从机器人群体到自动驾驶：信任如何被“设计”出来

2026-01-23，Robohub 的播客《Robot Talk》第 141 期聊了一个看似离汽车很远的话题：人们如何看待并与“机器人群体”（robot swarms）互动。受访者 Razanne Abu-Aisheh（布里斯托大学 Centre for Sociodigital Futures）研究的核心，不是算法跑多快、硬件多贵，而是一个更现实的问题：当多个机器人以“集体行为”靠近你时，你会觉得它们可靠，还是觉得它们失控？

把镜头拉近到我们每天路上的自动驾驶，这个问题会突然变得很具体。车也是“移动的机器人”，而自动驾驶系统其实也是一种“群体智能”——它把摄像头、雷达、地图、车端模型、云端数据、车队回传等要素组织成一个协作网络。用户对系统的信任，往往不是被宣传语说服的，而是在无数次“它做了什么、我看懂没有、我能否预期”中被设计出来的。

这篇文章放在「人工智能在机器人产业」系列里，我想用“机器人群体的感知研究”做一面镜子，对照当下最受关注的自动驾驶路径之争：Tesla 更偏向集中式端到端视觉+大模型的路线，而不少中国车企更偏向多传感器融合、冗余与协同（再叠加更强的本地化场景工程）。两条路的技术优劣可以争，但用户信任的形成机制，有一些共通规律。

机器人群体研究给我们的第一课：人信任的是“可解释的秩序”

直接结论：**人类面对群体机器人时，安全感来自“我能看出它们在遵循某种秩序”。**不是越聪明越好，而是越“读得懂”越好。

Razanne 的研究方向强调“集体机器人行为如何影响人类感知”。把它翻译成工程语言，就是：

• 群体的运动是否呈现一致性（不会忽快忽慢、忽左忽右）
• 群体是否有可见的边界与队形（让人知道它们的活动范围）
• 群体对人的反应是否稳定、可预测（人靠近时它们如何让路、停顿、绕行）

在自动驾驶里，这些对应的是用户最在意的体验点：

• 车辆是否“不惊不乍”：加减速、变道、跟车是否平顺
• 车辆是否“有礼貌”：遇到加塞、行人、非标电动车时是否给出一致策略
• 车辆是否“说到做到”：提示接管时是否真的需要、是否留足时间

一句很实用的判断：只要用户开始猜车下一秒会怎么做，你的系统就已经在失分了。

可解释不等于解释算法，而是解释“意图”

很多团队把“可解释性”理解成给出模型注意力热力图，或在 UI 里展示检测框。对普通用户来说，这些信息价值有限。

更有效的是“意图可解释”：

• 为什么现在减速？（前方横穿行人/前车急刹/路口让行）
• 为什么不变道？（盲区有车/实线/变道收益低且风险高）
• 为什么提示接管？（施工锥桶场景置信度下降/传感器遮挡）

把意图表达清楚，用户会把系统当“会沟通的司机”，而不是一段黑盒代码。

信任的第二个来源：你看到的是“一辆车”，系统背后却是“协作网络”

直接结论：自动驾驶的可靠性更像群体系统，而不是单点智能。

机器人群体之所以值得研究，是因为它天然暴露了一个事实：智能不是一个个体的魔法，而是协作规则的产物。在自动驾驶里，协作发生在多个层面：

• 车内协作：摄像头/毫米波雷达/激光雷达/IMU/高精地图（有或无）
• 模型协作：感知模型 + 预测模型 + 规划控制（或端到端融合）
• 车队协作：数据回传、角落案例闭环、OTA 更新
• 人机协作：驾驶员接管、HMI 提示、责任边界

Razanne 也强调“把机器人群体带入真实世界，并以人为本设计”。这句话放到车上，含义就是：不要只在 demo 的闭环里证明聪明，要在开放道路的复杂社交规则里证明可靠。

现实道路的“社交规则”比交通规则更难

很多城市道路冲突并不是“谁违章谁不违章”的问题，而是：

• 交汇处的眼神/车速试探
• 小路口抢行与互让的默契
• 电动车、外卖车的非线性轨迹

这类场景决定了用户是否愿意把家人交给系统。对用户来说，车不需要像人一样“聪明”，但必须像一个成熟司机一样“稳定”。

Tesla 与中国车企：两种路线，两个“信任抓手”

直接结论：**集中式 AI 的优势在规模与一致性；协同式/多传感器路线的优势在风险可控与可验证。**两者都能做出好体验，但“建立信任”的方式不同。

Tesla 的集中式 AI：信任来自“车队规模 + 体验一致”

