Ashok 指出，Robotaxi 在迄今为止的 38 万英里无人驾驶里程中，保持着无可挑剔的安全记录。然而，许多观察者仍然担心，发生严重事故只是时间问题。
这种担忧并非没有道理。随着服务的扩展和累计里程的增加，首次重大事故在统计上变得不可避免。相关的问题不再是事故 是否 会发生，而是 何时 发生，以及严重程度如何。
在之前的分析中，我们根据 Ashok 公布的周环比增长率以及已安装的 Cybercab 产能，对 Robotaxi 可能的里程增长轨迹进行了建模。将该预测与公开的 NHTSA 数据相结合，我们可以估算出 Robotaxi 在不同严重程度的事故中随时间推移的涉入概率。
需要明确一点：以下数据是涉入率，而非纯粹的责任率。它们描述的是 Robotaxi 出现在造成伤亡事故中的可能性，无论主要责任方是谁。这为评估未来的安全性能提供了一个现实的基准。
第一部分 – 人类基准：当今的道路安全现状
我们首先从美国国家公路交通安全管理局 (NHTSA) 最新的全国详细统计数据开始。
2023 年，乘用车约占美国所有车辆行驶里程的 89%。对于这些车辆的乘员来说，事故率为：
按绝对值计算，这相当于在近 2.9 万亿英里的乘用车行驶里程中，发生了约 24,000 起乘员死亡和 195 万起警方报告的受伤事故。
警方报告的受伤事故按 KABCO 等级分类：
在本文的剩余部分，我们将采用“所有乘用车”的事故率作为人类基准（每 1 亿英里 0.83 人死亡和 68 人受伤）。然后，我们假设一个成熟的 Robotaxi 系统将比这个人类平均水平 安全 10 倍——这是一个业内常见且雄心勃勃的目标（Waymo 在其安全报告中也将其作为基准）。
这个 10 倍安全性的假设，成为后续统计预测的基础。
第二部分 – 为什么事故遵循泊松过程
相对于巨大的行驶里程，交通事故是罕见事件。当事件发生率低、相互独立且以大致恒定的平均速率发生时，在给定暴露量（此处为里程）下的事件发生次数可以很好地用 泊松分布 来描述。
在泊松过程中，在行驶 M 英里后观察到恰好 k 次事件的概率为：
其中 λ 是每英里事件的期望次数。
我们主要关心的是经历 至少一次 事件的概率。这很简单，就是零事件概率的补集：
如何获取 λ 值
从第一部分 NHTSA 数据中，我们已经知道人类驾驶的乘用车发生事故的平均间隔里程。因此，每英里的事件率是其倒数：
等价地，如果公布的事故率是每 1 亿英里：
对于我们的基准（所有乘用车）：
- 死亡：λ_human = 0.83 / 10⁸ = 8.3 × 10⁻⁹ 每英里
- 受伤（所有严重程度）：λ_human = 68 / 10⁸ = 6.8 × 10⁻⁷ 每英里
因为我们假设 Robotaxi 的 安全性提高了 10 倍，所以我们只需将这些比率除以 10：
将其代入之前的表达式，即可得到在任意累计里程 M 后发生至少一次事故的概率：
下一节中的所有预测均使用此公式。
第三部分 – 首次事故何时变得可能
我们现在可以将第二部分中的泊松公式应用于四个感兴趣的结果类别：
- 死亡 (K)
- 严重 / 致残性伤害 (A)
- 轻微 / 非致残性伤害 (B)
- 可能受伤 (C)
使用第一部分中的人类基准率，并按照 10 倍安全假设进行缩放，我们为每个类别获得一个单独的事件率 λ。第一个图表绘制了至少发生一起事件的概率与累计无监督 Robotaxi 里程的关系：
从里程到日历时间
在我们之前的文章中，我们利用 Ashok 公布的两位数周环比增长率，结合 Cybercab 约每周 2,400 辆的产能（特斯拉 125,000 辆的年度指导目标）以及每辆车每天 200 英里的高利用率假设，构建了一个每周无监督里程的前向模型。
