Waymo给Robotaxi安全评估换尺：更像人，但还不是安全证明

今年1月，Waymo一辆无人出租车在加州Santa Monica一所学校附近撞到一名儿童。Waymo当时用旧模型解释：一名注意力集中的人类司机可能会以约14英里/小时发生碰撞；车辆则从17英里/小时减速后，以6英里/小时撞上儿童。公司称伤者为轻伤。

这类解释听起来有用，但也会让人卡住：Robotaxi安全评估，难道只比最后撞上去时速度低不低吗？

6月10日，Waymo与代尔夫特理工大学在《Nature Communications》发表论文，提出Reference Driver人类驾驶行为模型。它想补上的，正是这块短板：更准确模拟谨慎人类司机在碰撞前怎么预判、怎么选择、怎么被意外打断。

我更在意的是这件事的边界。Reference Driver是一把更细的尺，不是一张安全胜利书。它能让比较更接近真实驾驶过程，但不能直接推出“Waymo整体比人类更安全”。

新模型改的不是分数，而是“人类司机”的定义

Reference Driver基于active inference框架。简单说，它不把司机看成等危险出现后才踩刹车的人，而是假设司机会不断预判多个未来，并选择更安全、更可预测的路径。

这比传统模型更接近城市驾驶。谨慎司机的价值，经常不在最后一秒，而在更早的几秒：提前松油、减速、换道、放弃抢行，或者干脆不把车开进冲突里。

旧模型的问题也在这里。它容易把人类司机压缩成一套末端动作：看到危险、刹车、转向、撞击。可真实道路不是反应题，更像连续选择题。

代尔夫特理工大学助理教授Arkady Zgonnikov提到，新模型能模拟交通冲突中司机内部的“惊讶”状态。这个点不只是措辞新。

它意味着模型承认一件事：司机不是机械物体。司机会预期，也会修正；会提前避险，也会被突然出现的对象打乱计划。

这让Reference Driver更适合拿来讨论Robotaxi事故复盘。它问的不只是“如果人类也撞了，会撞多重”，还包括“一个谨慎人类司机是否可能更早把风险降下来”。

更合理的基准，也有清楚边界

Santa Monica校区附近的事故，是理解这套模型的现实背景之一。但这起事故仍在美国国家公路交通安全管理局（NHTSA）和国家运输安全委员会（NTSB）调查中。

责任、原因、最终结论，都不能提前写死。

这也是安全评估最难的地方。公司可以给出速度、距离、反应时间，监管者和公众却会追问更前面的事：车辆有没有提前识别儿童风险？有没有在遮挡、学校、低速混行区域采取更保守策略？如果换成谨慎人类司机，路径选择会不会不同？

Reference Driver至少给这些问题开了一个入口。它能模拟碰撞前的人类行为和“惊讶”反应，而不只复现最后一秒操作。

但入口不是结论。

它不是一个真实人类司机数据集，也不是道路物理测试工具。它是行为模型。模型假设、场景选择、参数设置，都会影响比较结果。

所以，正确用法不是拿它给Robotaxi盖章，而是把它放进事故复盘和仿真评估里，看系统在同一危险场景下是否做出了更保守、更可解释的选择。

研究代码按学术、非商业许可开放，这一点有价值。第三方研究者可以在许可范围内复现实验、检查设定、提出反例。

但这也意味着，外界暂时不能把它当成一个完全开放的商业工具来用。能不能成为行业通用基准，还要看更多机构是否愿意用同一把尺来量自己。

对从业者和监管读者，变化落在具体动作上

Waymo正在扩张到更多城市。Robotaxi一旦进入学校周边、商业街、住宅区，安全叙事就不能只靠累计里程和平均事故率。

在凤凰城郊区跑很多英里，和在洛杉矶学校附近、旧金山复杂路口跑同样里程，安全含义不一样。场景结构会改变风险。

对自动驾驶团队来说，Reference Driver最直接的影响是测试口径要变。仿真测试集不能只保留撞击前一秒的数据，更要覆盖风险形成过程：遮挡、儿童横穿、非典型路权、慢速混行、司机预期被打断的瞬间。

这会带来实际动作。团队可能需要把部分评估资源从“碰撞结果统计”迁到“碰撞前行为建模”；事故复盘报告也要解释系统为何没有更早减速、绕行或等待。

对关注出行安全与监管的科技读者来说，判断公司安全声明时也要换问法。不要只看“撞击速度更低”或“事故率更低”，还要看公司拿什么人类基准来比、场景是否公平、模型是否允许第三方复现。

城市管理者的动作会更直接。批准Robotaxi运营或扩区时，可以要求企业提交分场景评估，而不是只给总事故率。学校、医院、商业街这类区域，也应该单独看。

接下来最该看三件事：

这把尺最有价值的地方，不是让Waymo更容易赢，而是让比较更难糊弄。

如果一个基准只能证明自己好，它就只是话术。只有能照见短处，才配进入公共道路的安全账本。