自动驾驶比人类更安全吗？最新数据给出了答案

一个长期争议正被数据改写

自动驾驶汽车究竟是让道路更安全，还是引入了新的不可预测风险？这个问题争论了十余年，长期停留在直觉与轶事的层面——一起 Waymo 或特斯拉的事故往往能登上头条，而它们安全行驶的数百万英里却鲜有人关注。

如今，随着 Robotaxi 车队在凤凰城、旧金山、洛杉矶等城市累积起规模化的运营里程，我们终于有了足够的统计样本来回答这个问题。IEEE Spectrum 近期发表的分析指出，越来越多的证据表明：在可比条件下，成熟的自动驾驶系统正在减少事故与伤亡。IEEE Spectrum 是电气电子工程师学会（IEEE）旗下的旗舰技术杂志，在工程与技术领域具有极高的学术公信力。该刊物的分析采用了独立的数据交叉验证方法，区别于车企自身发布的公关数据。值得一提的是，自动驾驶安全数据的积累经历了漫长的「数据荒漠期」——兰德公司（RAND Corporation）曾在2016年发表过一篇被广泛引用的研究，指出要以统计学上的显著性证明自动驾驶比人类安全，可能需要数十亿英里的测试里程。如今 Waymo 等公司在多个城市的累积商业运营里程已突破数千万英里，才使得有意义的统计比较成为可能。

这不是营销口号，而是基于保险索赔、碰撞报告和公开数据集的交叉验证结论。当然，这一结论仍需谨慎解读，因为「魔鬼藏在对照组的细节里」。

自动驾驶安全数据揭示了什么

Waymo 的里程与保险索赔数据

目前证据最充分的来自 Waymo。该公司与再保险巨头瑞士再保险（Swiss Re）合作，将其自动驾驶车队的责任索赔数据与人类驾驶的基准进行对比。瑞士再保险是全球最大的再保险公司之一，其核心业务是为保险公司提供风险转移服务——简单来说，它是「保险公司的保险公司」。再保险公司的商业模式完全建立在对风险的精确量化之上，因此它们对自动驾驶车队的承保意愿和定价策略，是独立于车企营销话术的「真金白银」信号。

结果显示，在覆盖数千万英里的运营中，Waymo 车辆涉及的有责任赔付事故显著低于人类司机——尤其是在造成人身伤害和财产损失的严重事故类别上，降幅达到两位数百分比。Swiss Re 与 Waymo 的合作具体做法是：将 Waymo 车队在承保期内产生的第三方责任索赔（包括人身伤害和财产损失）逐一记录，再与同一地理区域、同一时间段内人类驾驶车辆的索赔频率和赔付金额进行对比。这种基于实际保险赔付的比较方法，比仅依靠警方碰撞报告更加完整，因为许多未达到报警门槛但产生了经济损失的事故也会被纳入统计。

关键在于对照方法。Waymo 没有简单地用「全国平均事故率」做比较，而是构建了「基准里程」——即在相同城市、相同道路类型下，人类司机会产生多少索赔。这种同地域对照大幅提高了结论的可信度，因为凤凰城郊区的驾驶环境本就与全美平均值不同。

伤亡类事故才是核心比较指标

分析特别强调，轻微剐蹭在自动驾驶车辆的事故中占比偏高——这部分源于系统的谨慎驾驶风格（例如在路口过度保守、被后车追尾），也源于每一起事故都被完整记录，而人类司机的小事故常常私了不上报。

因此，更有意义的比较应聚焦于伤亡类事故。在这一维度上，自动驾驶的安全优势更为明显，因为它不会疲劳驾驶、不会酒驾、不会分心看手机——而这些恰恰是人类致命交通事故的三大主因。根据美国国家公路交通安全管理局（NHTSA）的统计，2022年美国交通死亡人数约为40,990人，其中酒精相关事故导致约13,524人死亡（占33%），分心驾驶导致约3,308人死亡，疲劳驾驶的实际数字因认定困难可能远高于官方统计。世界卫生组织的全球数据显示，道路交通伤害每年导致约135万人死亡，是5至29岁人群的首要死因。自动驾驶系统在结构上天然免疫这三类风险——它没有血液酒精浓度、不存在注意力资源竞争、也不会因为长时间工作而反应迟钝。仅这一点就构成了自动驾驶安全论证的基础性优势。

自动驾驶安全性争议为何持续存在

统计陷阱与对照组选择的分歧

Hacker News 上超过 500 条的讨论揭示了社区的分歧。批评者指出几个方法论问题：其一，Robotaxi 目前主要运行在天气良好、路况清晰、有高精地图覆盖的区域，回避了暴雪、复杂施工区等困难场景，因此并非「公平对照」；其二，人类驾驶的基准数据本身质量参差，轻微事故的漏报会人为拉高人类的「表观安全性」，反而对自动驾驶不利。

