自动驾驶越智能，风险越离谱？

自动驾驶的承诺听上去很完美：机器不疲劳、不酒驾、不分心，理应比人类驾驶更安全。但当技术真正规模化落地，一批资深专家却给出了相反的警告——自动驾驶可能带来更多风险，而不是更少。

这不是唱衰，而是对产业现状的清醒审视。卡内基梅隆大学电子与计算机工程教授、前美国国家公路交通安全管理局（NHTSA）顾问菲尔·库普曼（Phil Koopman）长期提醒公众：“自动驾驶的安全性不是一个能被单一数字概括的问题。” 问题不在“自动驾驶能不能开”，而在“它能开好所有场景吗”、“出了事谁负责”以及“行业竞争是否逼着大家抢跑”。

⚠️ 长尾场景：跑不完的“最后1%”

根据世界卫生组织《2023年全球道路安全状况报告》，全球每年约有 119 万人死于道路交通事故；而根据 NHTSA 基于美国全国机动车事故成因调查（NMVCCS）的分析，约 94% 的严重事故涉及人为因素——疲劳、分心、酒驾。自动驾驶的原始愿景正是消灭这些失误。理论上成立，实际上难。

真正的麻烦在于长尾场景：那些极其罕见、训练数据中几乎没有的路况。暴雨中翻倒的家具、突发 road rage 的逆行车辆、施工区的临时手势指挥……人类司机凭常识能处理的状况，算法可能直接懵掉。

这个麻烦到底有多大？兰德公司（RAND）2016 年发布的研究报告《Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability?》给出了量化答案：如果想用真实路测证明自动驾驶把事故死亡率降低 20%，需要累计行驶 2.75 亿至 88 亿英里且零致死事故——按一支百辆规模的车队 24 小时不间断测试计算，可能需要十几年甚至上百年。这就是为什么仿真可以补一部分，但仿真与现实之间的“现实差距”始终存在——仿真里没见过的路面纹理、传感器噪声、交通参与者的诡异行为，真车照样会遇到。

更关键的是，人类司机的失误是独立事件：一个司机走神，不会让一百辆车同时走神。而自动驾驶系统的漏洞是系统性的：同一个版本、同一个算法盲区，一旦触发条件出现，整批车辆可能同时犯错。事故从“概率叠加”变成了“风险共振”。

2018 年 3 月的亚利桑那州坦佩市就发生过一起标志性事件：Uber 自动驾驶测试车在夜间撞死了推自行车横穿马路的伊莱恩·赫茨伯格（Elaine Herzberg）——这是全球首例自动驾驶车辆致行人死亡事故。美国国家运输安全委员会（NTSB）2019 年的调查报告认定，直接原因是安全员事发时在用手机看《美国之声》，而深层原因则是 Uber 自动驾驶部门安全文化严重缺失：车辆未启用紧急制动冗余、安全员配置过少、缺乏有效的风险管理体系。事后 Uber 于 2020 年 12 月将整个自动驾驶部门出售。

这就是库普曼等安全研究者担心的核心：自动驾驶消灭的是分散的、个体的人为失误，却可能制造集中的、批量的系统性故障。

📊 数据悖论：安全报告谁说了算

各家公司都爱晒自己的安全数据。特斯拉定期发布 Autopilot 安全报告，例如其 2023 年第四季度报告称：开启 Autopilot 时平均每 540 万英里才发生一次事故，而 NHTSA 统计的行业平均水平约为每 67 万英里一次；Waymo 则在 2023 年 12 月发布的《Safety Impact》报告中给出数据：在累计 710 万英里的纯无人驾驶运营里程中， compared to 人类司机基准，致伤事故减少 85%，警方记录事故减少 57%；2024 年与瑞士再保险（Swiss Re）合作的后续研究进一步称，在 2530 万英里里程中，行人受伤索赔减少约 92%。

但业内对这类数据的质疑从未停止。乔治梅森大学电气与计算机工程教授、曾担任 NHTSA 安全倡导者的梅西·卡明斯（Missy Cummings）多次公开指出，特斯拉的安全报告存在严重的统计口径问题，且其“完全自动驾驶”（FSD）在公开道路上的大规模测试本质上是在拿公众做实验。

