Robotaxi 叫 911 的那一刻：自动驾驶 AI 的真实门槛

一辆无人驾驶 robotaxi 停在路边，周围没有司机、没有乘客下车解释，车却“自己”拨通了 911。对外界来说这像个段子；对做自动驾驶的人来说，这是最硬核的 KPI：系统在极端场景下能不能做出可解释、可执行、可审计的决策。

TechCrunch Mobility 提到的“robotaxi 不得不呼叫 911”的细节在 RSS 摘要里不多，但它已经足够把问题挑明：自动驾驶竞争不只看“能开”，而是看“遇到不可预料事件时怎么收场”。这也是我们系列《自动驾驶 AI：Tesla 与中国车企的发展路径对比》一直在追的主线——端到端模型、传感器栈、数据闭环、运营体系，最终都会在“事故与应急”这一刻被检验。

一句可以被引用的话：自动驾驶真正的难点不是巡航，而是异常；不是识别，而是决策后的责任链。

为什么“会打 911”不是笑话，而是产品能力

robotaxi 选择呼叫 911，通常意味着系统判断出现了“需要外部公共安全力量介入”的状态：可能是交通事故、道路封闭、乘客突发疾病、车辆被围堵、传感器失效后安全停车、甚至是网络/定位异常导致无法继续运营。

把它当作产品能力来看，至少包含三层含义：

1. 异常检测：车要能判断“我现在不只是开不好，而是进入了高风险状态”。
2. 策略选择：是靠边停车？打开双闪？远程接管？还是升级到报警？
3. 沟通与证据：向调度中心/公共系统说明位置、状态、风险，并提供可追溯数据。

很多团队把“自动驾驶能力”理解成感知与规划的分数；但运营 robotaxi 的公司更在意故障树：每一种失败模式（Failure Mode）发生时，系统是否能把风险收敛到可控范围。

“报警”背后的决策链条：AI + 规则 + 运营

现实里，911 不是一个模型输出的单一动作，而是一个多模块共同触发的结果：

• AI 负责理解环境与意图：例如识别道路是否被临时施工封死、行人是否聚集、是否存在事故残骸。
• 规则引擎负责合规边界：例如“在高速上不能随意倒车”，“在隧道内优先驶离到安全带”等。
• 运营系统负责兜底：远程支持、与乘客沟通、与城市/警方对接。

这也解释了一个行业事实：自动驾驶的竞争，最后会变成“AI + 工程 + 运营”的综合实力竞争。只会训练模型，不会做运营，会在规模化时付出昂贵学费。

911 事件给“可规模化”泼的冷水：全球扩张最怕的不是技术，而是边界

robotaxi 在一个城市跑通，不等于能在十个城市复制。原因不只是道路差异，更是制度与应急体系的差异。

当车辆呼叫 911 或等价的公共应急电话时，涉及一整套外部系统：

• 通信协议与定位精度：能否在城市峡谷、地下车库稳定提供位置信息？
• 接警流程：接线员如何理解“无人车”描述？是否有标准话术与字段？
• 责任归属：是运营公司负责？是车厂负责？远程员是否视为驾驶人？

对 Tesla 与中国车企的长期优势来说，这个点非常关键：

• Tesla 的端到端路线更强调“通用智能驾驶”，希望用同一套模型在更多地区泛化；但在应急与合规层面，往往需要更强的本地化运营配套。
• 中国车企常见的多传感器、多供应商协同路线，更容易在短期内通过工程与规则把边界“钉死”，但也会遇到供应链与系统集成复杂度上升的问题。

