自动驾驶真正瓶颈并非人工智能

# 自动驾驶的隐蔽短板：为何智能“大脑”强大，而“身体”的通信神经却落后？ 一个让整个自动驾驶行业困惑的反常现象正在浮现——最先进的算法与算力已经就位，但承载控制的“神经”却远远跟不上。 过去几年，自动驾驶的感知算法精度提升了近百倍。大模型能够在几毫秒内精准识别突然出现的行人、飘来的塑料袋或前方施工的锥桶。算力成本也大幅下降，仅需一颗几十美元的芯片就能跑完整套视觉感知模型。资本、人才、技术如潮水般涌入人工智能赛道，带来了肉眼可见的指数级进步。 然而，当这些智能车辆真正驶入城市街道、高速公路、港口码头时，工程师们最难入眠的风险来源，竟然不是算法判断失误，而是无线信号在最关键时刻的毫秒级中断。 为什么？因为承载控制指令、位置信息、远程监控数据的无线电链路，在物理世界中异常脆弱。而这一点，恰恰是被整个行业长期忽视的根本性架构缺陷。 ## “连接失败”比“识别错误”更具破坏性 无线通信在自动驾驶中扮演着怎样的角色？自动驾驶系统是典型的信息物理融合系统，其安全边界不完全由车端计算能力决定，而更多受制于信息的完整性与时效性。当一辆自动驾驶汽车以120公里时速行驶时，每33毫秒就会前进整整一米——这意味着任何超过30毫秒的端到端通信中断，都会使车辆在物理空间中陷入一段“盲飞”状态。 不妨比较两种典型的故障模式。 第一种：感知失败。前方摄像头因强逆光暂时无法准确识别障碍物，目标检测置信度从0.98跌落到0.65。此时系统依然知道自己“看不清”，它可以采取保守策略：减速、增大跟车距离、请求驾驶员接管（针对辅助驾驶），或切换到冗余传感器。这种失效是“自知”的，边界清晰，后果相对可控。工程师称之为“优雅降级”——系统虽不能满血运行，但不会突然崩溃。 第二种：通信中断。车辆的遥控驾驶指令、远程监控数据流、车队协同避让消息，因无线信道的突发干扰而连续丢包。问题在于，这种中断往往具有突发性：上一毫秒信道完好，下一毫秒可能因一辆重型卡车的金属车身遮挡，或同频段内突然涌入数百个用户设备，信噪比瞬间跌破门限。发送方可能完全不知接收方已陷入沉默，接收方也无法预知发送方何时恢复。这种失效是“不自知”的，边界模糊，后果难以预测。 从风险角度看，感知失败属于高频低损型风险，通信中断则偏向低频高损型风险。 对于低频高损事件，常规统计方法和安全冗余设计往往覆盖不足。一家自动驾驶公司可以轻松统计出感知算法在百万公里测试中的平均出错率，但很难测量城市复杂电磁环境下无线链路发生灾难性中断的真实概率分布。后者的触发条件极为复杂——天气、建筑反射、并发终端数量、邻近基站负载波动，甚至太阳活动，都能影响那根看不见的电磁连接。 更棘手的是，这两种风险对商业闭环的冲击完全不同。资本市场和保险公司可以接受一辆自动驾驶汽车偶尔因感知困难而刹停或靠边——人类驾驶中也频发此类场景，理赔成本可预测。但如果一辆完全没有备用控制链路的Robotaxi在闹市区因无线干扰突然“失联”，哪怕仅三秒钟，就会引发保险精算模型的崩溃、监管审查的全面收紧，以及公众信任的坍塌。一次此类事件，足以让十年积累的安全叙事付诸东流。 这就是尾部风险定价中最令人头疼的“黑天鹅”效应——事件概率极低，但一旦发生，损失不可估量。从这个意义上说，无线通信的韧性比人工智能的精度更直接决定了高级别自动驾驶能否进入商业正循环。 ## 频谱比算力更稀缺 为什么人工智能可以大踏步前进，而无线通信却始终步履蹒跚？ 这背后有经济结构的原因，首先是供给弹性完全不同。 人工智能领域的核心投入要素——算力、算法、数据——在过去十年中呈现出惊人的供给扩张。芯片制程沿摩尔定律惯性持续进步，万卡级GPU集群的建成周期从数年缩短到数月，开源社区繁荣使先进算法几乎零成本扩散，高质量标注数据的获取成本随着自动化标注技术成熟也在持续下降。当一种生产要素的供给曲线不断向右平移时，其边际成本趋近于零，行业发展的天花板不断被抬高。 无线通信则不同。它的底层约束来自天然稀缺、无法用技术进步创造的资源——电磁频谱。 频谱不是算力。你无法在台积电的先进制程中刻蚀出更多可用频段，也无法用更精巧的神经网络模型凭空生成一段干净带宽。