零飞行员 eVTOL 首飞背后：自动驾驶 AI 的安全与体验启示

2025-12-16 12:26（PST），一架没有驾驶杆、没有脚蹬、也没有飞行员的载人 eVTOL 在美国加州 Hollister 离地。很多 eVTOL 的首飞早就不稀奇了，但这次不一样：Wisk Aero 的 Gen 6 被称为美国首个面向 FAA 型号认证的“自主载人 eVTOL 候选机型”。

我更关注的点不是“飞起来了”，而是它把一个长期被误解的问题摆到台面上：越接近商业化，越不能把“AI 很聪明”当安全方案。Wisk 明确说自己的飞控“不是那种能实时解决未知问题的真 AI”，而是以逻辑规则与流程算法为主，再叠加一整套探测与避让（DAA）传感器与导航系统，目标做到接近民航级的超低故障概率。

这对我们这组系列文章《自动驾驶 AI：Tesla 与中国车企的发展路径对比》其实很有启发：天上的飞行出租车、地上的智能汽车，最后都会走向同一个现实——算法要过关、体验要可控、监管要能审计。差别只在于，航空把这些写进了“第一天就要面对的硬门槛”。

航空的“自主”更像工程控制，不像大模型

先给结论：Wisk 的自主飞行路线强调“可验证”和“可审计”，而不是“自我学习更强”。

从公开信息看，Gen 6 的飞控采用逻辑驱动、程序化的控制策略。它的价值在于：

• 行为边界清晰：在什么条件下做什么动作，能被形式化描述。
• 验证路径更短：更容易用测试用例覆盖，能跑大量仿真、台架与飞行测试。
• 失效模式可枚举：航空监管最在意“你没想到的那一类失效”，规则系统更容易做系统级 FMEA/FTA（失效模式/故障树）分析。

这点和智能汽车行业里“端到端”热潮形成对比。端到端模型的优势是泛化能力强、体验流畅；但弱点同样明显：可解释性弱、边界难界定、回归测试复杂。你很难把一个神经网络的“想法”写成一条条审计友好的条款。

如果把它映射到我们的主题：

• Tesla 更像“端到端能力优先”，用数据闭环持续迭代驾驶体验；
• 许多中国车企更像“多传感器 + 多供应商 + 规则/学习混合”，强调可控、安全冗余与快速上车。

Wisk 的路径更接近后者：先把“能证明安全”做到极致，再谈规模化运营。

“多机监督员”机制：把自动化和人类责任重新分配

Wisk 的另一个关键设计是 Multi-Vehicle Supervisor（多机监督员）：地面人员可以同时监督最多三架飞机，而不是每架飞机配一个飞行员。

这不是简单的“省人力”，而是在重新定义人类角色：

• 人不再负责连续操控（手脚忙不过来、易疲劳），而是负责监督与介入决策；
• 系统必须提供高质量态势感知界面，让监督员在少量信息里快速判断；
• 人机交接必须有明确的“可用时间窗口”和“最小必要操作”。

这件事放到汽车上，就是我们常说的 L2/L2+ 里最容易出事故的环节：接管。

很多车企把“接管”当一句提示音，但航空的逻辑更严厉：如果你要让人介入，你就必须证明——

1. 系统能提前多久发现异常；
2. 人在多大负荷下仍能正确理解；
3. 交接动作是否足够简单；
4. 交接失败时是否仍有兜底。

汽车行业在 2026 年前后会越来越像航空：监管与媒体关注点会从“能不能自动开”，转向“在最糟糕的 0.1% 场景里，你怎么保证用户不做错”。

从认证逻辑看：自动驾驶 AI 需要“可证明的安全”

先给结论：航空认证的核心不是“跑得多聪明”，而是“风险被量化且可接受”。

Wisk 提到的目标是接近民航安全水平的超低失效概率（文章用“十亿分之一”来形容量级）。不管具体数字如何落地，它至少传达了航空思维：

• 把风险写成概率与条件；
• 把系统拆成可验证模块；
• 用冗余与隔离把单点故障变成“可控故障”。

对汽车软件与自动驾驶 AI 来说，我认为接下来三件事会成为“硬通货”。

1）把“智能”拆成可审计模块，而不是一个黑盒

用户体验团队常常想要“更像人”的驾驶，但监管与安全团队更需要“更像系统”。更好的方式是做分层：

• 感知层：多模态传感器融合（摄像头/毫米波/激光雷达等），输出可置信度量化的目标与车道；
• 策略层：可以用学习模型增强，但要有边界与安全约束；
• 控制层：尽量规则化、可验证，保证车辆动态稳定与可预测。

这也是很多中国车企“多传感器、多供应商协同方案”能快速落地的原因：它不追求单模型包打天下，而是追求系统工程上的可控。

2）把测试从“路测里程”升级到“场景覆盖率”