从技术角度看，这一争议的核心涉及一个关键概念——运营设计域（Operational Design Domain, ODD）。ODD 由 SAE International 在其 J3016 标准中正式定义，描述的是一套自动驾驶系统被设计、验证并允许运行的特定条件集合，包括地理围栏（geofencing）、道路类型、天气条件、时间段、车速范围等多个维度。例如，Waymo 当前在凤凰城的 ODD 包括预先高精地图覆盖的城市道路和非极端天气条件等。ODD 的重要性在于：自动驾驶系统的安全声明只在其 ODD 范围内有效。一旦车辆驶出 ODD 边界——比如遇到未标注的施工区域或罕见的极端天气——系统的安全保障就可能大幅下降。这也是批评者指出当前安全数据存在「选择偏差」的技术根源。

换言之，无论怎么算，对照组的选择都会左右结论。支持者与怀疑者往往在争论「该和谁比」，而非数据本身。

长尾场景与非人类式失败模式

即便平均安全性提升，自动驾驶的失败模式与人类截然不同。人类犯的是「常见错误」，而机器可能在极罕见的边缘案例（corner case）中做出人类绝不会犯的荒谬决策——比如把静止的卡车识别为背景、或在紧急车辆前僵住。

在机器学习与自动驾驶工程中，「长尾分布」指的是那些发生概率极低、但一旦发生后果可能极为严重的场景。自动驾驶系统的感知-决策-控制管线（perception-planning-control pipeline）在训练数据中高频出现的场景上表现优异，但面对训练集中稀缺甚至从未出现过的情况——如道路上出现散落的建筑材料、逆行的电动滑板车、或复杂的多车博弈场景——系统可能产生完全不可预测的行为。2018年 Uber 自动驾驶测试车在亚利桑那州坦佩撞死行人的事故，就是一个典型的长尾失败案例：系统在识别推自行车横穿马路的行人时，在「行人」「自行车」「未知物体」等分类之间反复切换，导致决策延迟。业界目前应对长尾问题的方法包括：大规模仿真测试（如 Waymo 的模拟器每天运行数百万英里虚拟里程）、对抗性场景生成、以及形式化验证等，但学术界普遍认为长尾问题不可能被完全消除，只能不断降低其发生概率。

这种「非人类式失败」在心理上更难被公众接受，即便其发生频率极低。这也是为什么「统计上更安全」与「公众信任」之间存在鸿沟。一次离奇的自动驾驶事故对信心的打击，远超过它挽救的无数生命所带来的信任积累。

这一现象可以用风险心理学中的经典理论来解释。心理学家 Paul Slovic 提出的「风险感知」理论指出，人们对风险的判断并非基于客观概率，而是受到「恐惧感」（dread）和「未知性」（unknown）两个维度的强烈影响。自动驾驶事故同时命中了这两个维度：它涉及个人无法控制的技术系统（高恐惧感），且其失败模式对普通人来说完全不可理解（高未知性）。此外，心理学中的「可得性启发」（availability heuristic）也在起作用——媒体对自动驾驶事故的密集报道使得公众高估了其发生概率。这与航空安全的公众认知困境类似：飞机出行的统计安全性远超驾车，但一次空难对公众心理的冲击远大于每天发生的数百起车祸。自动驾驶行业面临的信任挑战，本质上是一个认知科学问题，而非纯粹的工程问题。

安全数据对自动驾驶行业意味着什么

叙事转变：从「能不能开」到「够不够安全」

自动驾驶的行业叙事正在发生微妙转变。过去的问题是「机器能否驾驶」，如今的问题变成「机器是否已经足够好到可以规模化替代人类」。当有责事故率、伤亡率等硬指标持续跑赢人类基准，监管者和保险公司便有了放行与定价的依据。

你可能没注意到，瑞士再保险这类保险资本的介入本身就是一种市场信号——保险公司靠精算吃饭，它们愿意为自动驾驶车队承保并给出更低费率，意味着实际风险确实在下降。

规模化运营才是终极安全检验

目前的乐观结论建立在有限的运营设计域（ODD）之上。真正的考验在于：当车队从数千辆扩展到数十万辆、从阳光地带扩展到冰雪与暴雨、从熟悉城市扩展到陌生道路时，安全优势能否保持。真正的安全验证需要逐步扩大 ODD 范围，并在每个新域中重新积累足够的统计样本——这意味着每进入一个新的城市或气候区域，安全论证几乎需要从头开始建立。

可以确定的是，这场辩论已经从「哲学争论」进入「实证阶段」。数据的天平正在倾斜，但要赢得公众的完全信任，自动驾驶行业还需要持续、透明地公开更多可被独立审计的安全数据。

结语

「自动驾驶是否更安全」不再是一个纯粹的信仰问题。越来越多的证据——尤其是来自 Waymo 与保险行业的规模化数据——支持了一个审慎的乐观结论：在其擅长的场景内，成熟的自动驾驶系统正在拯救生命。

但真正成熟的态度，是既承认数据的进展，也不回避对照方法的局限与长尾风险。技术的胜利最终要靠可复现、可审计的证据来赢得，而不是靠头条新闻的喧嚣。