自动驾驶又出事了。上个月某品牌测试车在城区道路撞上隔离墩，视频传得到处都是，评论区照例分成两派吵得不可开交。干这行快八年，我越来越觉得，每次事故后公众追问“技术到底行不行”，其实问偏了方向。真正该盯住的，是那些藏在演示视频背后的工程细节——它们才是决定这套系统能不能上路的硬骨头。

先说说感知层。现在量产车普遍装的是摄像头加毫米波雷达，好一点的堆上激光雷达，硬件参数一个比一个漂亮。但参数好看和实际好用之间隔着一条鸿沟。去年冬天我在东北跟过一轮冬季测试，零下二十几度，激光雷达视窗结霜，点云密度直接掉了一半，算法还在按正常数据做融合，结果把路边停着的清障车识别成了“可通行区域”。这种问题不是靠标称探测距离两百米能解决的。传感器在极端工况下的衰减曲线，厂家心里都有数，但落到用户手册里往往就一句“恶劣天气请谨慎使用”。

更麻烦的是长尾场景。行业里有个说法，叫“百分之九十九的精力花在最后百分之一的情况上”。加塞的车、横穿的外卖电动车、施工路段临时摆的锥桶、被大车压变形的车道线——这些在训练集里占比极低，但恰恰是城区事故的高发诱因。某头部公司内部做过统计，他们路测里程里超过六成的人工接管集中在三个场景：无保护左转、匝道汇入、以及夜间逆光下的行人横穿。这三个场景有个共同点：需要预判其他交通参与者的意图，而不仅仅是识别物体。现在的感知模型擅长“看到”，不擅长“想到”。

预测和决策环节的瓶颈更隐蔽。我见过不少演示视频，车辆在空旷路口处理得行云流水，一旦旁边有辆犹豫不决的网约车，系统就开始画龙。问题出在交互预测上。人类司机开车时会用眼神、车头角度、甚至对方踩刹车的力度来判断意图，自动驾驶系统没有这套社交信号，只能靠轨迹历史做概率推断。概率这东西，在低置信度区间里特别容易出岔子。去年某起高速追尾事故，事后复盘发现系统其实提前两秒就检测到了前车减速，但预测模块给出的“前车可能变道”概率是百分之四十三，决策模块按保守策略选择了保持车道，结果前车是真刹车。这种“差一点就对了”的案例，在事故报告里往往被简化成“系统未及时响应”。

再说说测试验证。现在各家都在吹路测里程，动辄几千万公里。但里程数这东西有水分。同样一公里，在五环上跑和在学校门口跑，信息量差着数量级。更关键的是，路测只能证明“没遇到问题”，不能证明“不会出问题”。真正管用的方法是场景库加仿真，把已知的危险场景反复灌给系统做压力测试。但场景库的覆盖面目前远远不够，尤其是中国特有的交通生态——比如乡镇道路上晒粮食、电动三轮车突然从巷子里窜出来、大货车尾灯贴反光条导致视觉误判——这些场景在公开数据集里几乎找不到。某家做仿真测试的供应商跟我聊过，他们给主机厂建场景库，最头疼的就是客户说不清自己到底要测什么，“先跑个一万例看看”这种需求，等于把验证做成了抽奖。

成本也是个绕不开的现实。L4级别的硬件方案，光激光雷达加高算力域控制器，BOM成本就奔着大几千去了。这还没算后续的数据回传和云端训练开销。车企不是做慈善的，最后都要摊到车价里。所以现在市面上真正敢放开城区领航辅助的，基本都集中在二十万以上的车型。十五万以下的市场，用的还是以视觉为主的轻量方案，功能边界收得很紧。这不是技术不能下放，是成本和安全冗余之间的账算不过来。

写这些不是唱衰。恰恰相反，我见过凌晨两点还在标数据的小团队，也见过为了一个corner case反复调参的工程师。这个行业里认真做事的人很多，只是技术演进的节奏从来不是线性的。公众看到的是发布会上的炫酷演示，看不到的是背后成千上万个被标记为“待解决”的工单。事故频发这个词，放在任何一项新技术的爬坡期都适用，关键看每次事故能不能转化成场景库里的一个有效样本。如果只是公关层面道个歉、OTA升个级，那瓶颈就永远卡在那儿了。