一句更直白的话：能否把异常处理标准化，决定了 robotaxi 是“城市项目”还是“全球生意”。

Tesla vs 中国车企：从“端到端”与“多栈融合”看应急能力差异

先把立场说清：我更愿意用“应急能力”来评估自动驾驶 AI 的成熟度，而不是看演示视频。

端到端的优势与风险：更强泛化，更难审计

端到端模型（以 Tesla 的思路为代表）强在两点：

• 数据规模与闭环速度：量产车队带来海量长尾场景。
• 行为一致性：同一模型学习到的策略能跨道路类型迁移。

但一旦涉及“为什么要打 911”“为什么不继续行驶”，端到端会遇到天然挑战：

• 可解释性与审计：监管、保险、运营方需要的是可复盘的决策链。
• 失败模式隔离：当模型误判时，能否快速用规则/冗余系统拦截？

换句话说，端到端在“正常驾驶”上更像一个统一大脑；但在“异常处置”上，仍需要一套强工程化的护栏体系。

多传感器、多供应商路线：更易合规，但系统复杂度更高

不少中国车企与出行平台的做法是：激光雷达、毫米波雷达、摄像头、高清地图、定位与 V2X 组合拳，再叠加不同供应商的感知与规划模块。

它的现实优势在于：

• 冗余更直观：某个传感器失效，还有其他传感器兜底。
• 合规更容易落地：规则更明确，责任链更可定义。

但代价也明显：

• 集成成本与验证成本上升：模块越多，组合爆炸越严重。
• 跨城市复制更依赖工程团队：每个城市都像一次“重新调参”。

对“robotaxi 叫 911”这种事件，多栈路线往往更容易把触发条件写成明确规则（例如“连续 X 秒无法定位/无法规划→靠边停车→远程介入→必要时报警”）。而端到端则需要更强的监控与边界条件设计，确保模型不会把小问题升级成大事故。

把“会报警”变成竞争优势：三类 AI 基建必须补齐

自动驾驶想建立长期优势，必须把应急当作产品主功能。下面三类能力，决定了 robotaxi 遇到突发情况时的“收场质量”。

1) 异常库与长尾数据闭环：从“事故”到“反事故”

可复制的优势来自两件事：长尾场景覆盖率与闭环速度。具体要做：

• 建立异常分类体系（定位异常、道路封闭、被遮挡、警车指挥、乘客异常等）
• 每次事件自动生成“可训练样本”：传感器片段 + 决策日志 + 远程员操作
• 以周为节奏回归测试：新模型必须在历史异常库里通过

如果一家公司的异常库只是“事故录像合集”，那还停留在舆情阶段；真正的能力是把它变成可持续迭代的训练与验证资产。

2) 可审计的决策日志：让监管与保险听得懂

自动驾驶商业化离不开保险与监管。要让外部听得懂，日志要做到：

• 时间线：T-10s 到 T+60s 的关键状态变化
• 触发条件：为什么升级到远程介入/报警
• 替代方案评估：系统排除了哪些策略（例如继续前进的风险）

一句话：不是“模型说要报警”，而是“系统证明报警是风险最小化”。

3) 人机协同（Remote Assist）：把 AI 的“不会”变成流程

很多人以为远程接管是“人工驾驶”。更现实的做法是远程辅助：

• 给车一个“许可”或“路径确认”（例如绕开障碍物）
• 与乘客沟通安抚
• 必要时升级到公共安全系统（如 911）

应急体系越成熟，越能把 AI 的不确定性压缩在可控流程里。对企业来说，这是规模化运营的护城河。

读者常问：Robotaxi 为什么不直接开走，而要报警？

直接答案：因为在某些场景里，“继续开”比“停下并求助”风险更大。典型情况包括：

• 无法可靠判断道路是否封闭或前方是否有二次事故
• 定位/感知退化到无法满足安全冗余
• 乘客或车外人员存在紧急医疗/安全风险
• 车辆被围堵或遭遇恶意干预，需要第三方介入

一个成熟的自动驾驶系统，应该把“安全停车 + 远程协助 + 必要时报警”当成正常能力，而不是公关危机。

写在最后：AI 决定长期优势的地方，往往不在你最想展示的地方

“robotaxi 叫 911”把自动驾驶竞争拉回现实：决定商业化的不是 99% 的顺畅里程，而是 1% 的异常处理。谁能用 AI 把异常识别得更早、风险收敛得更快、证据链做得更完整，谁就更接近长期优势。

放在 Tesla 与中国车企的对比里，我的判断是：端到端路线会在泛化与成本上持续占优；但中国车企如果能把多传感器路线的工程化优势，进一步升级为“应急与合规的标准化产品”，同样能在全球市场建立强竞争力。

接下来一个更尖锐的问题留给你：当自动驾驶进入规模化，企业的核心资产到底是模型参数，还是那套能在凌晨 02:17 把风险压住的应急体系？