想象一下你正在教一个机器人开车。你不会只是把钥匙交给它并说：“出发！”你需要进行练习。但棘手的部分在于：你不能只是在社区里到处乱转。你需要测试机器人在每一种可能发生的情况下的表现——下雨、下雪、小松鼠横穿马路、施工区域，或者一辆形状奇特的卡车。这就是自动驾驶系统（ADS）的世界。它们是自动驾驶汽车背后的“大脑”。为了确保安全，工程师必须进行成千上千次的测试。他们使用模拟器（看起来像真实世界的计算机世界）、测试场（可以安全碰撞的封闭赛道）以及真实道路（由人类随时准备接管驾驶的实际行驶）。大家都在问的一个大问题是：“我们如何知道这个机器人真的准备好独自驾驶了？”这就像是在不知道考试题目具体是什么的情况下，试图证明一名学生已经准备好参加期末考试一样。

一组研究人员决定揭开这层神秘的面纱。他们没有仅仅观察代码或运行自己的模拟实验；他们直接走向了源头。他们采访了来自六个国家、九家不同公司的九位专家，这些人每天都在实际构建和测试这些自动驾驶系统。把他们想象成自动驾驶联赛中的主教练和明星球员。研究人员想知道：这些公司实际上在做什么？哪些噩梦让他们彻夜难眠？以及他们认为这项运动的下一步会走向何方？

现实检查：专家们正在做什么

研究人员发现，目前的行业正处于一场大规模、多层次的训练营中。这不仅仅是一个大测试，而是一个流水线。

首先，他们从模拟器开始。这就像是一款视频游戏，汽车可以在一小时内行驶一百万英里而不会留下任何划痕。他们利用这一点来测试数百万种“如果……会怎样”的情景。然后，他们转向硬件在环（Hardware-in-the-Loop）和车辆在环（Vehicle-in-the-Loop）测试。想象一下，将汽车的大脑放入一个真实的汽车底盘中，但让轮子留在跑步机上，或者将整辆车放在一个封闭的赛道上。最后，他们进入真实道路阶段。这是“最终大魔王”级别，汽车在现实世界中行驶，通常会有一名安全员坐在座位上，准备在情况出错时抓起方向盘。

专家们告诉研究人员，他们主要使用基于场景的测试（Scenario-Based Testing）。这意味着他们不仅仅是随机驾驶；他们会创造特定的故事或“场景”来进行测试。例如，“如果一个球滚进街道，紧接着跟着一个小孩，会发生什么？”或者“汽车如何处理雨中的陡坡？”他们还使用数据驱动的方法，即提取真实的驾驶日志数据并反复重放，以观察汽车是否会犯同样的错误。

重大障碍：当理论遇到现实

尽管进行了如此多的测试，专家们承认系统中仍然存在严重的故障。

1. “虚假与真实”的差距（Sim-to-Real Gap）：
这是最大的头痛点。模拟器就像一部非常好的电影，但它终究是一部电影。专家们表示，模拟相机如何观察潮湿的路面，或者传感器如何对闪亮的玻璃建筑做出反应，是非常困难的。如果模拟不够完美，汽车可能会在游戏中开得完美无瑕，但在现实生活中却发生碰撞。这就像是在完美的仿真草坪上练习足球赛，然后出现在一个泥泞的球场上；你的肌肉反应可能会完全不同。

2. “看不见”的问题：
专家们担心场景覆盖率（Scenario Coverage）。道路上可能发生的事情太多了，以至于不可能测试到所有情况。如果一只黑色的猪跑过高速公路怎么办？或者一个人抱着一辆巨大的自行车怎么办？专家指出，虽然汽车在应对正常的车辆和行人方面做得很好，但当它们看到奇怪或罕见的事物时，有时会失效。他们称之为“分布外（out-of-distribution）”问题。