“跑了多少公里”越来越难说服人。更有效的指标是：

• 高风险场景覆盖：施工改道、鬼探头、匝道汇入、弱光逆光、雨雪反光；
• 交互场景覆盖：非机动车穿插、行人犹豫、对向车抢行；
• 退化场景覆盖：传感器遮挡、定位漂移、地图缺失。

航空的优势在于它从一开始就高度依赖仿真与流程化测试。汽车行业也在快速靠拢：你会看到更多“场景库”“回归基准”“安全证据链”等词进入产品发布会。

3）把 OTA 当成“受控变更”，不是“随时上新”

我一直认为，OTA 是智能车最强的能力之一，但它也带来一个副作用：每次升级都可能改变安全边界。

航空的变更管理非常严格，汽车行业也在补课。务实做法包括：

• 安全相关功能与娱乐相关功能的软件隔离；
• 版本灰度的分群策略与可追溯回滚；
• 关键功能升级前后的自动化回归测试与证据留存。

当智能驾驶从“功能卖点”变成“日常依赖”，用户最怕的不是“没新功能”，而是“今天突然变得不一样”。

用户体验：天上和地上都在争夺“安心感”

先给结论：自动化体验的胜负手不是炫技，而是让用户在关键时刻不紧张。

eVTOL 的乘客不是飞行员，他们要的是两件事：

1. 我现在安全不安全？
2. 如果出了问题，谁在负责？

智能汽车也一样。座舱屏幕上再多的动画与提示，如果不能回答这两件事，体验就是“信息噪音”。

给智能座舱团队的一个可抄作业清单

如果把 eVTOL 的“多机监督”映射到汽车的“人机共驾”，我建议优先打磨这些体验细节：

• 状态表达统一：同一个状态不要在仪表、HUD、中控用三套说法。
• 接管理由具体：不要只说“请接管”，要说“前方施工锥桶密集，视野受限”。
• 最小化干预：接管动作越少越好，最好是“握方向盘 + 轻踩刹车”就能稳定退出。
• 可回放的事件卡片：事后给用户一张“发生了什么”的简报，减少猜疑。

我见过不少项目把精力花在“拟人语音”“情绪化提示”，但用户真正买单的是确定性：系统不含糊、不耍小聪明、行为可预测。

Tesla 与中国车企：从 eVTOL 事件看两条路线的互补点

先给结论：端到端带来体验上限，系统工程带来商业下限；要规模化，最后一定会融合。

把 Wisk 这类航空自主系统当镜子，你会发现：

• Tesla 的强项在于数据闭环、模型统一、体验一致性，类似“一个大脑管全身”；
• 中国车企的强项在于生态整合、供应链协同、硬件冗余与本地化功能，类似“多系统协作、分工明确”。

而航空给汽车行业的最大提醒是：当你要进监管与规模化运营，系统必须能被证明安全，而不是被相信安全。

反过来，汽车也能教航空：

• 如何做海量用户的产品化运营（客服、诊断、远程维护）；
• 如何把复杂系统体验做得“傻瓜化”（上车就会用）；
• 如何通过软件持续改进效率与舒适度。

2026 年开始，城市空中交通（UAM）如果真要在个别城市试运营，用户会用同一套标准看它：像一辆靠谱的智能车一样好用。

写给产品负责人：把“AI 能力”翻译成可交付的指标

先给结论：别用“更智能”做目标，用“更可控、更可解释、更可回归”做目标。

如果你负责智能驾驶或智能座舱产品，我建议把需求写成下面这种“能验收”的语言：

1. 接管提前量：在施工/汇入/遮挡类场景，最晚提前 X 秒提示接管。
2. 误触发率：每 1000 km 误提示接管不超过 Y 次。
3. 可解释输出：每次降级/退出给出明确原因分类（例如 10 类以内）。
4. 回归基准：每次 OTA 对核心场景库（不少于 N 个场景）跑完自动化回归。
5. 安全兜底：关键传感器失效时，系统进入最小风险状态的策略与触发条件明确。

这类指标看起来“不性感”，但它们直接决定你能不能把 AI 从演示变成日常。

下一步：天空的认证压力，会倒逼地面更务实

零飞行员 eVTOL 的首飞像一记提醒：真正困难的不是把自动化做出来，而是把自动化做成“可被监管、可被用户信任、可被规模化运营”的产品。

放在《自动驾驶 AI：Tesla 与中国车企的发展路径对比》的语境里，我的立场很明确：未来的赢家不是“端到端”或“多传感器”某一派，而是能把两者融合成一条证据链的人——既能把体验做得顺滑，也能把安全讲得明白、测得出来、审得过去。

接下来值得追的一件事是：当航空把“可证明安全”的方法论继续细化，汽车行业会不会把同样的门槛提前到 L3/L4 的量产之前？如果会，我们的智能驾驶产品路线、供应链协同方式，以及用户体验设计，都会被迫更成熟。