旧金山市长在信中提及的两次事故并非孤例。2024 年 12 月，因变电站火灾导致旧金山约 1/3 地区停电，数十辆 Waymo 在失去红绿灯信号的路口集体「趴窝」，打开双闪停住，造成大规模拥堵。更早的 2023 年 8 月，有恶作剧者通过 50 人同时下单叫车，导致 50 辆无人车聚集在死胡同，Waymo 系统自动限制了事发地附近的叫车服务。这些事件暴露了 Waymo 在面对极端并发、基础设施失效等非典型场景时的系统脆弱性——其远程协助团队无法同时响应大规模突发故障，车辆也缺乏对停电路口的自主决策能力。

Waymo 在停电路口因无法感知红绿灯而集体停摆，特斯拉 FSD 却用另一种逻辑应对。博主在洛杉矶实测发现，当 FSD 检测到红绿灯失效时，会依据对向车流和横向车流执行「交替通行」原则，像人类司机一样融入车流，而非僵死在原地。这背后是技术路线的根本分歧：Waymo 依赖高精地图 + 多传感器融合 + 规则驱动，遇到未覆盖的边缘场景容易「卡死」；特斯拉 FSD v13 采用端到端神经网络，凭借大规模真实路况数据训练出类人的「直觉」推理能力。但端到端方案的代价是决策过程不可解释，且面对极端场景的「幻觉」风险同样存在。

旧金山市长提出的四项核心运营能力——即时移除故障车辆、实时调整路线、共享运营数据、通过极端场景测试——本质是将自动驾驶公司的应急响应从「自愿措施」升级为可审计的强制标准。但关键变量在于加州监管机构能否在 2026 年内将其写入法规。深圳已率先推出「穿透式数据管控」模式，要求企业实时接入运行数据至政府监管平台，事故后 30 分钟内上报基础信息，并引入 AI 辅助责任认定。旧金山有望借鉴这套框架，但加州分散的州-市监管体系（DMV 管测试、CPUC 管运营）可能延续「九龙治水」的协调成本。

Waymo 在停电路口的表现揭示了一个底层问题：其感知-决策系统被编程为「检测到红绿灯则按信号通行，未检测到则视为异常并停车」，而不是「红绿灯失效时按无信号路口规则通行」。这背后是自动驾驶系统对「信号缺失」场景的建模缺失——训练数据中几乎不包含此类边缘案例。更值得追问的是：当远程安全员无法同时处理数十辆车的异常时，单车是否应具备独立于云端的「最小风险自主决策」能力？武汉萝卜快跑 2026 年 3 月的大规模瘫痪（100 多辆车同时停在高架桥上）也印证了同一个问题：过度依赖云端和车路协同，本地缺乏冗余兜底策略。