共计 1426 个字符，预计需要花费 4 分钟才能阅读完成。
2026 年 3 月 31 日晚上 8 点半, 武汉市民周女士坐进一辆“萝卜快跑”无人车 。她没想到, 这趟行程会变成一场惊魂体验。车辆启动后, 音响反复播报着“车辆有问题, 请勿开门”的指令。仅仅十分钟后, 这台重达两吨的 L4 级自动驾驶车辆毫无征兆地定死在路中央, 停在武汉三环线的高架桥上。
周女士被困在车内, 窗外是呼啸而过的车流 , 车内屏幕弹出的紧急联系电话却始终无法拨通。她不知道的是, 此刻在武汉三环线、多条高架桥及城市主干道上, 数以百计的同款车辆正以同样诡异的姿势同步熄火。从晚上 8 点 57 分开始, 武汉 122 报警中心陆续接到大量报警电话——没有撞车, 没有雷达损坏, 这支号称拥有“类人直觉”的 AI 车队, 正在整座城市上演一场集体“中风”。
📌 完美算法的“突然死亡”
对于武汉市民而言, 无人驾驶曾是一个被算法完美优化的世界 。在 2026 年的前三个月, 这种单程 10 公里仅需 4 至 16 元的无人车, 已经渗透进武汉人的生活。截至 2025 年第三季度, 百度旗下的该平台单季度交付订单量已突破 310 万单, 业务横跨中国约 20 个核心城市。
武汉交警发现这是一场前所未有的“系统性故障”。 这并非单一车辆的机械损伤 , 受影响的车辆呈现出极高的一致性: 它们几乎在同一时段接收到了某种“异常终止指令”, 随后触发了系统最保守的防御策略——原地停摆。
🔍 大模型的“黑盒”代价
2026 年被视为自动驾驶的“VLA 大模型元年”。 为了将新城市的部署周期从两年压缩至几个月 , 行业全面转向了“视觉 - 语言 - 动作”端到端架构。这种模型赋予了车辆语义理解能力, 但也带来了难以解释的“黑盒效应”。
此前, 自动驾驶极度依赖昂贵的高精地图和预设的代码规则, 这种传统模式的部署周期长达 12 至 24 个月 。2024 年后, 以百度为首的企业转向 VLA 端到端大模型, 通过海量视频数据训练, 使车辆具备了类人的直觉判断能力。新城市的部署周期随之从数年压缩至 3 到 6 个月。
然而, 效率的交换物是系统的透明度。 系统决策从“代码规则”变成了难以预测的神经网络反应 。当云端调度系统与单车系统之间产生逻辑冲突时, 车辆选择了一种最安全也最极端的避险方式: 在交通主动脉上把自己变成一块不能移动的铁块。
💡 被让渡的单车主权
在理想状态下, 每辆车都应该拥有极高的离线生存能力 。但现实的运转逻辑恰恰相反: 为了实现城市级的协同调度, 整个车队系统将“云端授权”置于了逻辑的最高优先级。这意味着, 一旦云端出现问题, 无论单车硬件多么完美, 所有的车都会出现问题。
值得注意的是, 在这场大规模“趴窝”发生前 48 小时 , 人工智能模型平台 DeepSeek 刚刚经历了 12 小时的严重宕机。尽管两者业务并无直接交叉, 但系统性风险的传染路径已清晰可见: 在追求极致低价与快速扩张的过程中, 云端依赖成了所有 AI 系统的“单点故障”风险源。
📊 社会契约的压力测试
武汉作为全球自动驾驶运营密度最高的城市, 本质上是一场关于“机器取代人”的超前实验 。这种实验的张力直接体现在账单上: 在 2026 年的武汉, 每 10 公里的行程,“萝卜快跑”的收费区间在 4 至 16 元, 而传统出租车则维持在 18 至 30 元。
极端的低价让无人车迅速收割了对价格敏感的流量, 但也让传统出租车企业感到了生存威胁。3 月 31 日的瘫痪事件, 将潜伏的利益博弈彻底推向地表。在社交媒体上, 关于“机器不如人”的讨论伴随着针对百度的恶意投诉和虚假信息散。
但。
监。
🚀 行业观察: 安全需要提升至社会文明层面
目。