3. “是否足够好？”之谜：
最令人困惑的部分之一是何时停止测试。专家们表示，对于**验收标准（Acceptance Criteria）**并没有明确的规则手册。你需要驾驶多少英里才能证明汽车是安全的？10万英里够了吗？100万英里呢？研究人员发现，各公司并没有一个统一的答案。有些公司依赖于“数据饱和”（直到他们感到自信为止），而另一些则寻找特定的安全指标，比如“零碰撞”。但目前还没有一个公认的标准能说：“好了，你通过了。”

4. AI 的“黑箱”问题：
许多现代自动驾驶系统使用**人工智能（AI）和端到端（End-to-End）**学习。这意味着汽车通过观察道路并决定该做什么来学习，有点像人类的学习方式，而不是遵循一份严格的规则清单。问题在于，很难解释 AI 为什么 做出某个决定。如果汽车发生了碰撞，工程师可能无法确切知道原因。这使得向监管机构提供安全性论证变得非常困难。

未来：接下来会发生什么？

那么，这一切将走向何方？专家们持乐观但现实的态度。

• AI 将辅助测试 AI： 他们认为**生成式 AI（Generative AI）**将被用于创造新的、疯狂的测试场景，甚至包括人类尚未想到的场景。想象一下，一个 AI 专门发明一种新型的交通拥堵，只为了看看汽车能否应对。
• 世界模型（World Models）： 他们对“世界模型”感到兴奋，这就像是汽车的内部想象力。汽车不再仅仅是对所见之物做出反应，而是尝试预测接下来会发生什么，就像棋手在思考三步之后的招式一样。
• 更高的透明度： 目前，每家公司都对自己的测试数据保密。专家们希望未来公司能分享更多的基准测试和数据，就像电子游戏开发者分享高分排行榜一样，这样每个人都能看到谁才是真正的佼佼者。
• 自动化测试： 他们设想了一个汽车能够自我测试的未来。汽车在行驶过程中发现问题，报告问题，并在无需人类按下按钮的情况下更新自身的软件。

提出的解决方案：闭环框架

基于所有这些访谈，研究人员提出了一种新的思考测试的方式，他们称之为以证据为中心的闭环框架（Evidence-Centered Closed-Loop Framework）。

想象一个巨大的循环：

1. 从声明开始： 在测试之前，你必须明确陈述你试图证明的内容（例如，“这辆车可以在狭窄的空间内安全停车”）。
2. 建立场景库： 收集所有你需要测试的可能情况，从枯燥的场景到惊险的场景。
3. 规划测试路径： 决定在哪里测试每个场景。你会先在视频游戏中测试停车位吗？然后在测试场测试？最后在真实街道上测试？
4. 收集证据： 运行测试并收集数据。
5. 守门人： 根据严格的规则检查证据。汽车通过了吗？如果是，进入下一阶段；如果不是，返回并修复它。
6. 循环： 一旦汽车上了路，收集现实世界的数据。如果它看到了新事物或犯了错，将这些数据反馈回循环的起点，以创建新的测试场景。

这个框架被设计为一个持续的循环，而不是一条直线。它确保了随着汽车的学习和世界的变化，测试也会随之演进。

总结

本文并未声称自动驾驶问题已经解决。事实上，它强调我们仍处于“学习阶段”。专家们正在努力工作，结合使用模拟器、真实驾驶和新的 AI 工具，但他们仍在努力应对现实世界混乱且不可预测的事实。研究人员指出，虽然我们对于“如何测试”有了清晰的概念，但我们仍需弄清楚“测试多少”才算足够，以及如何确保我们的计算机测试能真正匹配现实。

给好奇青少年的启示是：自动驾驶汽车就像是在为一个非常难的考试做准备的学生。他们在图书馆学习（模拟器），做练习测验（测试场），并进行实地考察（真实道路）。但在他们能够证明自己能应对世界抛给他们的每一个意外，并且在我们所有人对“及格线”达成共识之前，他们仍会在安全员的注视下驾驶。旅程很长，但路线图正变得越来越清晰。