质疑主要围绕三点：

• 运行设计域（ODD）不同：Waymo 只在凤凰城、旧金山、洛杉矶等限定城市的精选路况运营；而人类司机的基准数据包含高速公路、乡村道路、夜间恶劣天气等所有场景。库普曼在多篇论文中反复强调：脱离 ODD 谈事故率没有意义。拿“优等生考卷”和“全科平均分”比，本身就不公平。
• 接手悖论：麻省理工 AgeLab 研究科学家布莱恩·莱默（Bryan Reimer）团队的多项人因研究表明，人机共驾阶段，系统处理简单路段，人类接管的往往是复杂危险路段——出事后却容易把锅记在“人在开”的账上。NTSB 在 2017 年对全球首起 Autopilot 致死事故（2016 年 5 月，车主约书亚·布朗 Joshua Brown 在佛罗里达州与横穿的白色半挂卡车相撞身亡）的调查报告中，正式将“对自动化的过度依赖”（automation complacency）列为事故因素之一。
• 选择性披露：安全报告由厂商自行统计、自行定义“事故”，缺乏统一监管口径。NHTSA 于 2021 年 6 月颁布事故强制上报令（Standing General Order）后，2022 年公布的首批数据显示：在约 400 起 L2 辅助驾驶碰撞报告中，特斯拉占比接近七成——这是行业内第一次有了可比的官方口径。

多位安全研究者（包括库普曼和卡明斯）指出，真正能说明问题的，是独立第三方在相同 ODD 下的长期对比数据——而这恰恰是行业目前最缺的。

换个角度说：这些报告不是没有价值，而是在监管标准跟上之前，它们更像是营销材料而非安全证明。

🚗 人机权责：出了事，谁背锅

再来看一个被产业讨论长期低估的问题：责任划分。

目前的量产“辅助驾驶”（L2 级）在法律上仍然要求驾驶员全程监管，事故责任在司机。但营销话术却在往“自动驾驶”靠——这种「技术实际能力」与「用户心理预期」之间的落差，本身就是风险源。已经有大量案例：2021 年上海车展上，河南特斯拉车主张某站上车顶维权，其诉求核心正是对车辆刹车与辅助驾驶系统数据的质疑；而在美国，多起涉及 Autopilot 的致死事故进入诉讼，争议焦点都是“系统有没有让用户误以为可以撒手”。

而一旦进入 L4 无人化运营，责任又转向运营方和整车厂，保险、法律、赔偿体系都还没有成熟的配套。2023 年 10 月的旧金山给出了最现实的注脚：Cruise 无人出租车在一名被人类司机撞飞的行人身上碾压并拖行约 6 米，加州机动车辆管理局（DMV）随即吊销其运营许可，Cruise 2024 年 2 月召回全部约 950 辆测试车，CEO 凯尔·沃格特（Kyle Vogt）辞职，公司此后全面暂停无人运营。

一个简单的思想实验可以说明制度的缺位：两辆无人驾驶车相撞，保险公司按什么规则定损？在大部分司法辖区，现行框架几乎没有答案。立法层面的探索刚刚起步：德国 2021 年通过《自动驾驶法》允许 L4 车辆在限定区域运行；英国 2024 年 5 月通过《自动驾驶汽车法案》（Automated Vehicles Act），规定获得授权的 L4 车辆运行时由“获授权自动驾驶实体”而非车内人员担责；中国深圳 2022 年实施的《深圳经济特区智能网联汽车管理条例》也首次在国内明确了不同自动化等级下的责任划分规则。梅赛德斯-奔驰则成为首家公开承诺“Drive Pilot 系统开启期间发生事故由厂商担责”的车企。

责任体系的模糊带来两个后果：

1. 厂商倾向保守披露——事故细节、系统缺陷不愿透明公开，行业难以从错误中集体学习（对比：航空业的强制事故报告机制和 NASA 航空安全报告系统让整个行业安全性持续提升）。前述 Uber、Cruise 事件中，公司初期信息披露的迟缓都曾遭到监管机构点名批评。