以 14% 的增长情况作为中心情景，并对有上限的每周里程进行累加，得到了随时间变化的累计里程轨迹。将该累计里程代入泊松公式，即可得到每种事故类型随时间变化的概率：
在此轨迹下，达到 50% 概率阈值的时间点大致如下：
Waymo 的当前累计里程
作为参考，我们已在里程图上标出了 Waymo 的大致累计完全无人驾驶里程。
Waymo 的官方安全影响仪表盘显示，截至 2026 年 3 月，其已累计行驶 2.206 亿英里的纯乘客里程。按最近每周约 400 万英里纯乘客里程的运行率估算，到 2026 年中后期，这一数字将增至约 2.8 至 3 亿英里付费里程。考虑到空车重新定位和调度里程，我们保守地将这个数字翻倍，得出约 6 亿英里的总自动驾驶里程。
Waymo 的实际表现记录
关于 Waymo 事故的公开 SGO / NHTSA 报告，映射到 KABCO 等级后，提供了以下大致情况：
关键观察：
- 报告的大多数受伤案例属于较低严重程度类别（C 和 B）。
- Waymo 自身的安全研究仅将经警方确认的 A 或 K 级案例视为“严重伤害或更糟”。
- 在超过 2.2 亿英里的纯乘客里程中，Waymo 报告其严重伤害或更糟的事故比同一运营区域的人类基准减少约 94%，任何严重程度的受伤事故减少约 82%。
- 这些比较是 不考虑责任归属 的。在少数几起严重（A）和致命（K）事故中，现有公开信息表明，Waymo 车辆通常不是主要责任方。
这一实际记录说明了 Robotaxi 同样面临的关键区别：在足够大的规模下，涉入事故在统计上变得不可避免。决定性的问题是，系统是否比覆盖相同里程的人类驾驶员负有责任的频率更低，并且产生的严重结果更少。这里开发的泊松框架只是校准了在 10 倍安全假设下，特斯拉 Robotaxi 何时会开始遇到相同类别的事件。
正如累计里程图所示，一旦无人驾驶车队达到数亿英里，即使是在 10 倍安全假设下，涉入严重甚至致命事故在统计上也会变得不可避免。因此，Waymo 的记录与泊松模型在该规模下的预测是一致的：相关问题不再是此类事件是否发生，而是系统承担责任的频率，以及其严重程度与人类驾驶员相比如何。
结论
我们模拟了 Robotaxi 涉入不同严重程度事故的概率，假设该系统最终能比人类驾驶的平均乘用车实现 10 倍的安全改进。将该假设与我们之前分析中得出的里程轨迹相结合，得出了清晰的量化预期：在中心增长情景下，较低严重程度的受伤事故在 2027 年上半年变得可能，严重受伤事故在 2027 年下半年变得可能，而死亡事故则在 2027 年底左右变得可能。
Waymo 的实际记录与同一模型在数亿英里累计里程下的预测结果一致。一个即使比人类驾驶员安全得多的系统，在足够大的规模下，也必然会涉入严重和致命的事故。统计数据使这一点不可避免。
仍需区分两个关键点。首先，这些预测涉及的是 涉入率，而非 责任率。其次，首次负有责任的死亡事故在统计上最终也必然会发生；唯一不确定的变量是，它相对于公众对该技术的实际体验而言，何时发生。
这就是特斯拉面临的核心战略挑战。首次负有责任的死亡事故必须来得足够晚，以便大量用户已经使用过 Robotaxi，信任其日常表现，并理解其相对于人类驾驶的安全性。这可以类比商业航空。现代客机仍然会造成人员死亡，但死亡率约为每 1 亿乘客英里 0.01 人死亡——这比即使安全 10 倍的 Robotaxi（约每 1 亿英里 0.08 人死亡）还要低大约一个数量级。社会能够接受航空业残留的风险，因为其收益巨大，且相对安全性已得到充分证实。当首次明确负有责任的死亡事故发生时，Robotaxi 也需要有同样扎实的、经过大规模验证的性能作为基础。
这就是特斯拉必须跨越的门槛。
