AI 的自動駕駛：為什麼它還不敢放手
感知的極限：攝影機、光達與惡劣天氣
人類開車時，眼睛會自動過濾掉無關資訊，並根據經驗補全缺失的畫面。AI 的感知系統卻沒有這種「常識」。以攝影機為例，它擅長辨識紋理和顏色，但在逆光、暴雨、濃霧或夜間低照度環境下，影像品質會急劇下降。光達（LiDAR）雖然能提供精確的深度資訊，卻對大雨、濃霧和雪花的散射效應非常敏感，而且成本高昂。毫米波雷達穿透力強，但解析度低，難以區分行人與靜止障礙物。
更棘手的是「感測器融合」問題。當不同感測器對同一場景給出矛盾的訊號時，AI 該相信誰？例如，攝影機看到路面上有一個塑膠袋，光達卻把它判定為固體障礙物；或者，攝影機因逆光而把橋樑陰影誤判為隧道入口。這些在人類眼中一目了然的場景，對 AI 而言卻是需要複雜權衡的難題。
此外，感測器的物理污損也是一大挑戰。擋風玻璃上的蟲屍、泥沙、雨滴，都可能讓攝影機失明；光達的視窗若被泥水覆蓋，測距能力也會大打折扣。人類駕駛可以下車擦拭，AI 卻只能依靠自我診斷系統發出警示，然後把控制權交還給人類。這又回到了「人類是否準備好接管」的老問題。
預測的難題：人類意圖的不可預測性
感知只是第一步，更難的是預測。自動駕駛 AI 必須預測周遭車輛、行人、自行車騎士的下一步動作。問題是，人類的行為充滿了非理性與不確定性。一個行人站在路邊，他可能是在等公車、可能是在滑手機、也可能隨時會突然衝過馬路。一個駕駛打了方向燈，不代表他一定會轉彎；他可能只是忘了關掉。
AI 的預測模型通常是基於歷史資料訓練出來的，它會學習「大多數人在大多數情況下會怎麼做」。但真實世界充滿了例外。例如，在台灣的巷弄裡，機車騎士可能從任何方向鑽出來；在印度的街道上，牛隻可能悠閒地穿越馬路；在歐洲的老城區，突然打開的車門可能讓自行車騎士摔車。這些「長尾場景」——發生機率極低，但一旦發生就足以致命——正是 AI 預測模型最脆弱的環節。
人類駕駛依靠的是「心智理論」（Theory of Mind），我們會根據對方的眼神、姿態、車頭方向甚至文化習慣，來推測他的意圖。AI 沒有這種能力，它只能依靠統計規律。當遇到一個「不按牌理出牌」的人類時，AI 的預測就會失準，而一個失準的預測，可能導致一個錯誤的決策。
決策的兩難：電車難題的工程化版本
假設感知和預測都完美了，AI 仍然要面對決策問題。自動駕駛的決策演算法，本質上是一個「風險最小化」的優化問題。但在某些極端情境下，風險是無法完全消除的，只能選擇「傷害誰」或「傷害什麼」。這就是經典的「電車難題」在自動駕駛中的工程化版本。
例如，前方突然出現一個小孩和一個老人，車輛的煞車距離不足以同時避開兩人，AI 該撞向誰？或者，為了閃避一台違規迴轉的車輛，AI 是否應該緊急變換車道，卻可能撞上隔壁車道的機車？這些問題在哲學課堂上可以討論三天三夜，但在自動駕駛的即時系統中，AI 必須在毫秒內做出決定，而且這個決定必須符合社會的倫理期待。
目前多數車廠的策略是「保守優先」：寧可緊急煞車，也不要做出複雜的閃避動作。因為緊急煞車雖然可能導致後車追撞，但至少責任歸屬相對單純；而複雜的閃避決策，則可能讓車廠陷入無法預測的法律與道德風險。這種「不敢放手」的保守策略，某種程度上是工程師對倫理不確定性的無奈妥協。
三、長尾效應：那 1% 的邊緣案例吃掉 99% 的信心
在機器學習領域，有一個著名的「長尾效應」：少數常見場景佔據了大部分資料，而大量罕見場景則構成了一條長長的尾巴。自動駕駛的難題，恰恰在於這條尾巴太長、太複雜，而且往往與生命安全直接相關。
什麼是長尾場景？