物理世界的电磁波传播受制于香农定理、自由空间路径损耗、多径效应和干扰叠加——这些都是硬件定律，不随人类的技术热情而改变。 尤其适合车联网使用的低频段（通常指6GHz以下），可用频谱资源的稀缺程度比一线城市核心地段的土地还要严重。土地可以通过填海造地或提高容积率来增加供给，但频谱的物理占用容量有明确上限——在同一时间、同一空间、同一频点上，只能有一组信号被可靠接收。 这种供给刚性与爆炸式增长的需求形成尖锐对立。一台L4级自动驾驶汽车每天产生的传感器数据量达数十TB级别，其中需实时上传到云端或共享给周边车辆的信息量远超当前4G/5G网络设计容量。更不必说无人机物流、远程操控、车队协同、高精地图动态更新——这些应用都在争夺同一片不可见的电磁空间。当数以万计的智能体在同一城市区域内同时活动，频谱拥塞将不再是偶发干扰，而是一种常态化环境约束。 问题在于，频谱分配机制远远落后于技术需求。在大多数国家，优质频谱依然采用几十年不变的“命令-控制”模式——监管机构划定固定用途，拍卖给少数运营商长期独占。这种僵化体制导致大量频谱在时间、空间维度上实际闲置，而真正有需求的用户却无法获得接入权。频谱共享技术和动态频谱接入虽已被讨论多年，但大规模商用始终受困于既有利益格局、监管惯性和技术成熟度不足。 当算力市场已经在享受云计算带来的按需弹性供给时，频谱市场还停留在“计划分配”与“一次拍卖、终身占用”的前现代阶段。这很好地解释了为什么自动驾驶公司可以买来全世界最先进的GPU集群训练大模型，却无法用同样资金买到一条在恶劣电磁环境下绝对可靠的无线链路。 供给弹性为零的东西，价格机制往往会失效。有钱也买不到更多频谱——因为频谱不是商品，而是资源特许使用权。 ## 频谱治理失灵如何拖垮商业化 如果把频谱稀缺仅看作技术瓶颈，那还不算什么。实际上，真正让无线通信成为自动驾驶短板的，是被产业界系统性忽视的制度困境——即频谱在多个活跃智能体并存的场景下，呈现出典型的“公地悲剧”特征。 什么叫公地悲剧？比如一片公共牧场，每个牧民都为了自身利益多放牧一头牛，最后牧场因过度放牧而退化，所有人的牛都饿死。频谱环境在自动驾驶密集部署时面临完全相同的困境。每个运营主体都希望最大化利用手中的无线资源：传更高清的图像、发更密集的状态报文、抢更快的响应延迟。但若缺乏有效的协调和优先级分配机制，所有链路的可靠性都会在彼此干扰中急剧恶化。 高级别自动驾驶和无人机的运营环境，恰好是这种公地悲剧的高发地带。以城市十字路口为例：同时同地可能活跃着多辆不同品牌的自动驾驶出租车、货运无人车、路侧智能单元、手持终端的行人通信设备、沿街商铺的Wi-Fi热点，以及附近基站承载的其他常规移动通信流量。这些设备分别归属于不同运营商、不同服务商、不同厂商，彼此之间没有统一的资源调度，甚至在很多情况下互相视作“噪声”。当这个电磁空间的总负载接近容量上限，任何一个新加入的发射源都可能成为压垮所有链路的最后一根稻草。 科斯定理在理论上曾有解决方案——只要频谱产权界定清晰，且交易成本足够低，使用者之间可以通过私下协商或市场交易达成最优分配。哪个运营主体在特定时刻更需要可靠链路，它就出价购买那一刻的频谱使用权，让其他主体降级非关键业务。但现实中的交易成本高得惊人，且不说要在毫秒级时间尺度上完成发现、协商、定价、交割这一整套市场流程有多困难，单是基本产权界定就无从谈起。现有的频谱牌照划分的是频率、地理范围和授权期限，压根没有为“特定时间、特定空间、特定优先级”的微颗粒使用权预留接口。 更关键的是，不同安全等级的流量被一视同仁地抛入同一个“尽力而为”的物理信道。一辆正在紧急避让的自动驾驶汽车的制动脉冲，与另一辆车上传娱乐系统缓存文件的背景流量，在当前网络架构下享有同等调度权重——这相当于让急救车的警笛和车载音乐播放器的声波在空气中公平竞争。从通信协议设计之初，优先级和服务质量保证机制就不是为这种极端异构的场景准备的。 这种频谱治理失灵对产业意味着什么？最直接的影响，就是抬高了自动驾驶规模化运营的制度成本。一家公司可以优化自身车辆的所有软硬件，却无法控制同一片电磁环境中其他主体的行为。当干扰成为一种不可控的外部性，投资回报率的预测就掺入了无法量化的噪声。