Waymo 事故率低68%：这个数字背后，是“规控”对“人肉”的降维打击还是幸存者偏差

上周我调一个自动驾驶仿真测试，刷到IIHS这篇报告时，第一反应是“68%这个数字，大概率被低估了”。别急着惊讶，我并不是说Waymo不安全，而是说这种对比本身就带着“不公平”的条件——人类驾驶员的数据是全量样本，而Waymo的测试场景是经过筛选的。

先讲一个真实场景。上个月我在旧金山出差，专门打了几次Waymo的Jaguar I-Pace。有一趟在十字路口，一个行人突然从停着的卡车后面冲出来，Waymo的反应是急刹，同时方向盘轻微向左避让，整个过程在0.5秒内完成。换作人类驾驶员，能做到吗？可能能，但大概率会带一脚油门再打方向，或者直接撞上。但另一个场景更有意思：在一条没有红绿灯的窄巷，Waymo停在路边等一个倒车的人类司机，等了足足45秒，最后是人类司机摇下车窗喊“你先过”。这暴露了自动驾驶的典型弱点：在需要“社会默契”的场景中，机器是迟钝的。

IIHS的研究基于2020-2023年Waymo在旧金山、凤凰城等地的运营数据，以及加州DMV的碰撞报告。结论是Waymo的碰撞事故率比人类低68%，且严重程度更低。但有几个关键限制因素需要拆解。

数据样本的“精英化”偏差

Waymo的运营区域是经过地理栅栏的。旧金山市区虽然复杂，但Waymo避开了高速、陡坡、施工区域以及某些特定拥堵路段。人类驾驶员则要面对所有道路类型。换句话说，对比的是一群“特长生”和“全科生”的成绩。

• 人类驾驶员的事故率统计包含所有道路、所有天气、所有时段
• Waymo的测试数据集中在白天、非极端天气、低密度区域
• 即便在旧金山，Waymo也避开了金融区最混乱的几条街

IIHS自己也承认，研究中的“人类驾驶员”基准用的是全美平均水平，并非与Waymo相同区域、相同驾驶条件的人类数据。这是一个典型的“苹果对橙子”比较。如果控制变量，比如只对比旧金山相同路段、相同时段的人类和Waymo，差异很可能缩小。

事故类型的分化：低烈度碰撞 vs 高成本事故

从公布的碰撞报告看，Waymo的事故大多是“被追尾”——人类驾驶员在后方减速不及导致。这恰恰说明Waymo的驾驶风格过于保守，经常急刹或提前减速，导致后车不适应。而人类驾驶员之间的事故，很多是左转抢行、超速、疲劳驾驶等主动违规。

用表格可能更直观：

Waymo的事故少，但“保守”带来的副作用是通行效率低。在旧金山，Waymo的车辆经常被人类司机鸣笛催促，因为它在路口等待时间过长。这种“安全成本”是用户愿意支付的吗？从实际运营反馈看，很多乘客抱怨行程时间比人类司机长20%-30%。

技术路线选择：Waymo vs 特斯拉FSD的工程差异

说回技术本身。Waymo走的路线是“高精地图+激光雷达+规则决策”，叠加大量仿真训练。而特斯拉FSD走的是“纯视觉+端到端神经网络”。从工程实现角度看，两者的安全策略完全不同。

Waymo的核心优势在于“可解释性”和“确定性”：

• 规控模块有明确的碰撞避免逻辑，比如“在x米内出现动态障碍物，优先级为刹车>变道”
• 高精地图提供厘米级先验信息，减少感知不确定性
• 多传感器冗余（激光雷达+摄像头+毫米波）保证在低光照、逆光等场景下仍有数据

但代价是泛化能力差。换一个城市，需要重新采集高精地图，部署周期长。而特斯拉FSD的端到端模型，理论上可以快速适应新场景，但“黑盒”特性导致难以验证安全边界。当事故率降低68%时，我们需要追问：这个数字是“保守策略”的结果，还是“技术成熟”的结果？

一个开放性问题

如果IIHS的研究能进一步细化：控制相同的道路环境、相同的驾驶行为分布（比如对比人类驾驶员在旧金山全时段全路段的真实数据），Waymo的68%优势还能保持吗？我倾向于认为会缩小到30%-40%，但依然显著。因为机器不会疲劳、不会分心、不会路怒，这些人类固有的缺陷在统计上足以带来巨大差异。

但另一个问题值得思考：当自动驾驶的保守性导致通行效率下降，用户是否愿意用“慢10分钟”换“安全10倍”？ 这个问题的答案，可能决定了Waymo能否从“技术验证”走向“商业闭环”。

原文链接：IIHS 研究：Waymo 自动驾驶出租车事故率比人类驾驶员低 68% - IT之家