2. 用户预期被扭曲——宣传越激进，用户越放手，接管反应越慢，事故概率反而上升。NTSB 的多份调查报告均已确认这一因果链。

长期研究自动驾驶法律问题的南卡罗来纳大学法学教授布莱恩特·沃克·史密斯（Bryant Walker Smith）坦言：现行交通法规为人类司机设计，自动驾驶的普及将倒逼整个责任框架重构——而这个重构的过程，本身就是风险的窗口期。

💡 抢跑竞争：量产压力下的安全妥协

最后是产业竞争的推手逻辑。自动驾驶早已不是技术竞赛，而是商业竞赛——量产进度直接决定数据积累、资本信心和估值水位。

特斯拉靠 FSD 订阅和 Robotaxi 叙事支撑估值；Waymo 加速扩张城市版图；中国的华为、小鹏、Momenta 等则把城市 NOA 打成了标配竞赛。在这场竞赛里，「晚发布」的代价远高于「出事故」的代价——至少短期内如此。曾主导 Uber 自动驾驶项目的 Zieler？不，更贴切的说法来自 MIT 机械工程教授约翰·伦纳德（John Leonard）：他长期观察这个行业后直言，对进度承诺保持怀疑是必要的，“我不认为有生之年能看到 Robotaxi 遍地开花”。

这就是专家警告的深层含义：商业激励与安全激励在当前阶段是错位的。

系统上线越多、跑得越远，数据越多、迭代越快——这个飞轮逻辑没错，但它同时意味着每个新版本都是在真实道路上完成的公开测试。OTA 升级可能一夜之间改变数百万辆车的行为，改好了皆大欢喜，改坏了就是全局事故。传统汽车行业花几十年建立的“验证-量产”流程，正在被“影子模式+快速 OTA”的互联网节奏替代。卡明斯对此的评价十分直接：把未经充分验证的系统交给数百万普通用户，在航空业是不可想象的事。

并非说这是错的——快速迭代确实是 AI 路线的核心竞争力——而是说，监管和保险体系必须同步跟上，否则风险敞口会由公共道路上的所有人共同承担。

🔒 结语：更安全的前提，是更严的规矩

回到最初的问题：自动驾驶会更安全还是更危险？

答案取决于三个条件：独立透明的安全数据、清晰的责任法律框架、以及监管能否跟上量产速度。这三个条件目前一个都还不完全成立——NHTSA 的强制上报令、英国的《自动驾驶汽车法案》和深圳的地方立法，算是补课的开始，但距离一套完整制度仍有明显距离。

乐观的一面是，AI 驾驶的潜力毋庸置疑——它终有一天会在统计学意义上比人类更安全。但“终有一天”和“现在就大规模铺开”之间，隔着一整套需要补课的制度建设。行业越是跑得快，这套课越不能欠。

真正的风险，不是技术不行，而是我们在制度还没准备好之前，就假装它已经准备好了。

主要参考来源

• WHO，《Global Status Report on Road Safety 2023》（全球道路交通年死亡人数约 119 万）
• NHTSA，《Critical Reasons for Crashes Investigated in the National Motor Vehicle Crash Causation Survey》（DOT HS 812 115，2015）
• A. Kalra & S. Paddock，RAND，《Driving to Safety》（2016）
• NTSB，Uber 坦佩事故调查报告（HWY18MH010，2019）；Tesla/Brown 事故调查报告（HWY16FH018，2017）
• NHTSA，Standing General Order 首批事故数据（2022 年 6 月发布）
• Tesla《Vehicle Safety Report》（2023 Q4）；Waymo《Safety Impact Report》（2023）及 Waymo–Swiss Re 联合研究（2024）
• 德国《自动驾驶法》（2021）、英国《Automated Vehicles Act 2024》、深圳《智能网联汽车管理条例》（2022）
• Phil Koopman（卡内基梅隆大学）、Missy Cummings（乔治梅森大学）、Bryan Reimer（MIT AgeLab）、Bryant Walker Smith（南卡罗来纳大学）相关公开论述与论文

本文基于公开报道、监管文件与专家观点整理，所有涉及具体事故与争议的细节均以官方通报和法律裁决为准。