于是，大规模部署便会推迟——或者等待制度环境的确定性提高，或者等竞争对手先趟过监管雷区。这种相互观望的状态，正是许多无人驾驶项目从“技术验证”走向“商业运营”时突然失速的结构性原因。 ## 为什么一条链路能决定整套系统的估值？ 任何商业模式走向成熟的标志，是获得资本市场的稳定定价。而稳定定价的前提，是风险可以被识别、度量和管理。从这个视角重新审视自动驾驶，会发现一个极具讽刺意味的错配——行业花费巨大精力去量化、压降、保险AI决策风险，却对一个更致命的变量——通信中断引发的灾难性失控——缺乏基本的风险定价工具。 一般来说，在一个系统的损失分布中，绝大多数时候损失是温和、可预期的，这是曲线的“头部”和“中部”；但在分布的最右端（或最左端，取决于符号方向），隐藏着概率极低但损失极高的“尾部”事件。一个健康的金融体系必须对这些尾部事件进行压力测试、计提资本、购买再保险——因为在漫长的时间尺度中，尾部事件几乎必然会发生。 自动驾驶领域的尾部风险，正好集中在无线通信失控的那一刻。一辆正在执行变道操作、同时依赖远程安全员实时监控的自动驾驶汽车，如果在这一瞬间丢失控制链路，即使本地智能体试图执行兜底策略，物理世界的动量也不会给予任何容错空间。这种风险的概率分布极难估计——它取决于瞬时干扰源的数量和功率、信道衰落特征、基站的瞬时负载、安全员的反应延迟、以及兜底策略的实际执行效果——每一个变量都带有厚尾特征。 于是便有了典型的金融建模困境：如果风险的概率和损失金额都无法被可靠量化，那么无论是保险公司定价保费，还是再保险公司承接分保，或是投资机构计算企业的折现现金流，都将陷入严重的不确定性。这种不确定性有着非常直接的经济后果——资本成本急剧升高。自动驾驶公司的融资成本、保险成本、合规成本，都会因为这根脆弱链路的尾部风险而被系统性高估。这种隐性成本的累加，很可能已经超过了AI技术进步的显性收益，只是绝大多数商业计划书选择性地忽略了这一点。 所以，真正理解了尾部风险定价逻辑的人，会得出一个与主流叙事完全相反的结论——当下提升高级别自动驾驶商业化概率的最有效手段，不是继续在AI模型上堆砌参数量，而是让无线通信链路的可靠性突破几个关键的“九”（即从99.9%提升到99.999%，甚至更高）。因为每增加一个“九”，尾部风险的概率就下降一个数量级，整个系统的风险溢价就能产生断崖式下跌。这种下跌的效益，一定会超过把物体检测准确率从98%提升到98.5%带来的边际改善。 这并非说AI进步不重要，只是这其中有着残酷的边际效用递减规律。AI的感知能力已经超过人类驾驶员的平均水平之后，继续投入大量资源追求那最后几个百分点的精进，每一单位投入带来的安全增益正在急剧萎缩。与之相对，把相同的资源投入到通信韧性的建设中，每一单位投入撬动的尾部风险压降，可能比AI投入大好几个数量级。清醒的资源配置决策，应当把弹药集中在边际产出最高的那个方向。 ## 说在最后 说了这么多，并非要对如火如荼的人工智能革命泼冷水。正好相反——正因为深信自动驾驶和无人系统终将重塑人类社会的运转方式，才更急切地希望产业界看到那个被长期遮蔽的短板。 物理世界的智能体，终究无法脱离物理定律的约束。一辆汽车以生命攸关的速度在地表移动，无人机在人口稠密区上空执行任务——它们赖以维持安全的不仅是每秒数万亿次的矩阵乘法，还有一根在电磁风暴中依然能抗住打击的“神经系统”。这根神经系统的建设难度被严重低估了：它涉及频谱资源的制度重构、通信架构的彻底升级、多主体博弈的协调机制设计，以及整个行业对尾部风险定价的重新认知。 人工智能的进步是可预期的——随着算力持续增长、算法持续演进、数据持续积累，感知和决策能力还会向上攀升。但无线通信的约束不会自动解除：频谱不会自然增加，干扰不会自动消失，公地悲剧不会自行化解，尾部风险不会凭空压降。这些问题需要投入同等的智慧、资源和制度创新来解决。 如果下一个自动驾驶商业化的关键时刻来临，监管机构、保险公司和公众的目光越过炫目的智能驾驶演示，落到那张必须签字的责任认定书上——到那时，最关键的拷问或许不是“你的AI有多聪明”，而是“你的连接能不能在最坏的情况下，依然保住车上每个人的命”？ 答好这个问题的人，才算是真正掌握了通往无人化未来的钥匙。