長尾場景（Long-tail scenarios）指的是那些發生機率極低、但種類繁多且難以預測的邊緣案例。例如：暴雨導致路面積水，積水反射出紅綠燈的倒影；一隻狗突然從路邊衝出；前方卡車掉落了一個沙發；施工路段的臨時標線與原有標線衝突；救護車從對向車道逆向駛來；甚至是一顆氣球飄過路口。這些場景在人類駕駛的經驗中可能只出現過幾次，但 AI 必須學會應對每一種可能。
問題是，要收集這些長尾場景的資料，成本極高。你不可能為了讓 AI 學會辨識「掉落的沙發」，而真的在路上製造一場沙發掉落事件。因此，自動駕駛公司大量依賴虛擬模擬來生成這些場景。但模擬環境與真實世界之間，始終存在一道「現實落差」（reality gap）。模擬器中的光影、材質、物理行為，再怎麼逼真，也無法完全複製真實世界的混沌與複雜。
模擬測試與真實世界的落差
目前自動駕駛的開發流程，普遍採用「資料驅動」的方式：先收集海量的真實道路資料，再透過監督式學習訓練模型，最後用模擬環境進行大量測試。這種方法在處理常見場景時效果很好，但面對長尾場景時，卻容易出現「過擬合」現象——模型在模擬環境中表現完美，一到真實世界就頻頻出錯。
更麻煩的是，長尾場景的「未知的未知」（unknown unknowns）。有些場景，工程師根本沒想到要測試，AI 自然也不會處理。例如，誰能預料到有人會穿著恐龍裝橫越馬路？誰能預料到一場抗議活動會突然封鎖所有車道？這些場景無法透過模擬預先窮舉，只能依靠真實世界的運氣與經驗累積。這也是為什麼自動駕駛公司必須持續進行道路測試，而且測試里程數往往以百萬公里為單位計算。
但即便測試里程再長，也無法保證覆蓋所有長尾場景。這就像是在一個無邊無際的宇宙中尋找隕石，你飛得再遠，也無法保證不會有一顆從背後飛來。因此，安全工程師只能不斷增加系統的「安全冗余」（safety redundancy）：多重感測器、多重演算法、遠端監控、緊急煞車系統。這些冗余設計讓系統更安全，卻也讓成本更高、系統更複雜，進一步延緩了「放手」的時程。
四、法規、倫理與社會信任的三重門檻
技術問題之外，自動駕駛還面臨三道非技術的門檻：法規、倫理與社會信任。這三道門檻，某種程度上比技術更難跨越，因為它們牽涉到人類的價值觀、法律體系與集體心理。
責任歸屬：撞車了誰負責？
當一輛完全自動駕駛的車輛發生事故時，責任該由誰承擔？是車廠？是軟體開發商？是感測器供應商？還是坐在車上、什麼都沒做的「駕駛人」？這個問題在各國的法律體系中，都還沒有明確的答案。
以台灣為例，《道路交通安全規則》目前仍以「駕駛人」為主要責任主體。但當車輛處於自動駕駛模式時，駕駛人實際上並未操控車輛，要求他負擔全部責任，顯然不合理。然而，若將責任轉嫁給車廠，車廠又會面臨巨大的賠償風險，進而影響其推動自動駕駛的意願。因此，多數國家目前採取「漸進式立法」：先在特定區域開放自動駕駛測試，並要求測試單位投保高額責任險，同時建立事故調查機制，逐步釐清責任歸屬。
這種「摸著石頭過河」的立法方式，雖然務實，卻也讓車廠不敢輕易「放手」。因為在法律責任尚未明朗之前，任何一次重大事故，都可能讓整個產業倒退好幾年。2018 年 Uber 自動駕駛測試車在美國亞利桑那州撞死行人，就是一個血淋淋的例子。該事故不僅導致 Uber 暫停測試，更引發全球對自動駕駛安全性的質疑，讓整個產業的商業化進程延後了至少兩年。
社會接受度：人類對機器的信任赤字
除了法律責任，社會信任也是自動駕駛的一大障礙。人類對機器的信任，往往呈現一種「不對稱」的狀態：我們願意相信機器能幫我們計算、幫我們導航、幫我們推薦電影，但當機器要決定我們的生死時，我們就會變得極度謹慎。
這種「信任赤字」其來有自。一方面，媒體對自動駕駛事故的報導，往往遠比對人類駕駛事故的報導來得詳盡。每天有數千人死於人類駕駛的車禍，但我們習以為常；而每一起自動駕駛事故，都會成為全球頭條。這種「負面偏誤」讓人們對自動駕駛的安全性產生不合理的懷疑。另一方面，人類天生對「不可控」的事物感到恐懼。坐在一輛沒有方向盤的車裡，看著方向盤自己轉動，那種失控感，是許多人在心理上難以克服的。
