方向盘。EMMA仍是研究模型，连续帧、空间推理、传感器融合和计算成本都有局限。Waymo后来公开的Foundation Model路线更像组合系统：Sensor Fusion负责高速感知，Driving VLM负责复杂语义，World Decoder预测道路使用者行为，再由独立Safety Layer检查最终轨迹。

World Model解决的是另一类难题：现实道路真正棘手的往往不是正常跟车，而是很久才遇到一次的异常场景。靠实车收集这些样本太慢。不过，World Model将会是将来几年重大的变革，非常值得观察。就如现在逐步用LLM来介入到自动驾驶领域一样。

Waymo在2026年公开的World Model建立在Google DeepMind Genie 3基础上，可以生成可交互的交通环境，不只生成Camera画面，还能产生相应LiDAR信息。工程师可以改变天气、速度、道路和交通参与者，把一个罕见案例扩展成大量变体。

AI、World Model与现实道路测试形成的学习闭环

World Model不能替代实车。如果模拟世界本身错了，机器只是在错误世界里考了高分。更合理的循环是：现实发现问题—虚拟世界放大问题—AI训练—仿真验证—再回现实世界检查。

技术越成熟，法律就越具体

L4出现以后，一个原本简单的问题变得复杂：到底谁是司机？传统交通法规默认车里有驾驶人，L4却可能根本没有这个人。

英国的做法很有代表性。《Automated Vehicles Act 2024》建立Authorised Self-Driving Entity（ASDE）：每一套正式授权的自动驾驶系统背后，都要有能够承担责任的企业主体。核心原则很清楚——谁真正控制驾驶任务，责任就跟着谁。

自动驾驶时代还需要新的“黑匣子”。事故发生后，需要知道系统何时开启、软件版本、ODD是否满足、是否请求远程协助，以及车辆最后几秒做了什么。欧洲现有ADS型式批准制度已经把系统事件记录、场景验证和虚拟测试纳入监管。

OTA也会成为安全问题。手机软件更新失败，大不了重启；汽车软件如果改变刹车、转弯和行人判断，性质完全不同。UNECE R155、R156已经分别把网络安全和软件更新管理纳入车辆监管。

未来自动驾驶监管很可能越来越像航空业：不只在车辆出厂时检查一次，而是从系统批准、运营、软件升级，到事故调查和召回，持续监管整个生命周期。

重卡也许会更早把商业账算清楚

Robotaxi吸引眼球，但无人重卡可能更容易算经济账。这是两个自动驾驶最先商业落地的领域。

无人重卡的良好预期得益于固定路线的运行，尤其在高速干线的运行。高速干线的行人、自行车和复杂路口更少，路线也更固定；另一方面，卡车更重、速度更高、制动距离更长，一旦出错后果更严重，所以它并不简单，只是问题更集中，也就更容易针对性去解决。

无人重卡的收益也不只是省一份司机工资。长途运输受到驾驶员工时限制，车还能跑，人必须休息。无人驾驶以后，车辆利用时间可以明显延长。对一年跑几十万公里的商业车辆而言，即使LiDAR、冗余制动、计算机和远程运营很贵，也有更多里程摊薄成本。

McKinsey估算，如果技术和监管条件成立，到2035年中、美、欧自动重卡相关市场可能达到数千亿美元。这是预测，不是事实，但它揭示了一个朴素规律：自动驾驶越贵，越应该先用于使用频率高、人工成本高、路线稳定的运输工具。

无人重卡更可能从受控场景和固定线路逐步向复杂道路扩展

为什么Robotaxi能无人，家里的车却还不行

Waymo已经跑了2亿多无人英里，为什么不直接卖一辆给普通消费者？关键并不只在AI。

Waymo可以决定暴雨时停运，把严重施工道路暂时排除，每天清洗和标定传感器，发现车辆异常后立即回场，并统一整个车队的软件版本。普通消费者做不到这种程度的运营控制。