Tesla 的路线通常被概括为更强的端到端能力与视觉主导。它的信任抓手是：

• 车队数据闭环快：大量真实道路数据推动模型迭代
• 体验一致性强：同一套策略在更多城市复用
• 能力上线快：通过 OTA 快速推送改进

但它的挑战同样明显：当系统主要依赖单一感知范式或更强的端到端黑盒时，用户在边界场景里更难判断“它到底看见了什么”。这会导致一种典型心理：

• 平时很顺 → 信任迅速抬升
• 发生一次反常 → 信任断崖式下跌

中国车企的多传感器/协同路线：信任来自“冗余 + 可视化确定性”

不少中国车企更强调多传感器融合与冗余（是否使用激光雷达因品牌而异，但“融合与冗余”是共同主题之一）。这条路的信任抓手在于：

• 可验证：不同传感器互相校验，系统更容易给出“为什么不敢”的理由
• 风险收敛：在雨雾夜间等场景，可以用不同传感器互补降低不确定性
• 工程可控：针对本地高频场景（潮汐车流、机非混行、城中村路口）做更细的策略打磨

代价是：系统复杂度更高、标定与一致性维护更难、成本与供应链管理更重。

我的观点很明确：**在“向公众大规模普及”阶段，可预期与可验证比“偶尔惊艳”更重要。**这也是为什么“群体机器人研究中的人类感知”对自动驾驶特别有借鉴价值——它把焦点从“能力上限”拉回到“人与系统的关系”。

把“社区中心设计”搬到车里：三条能立刻落地的做法

直接结论：**提升自动驾驶信任，不是多写几页用户手册，而是把用户当作共同设计者。**Razanne 提到与社区合作、想象更包容的机器人未来，这在汽车里完全可操作。

1）用“可理解的行为规范”替代“神秘的聪明”

把驾驶策略显性化成几条用户能记住的原则，并在 UI/HMI 里稳定呈现，例如：

• “遇到横穿行人：先减速建立安全距离，再确认空隙通过”
• “并线只做两件事：提前打灯、给后车明确速度意图”
• “低置信度场景：宁可保守也不冒进，并提前提示接管”

这不是限制算法，而是给用户一个心理模型。

2）把接管做成“协作交接”，而不是“甩锅提示”

接管体验决定信任下限。好的交接应当满足：

• 提前量足：让驾驶员有时间恢复态势感知
• 原因清楚：一句话说明触发因素（施工/遮挡/识别不稳定）
• 动作建议：建议减速/保持车道/人工绕行

接管不是失败，而是人机协作的一部分。把它设计好，用户反而更敢用。

3）用“小范围真实世界共创”替代“闭门调参”

机器人群体研究强调走进真实场景。自动驾驶也一样：

• 选择 1-2 个城市做“社区试点”，邀请高频用户参与反馈
• 把反馈从“吐槽”变成结构化数据：场景、情绪、风险点、可接受的策略
• 公开一部分改进节奏：让用户看到自己参与能改变产品

当用户感到被尊重、被纳入系统演进，信任会更稳。

常见问题：用户到底在害怕什么？

直接结论：**用户害怕的不是 AI，而是不确定性。**尤其是“我不知道它会不会突然做奇怪动作”。

• 怕不可预测：突然急刹、突然变道、突然不动
• 怕责任不清：出了事算谁的？系统提示是否足够？
• 怕能力夸大：宣传和实际体验落差越大，信任越难修复

对应的解法也清晰：用稳定的行为、清楚的边界、可理解的意图表达，把不确定性压下去。

结尾：自动驾驶的竞争，最终是“信任工程”的竞争

机器人群体研究提醒我们：当多个智能体一起行动时，人类评价它们的标准并不复杂——看得懂、预期得到、出错时能协作补救。这三点放到自动驾驶上，几乎就是产品能否规模化的分水岭。

Tesla 与中国车企的路线差异，会继续存在。但无论走集中式 AI 还是多传感器协同，真正决定口碑的不是“参数多大”，而是你是否把用户的感受当成系统指标来优化。在「人工智能在机器人产业」这条主线里，我越来越确信：AI 的落地不是技术秀，而是社会化产品。

你更愿意信任哪种自动驾驶风格——像一个沉默但能力很强的司机，还是像一个会提前解释、略保守但稳定的司机？这个选择，会反过来塑造未来几年行业的设计哲学。