根據多項消費者調查，即便自動駕駛的事故率已經低於人類駕駛，仍有超過半數的受訪者表示「不願意完全信任自動駕駛」。這種信任赤字，不是靠技術進步就能解決的，它需要時間、需要透明的資訊揭露、需要成功的案例累積，更需要一場社會層面的對話。
五、未來的放手路徑：從監管沙盒到人機共駕
說了這麼多「不敢」，那自動駕駛的未來究竟會怎麼走？是永遠停留在輔助駕駛，還是終將迎來完全放手的那一天？多數專家的共識是：這是一條漸進式的道路，而非跳躍式的革命。
漸進式放手：L3 的現實意義
短期內，最務實的目標是實現 3 級自動駕駛的規模化。3 級自動駕駛的核心價值，在於它能在特定場景下（如高速公路壅塞、停車場自動泊車）讓人類真正「放手」。這不僅能提升駕駛體驗，也能為車廠累積更多真實世界的運行資料，為未來的 4 級、5 級鋪路。
但 3 級的落地，需要解決兩個關鍵問題：一是「接管請求」的設計，必須給駕駛員足夠的反應時間，並透過多模態提示（視覺、聽覺、觸覺）確保駕駛員能及時恢復情境意識；二是「運行設計域」（ODD）的界定，必須明確告訴使用者，在哪些條件下系統可以運行，哪些條件下必須接管。這些設計細節，決定了 3 級自動駕駛究竟是「便利」還是「陷阱」。
車路協同與基礎設施的配合
另一個重要的發展方向，是「車路協同」（V2X）。如果車輛能與道路基礎設施、其他車輛、甚至行人的手機進行通訊，就能提前獲知許多感測器無法偵測的資訊。例如，前方路口的紅綠燈可以直接告訴車輛還剩幾秒變燈；前方車輛可以廣播緊急煞車的訊息；施工路段可以主動通知車輛改道。這些資訊能大幅降低 AI 的感知與預測負擔，讓「放手」變得更安全。
但車路協同的推動，需要政府、車廠、通訊業者與城市規劃者的共同投入。基礎設施的建設成本高昂，通訊標準的制定也需要時間協調。因此，短期內車路協同仍將以「示範區」的形式存在，距離全面普及還有一段路要走。
人機共駕：不是取代，而是協作
最後，或許我們該重新思考「放手」的定義。完全放手（L5）固然是終極目標，但在可預見的未來，「人機共駕」可能是更現實的常態。人類負責處理複雜的、非結構化的場景（如鄉間小路、混亂的市集），AI 負責處理單調的、高負荷的場景（如高速公路巡航、夜間駕駛）。這種分工模式，既能發揮 AI 的優勢，又能保留人類的判斷力。
這也意味著，未來的駕駛教育需要調整。駕駛人不再只需要學會操控車輛，還需要學會「與 AI 協作」：理解 AI 的能力邊界、讀懂 AI 的意圖提示、在必要時果斷接管。這是一項全新的技能，也是自動駕駛時代來臨前，我們每個人都該做的準備。
結語：不敢放手，是因為太在乎
回到最初的問題：AI 的自動駕駛，為什麼還不敢放手？答案其實很簡單：因為它太在乎了。或者更精確地說，是因為打造它的人類太在乎了。
我們在乎每一條生命，所以在技術還無法保證 99.9999% 的安全時，我們不敢讓 AI 完全接管；我們在乎責任的公平，所以在法律還無法清楚界定時，我們不敢貿然開放；我們在乎社會的信任，所以在每一次事故都可能被放大檢視的環境下，我們不敢輕率承諾。
這種「不敢」，不是技術的失敗，而是文明的謹慎。它提醒我們，自動駕駛不只是工程問題，更是社會問題。它需要技術的突破，也需要法律的完善、倫理的對話、教育的調整與文化的適應。這是一場馬拉松，而不是百米衝刺。
所以，當你下次坐在車裡，看著方向盤自己轉動時，不妨想想：AI 之所以還不敢完全放手，或許正是因為它知道，方向盤的另一端，連接著的是無數個家庭、無數個夢想、無數個無法重來的人生。而這份謹慎，值得我們耐心等待。