自动驾驶车辆对主人是有要求的。

有人半年不洗车，有人换副厂保险杠，有人把车开进雪山，也有人十五年后仍在使用。同一辆私人L4汽车必须面对传感器老化、维修质量、极端天气、软件生命周期和用户越界使用。这些直接影响自动驾驶的安全。

Robotaxi却不同，由于是商业化运行，Robotaxi可以承受更高硬件成本。一辆每天运行十几个小时的出租车，多花几万美元自动驾驶硬件，可以摊到大量收费里程；一年只开一万多英里的家用汽车就很难。

Robotaxi与私人L4的主要差别

因此，Robotaxi和私人L4虽然都叫L4，却不是同一种产品。前者是在企业可控的交通系统里解决问题，后者要在几百万个不可控用户手里解决同样的问题。两者可能因此相差很多年。

不过，特斯拉试图改变这些区别，我们拭目以待吧。

那么，普通人什么时候真正不用开车

对具体年份最好保守，更合理的办法是按场景判断。2026年，一些城市Robotaxi已经真正商业化，无人重卡进入商业化早期。未来三四年，如果没有重大系统性安全事件，Robotaxi进入更多城市的可能性很大；气候稳定且良好、运输距离长的地区，无人重卡也会更快扩展。

私人汽车更可能先从高速公路L4开始，而不是一步跨到L5。在一些批准高速公路，自动驾驶系统会真正承担驾驶任务，人可以工作、看视频甚至休息；但下高速或天气恶化后，再退出L4。这已经是很有价值的自动驾驶。

真正具有普遍消费意义的私人限定领域ODD L4，更可能是2030年代的问题。至于暴雪、山区、特殊施工环境乃至任何国家都完全不需要人的L5，目前仍没有可靠时间表。但由于这些是特殊的领域，普通人可能很少会遇到这些场景。

社会最终也未必需要追求理论上的100%的L5。如果L4能覆盖绝大部分高速公路、城市道路和日常出行，把最困难的少量环境留给其他交通方式，可能已经获得自动驾驶的大部分社会收益。

自动驾驶之后，真正改变的可能不是汽车

过去谈自动驾驶，总喜欢问汽车装多少摄像头、有没有LiDAR、算力是多少。现在Waymo每周运送几十万名乘客，无人重卡开始运输货物，更值得问的问题已经变成：谁提供驾驶服务，谁从中获益，谁承担风险，出了事故谁负责？

从这个角度看，自动驾驶与外卖、网约车、车联网等交通新经济有相似之处。技术先提高效率，随后原来由个人承担的风险和责任，会重新在平台、企业、使用者和社会之间分配。

自动驾驶真正成熟的标志，也许不是某辆车在复杂道路上一小时不接管，而是人们不再觉得一辆没有司机的汽车很特别：保险知道怎么赔，交警知道怎么处理，工程师知道怎样验证软件，运营企业知道承担什么责任，道路也无需为了“配合自动驾驶”到处增加昂贵而用途不明的设备。到那时，自动驾驶才真正成为交通系统的一部分。

很明显，这几年的AI进步已经让原来的自动驾驶产生了质变，自动驾驶的变革已经深入到交通系统的物理世界，如同AI带给我们这个社会的系统革命。

一切才刚刚开始，离走完还很远。

[1] 郭敏：《为什么要发展无人驾驶车辆？》，2019年9月11日。https://m.huxiu.com/article/317686.html

[2] 郭敏：《全球运输工业的升级会带来什么》，澎湃新闻·市政厅，2019年10月15日。https://www.thepaper.cn/newsDetail_forward_4671581

[3] 郭敏：《自动驾驶车辆为何还是离不开安全员》，澎湃新闻·市政厅，2020年7月20日。https://www.thepaper.cn/newsDetail_forward_8354077

[4] 郭敏：《自动驾驶：交通规则的难题》，澎湃新闻·市政厅，2021年12月22日。https://www.thepaper.cn/newsDetail_forward_15955664

[5] 郭敏：《怎样才能制造一辆聪明的车》，澎湃新闻·市政厅，2022年1月11日。https://www.thepaper.cn/newsDetail_forward_16221056