當一輛自駕車在光天化日之下撞上碩大的工程緩衝車，彷彿「視而不見」時，碎裂的不只是車頭，也揭開了現行演算邏輯的認知盲點。
&nbsp;
2025 年 8 月，一則發生在國道5號上的事故，讓許多人對自動駕駛的可信度重新打上問號。一輛黑色高級轎車在前往宜蘭的途中，啟動了駕駛輔助系統（ADAS）。行車紀錄器的畫面顯示，前方原本有一輛轎車，在發現遠處正在進行路面清掃作業的黃色緩撞工程車後，前車敏捷地切換到了外側車道。
&nbsp;
然而，啟動駕駛輔助系統的車輛卻未即時跟隨前車變換車道，最終猛烈撞上緩撞車。所幸車體結構堅固，駕駛與乘客毫髮無傷，但車頭全毀的畫面，仍在網路社群掀起一波關於自動駕駛安全性的激烈討論。
&nbsp;
為什麼當車輛配備最先進的攝影機、搭戴高效能的運算晶片及各種黑科技，卻仍對龐大顯眼的工程車視而不見？
&nbsp;
「這不僅是感測器的問題，更揭示了當前 AI 系統在情境理解與推理能力上的局限。」逢甲大學自動控制工程學系林昱成教授，同時也是第 21 期《科技魅癮》客座總編輯，在接受專訪時一語道破。這場撞擊實則是一個信號，提醒我們正站在技術演化的分水嶺：未來不管是自駕車或是無人載具，挑戰都不再只是避免碰撞，而是如何從以規則驅動的單機自動化判斷，進化為具備情境推理能力，並能在極端環境下協同運作的群體智慧。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/03/01-670x460-1.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">逢甲大學自動控制工程學系林昱成教授，專長涵蓋智慧型控制、最佳控制、強健控制、車輛影像安全輔助系統、嵌入式系統、深度學習等。</div>
</div>
</div>
</div>
</div>
&nbsp;
傳統 AI 的天花板
這場撞擊揭示了傳統辨識模型「只會看、不懂涵義」的局限。林昱成教授指出：「現階段無人載具中的 AI 模型最大的問題，就是它目前只能辨識物件，但思考能力還很不足。」
&nbsp;
傳統 AI 的訓練高度依賴大量資料樣本。在高速公路的場景中，幾乎所有車輛都是移動狀態。當一臺靜止不動的緩撞工程車突然出現在快車道上時，對 AI 來說，這是一個極度稀少的樣本（長尾理論）。
&nbsp;
因為邏輯推理能力不夠強，加上樣本數不足，AI 可能將這個靜止物體誤判為路邊的背景物件；或者雖然辨識出有東西，但系統為了避免在市區行駛時，過度觸發不必要的煞車反應（幽靈煞車），而傾向於忽略這個異常訊號。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/03/02-670x460-1.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">自動駕駛車雖然有龐大的資料庫協助判斷路況，但碰到較罕見的情況時，就有可能出現無法判斷、判斷失靈的情況。</div>
</div>
</div>
</div>
</div>
&nbsp;
進化第一步：賦予載具會推理的大腦
要解決這個問題，我們不能只是一味地堆疊更清晰的鏡頭，而是要替載具的大腦大幅度升級。
&nbsp;
林昱成教授描繪了下一代技術的關鍵：將大型語言模型（large language model, LLM）與視覺語言模型（vision-language model, VLM）導入載具。這並不是單純提升辨識準確率，而是讓 AI 從「看到物體」進化為「理解情境」。
&nbsp;
要理解這個跨越，得先明白過去的限制。以往的自駕系統多半依賴規則式邏輯，工程師得寫下無數條像是「若看到紅燈，則踩煞車」的指令，這種方法在可預期情境中有效，但一旦出現罕見或複雜場景，規則便可能失效。但近年興起的端到端（end-to-end）模型則完全不同。它就像一個巨大的黑盒子，嘗試以單一神經網路架構，將感測器取得的影像資訊（輸入端），直接學習轉換為轉向、油門與煞車等控制指令（輸出端），減少人工設計中間規則的依賴。這更像人類的直覺駕駛——眼睛看到的瞬間，手腳自然做出反應。
&nbsp;
當這種端到端模型結合了 VLM，它就能像人類一樣理解環境背後的意義。當車載鏡頭掃描到橘色反光錐與黃色緩撞車時，VLM 會進行推論：「這裡有反光錐（視覺），代表前方是施工區域（意義），必須立刻變換車道（決策）。」
&nbsp;
「導入大語言模型後，AI 就有了理解能力。」林昱成教授興奮地表示，這種具備理解能力的 AI，不再受限於死板的規則，而是能應對路況的萬變。
&nbsp;
進化第二步：極限環境下的韌性通訊
若感官被遮蔽，再聰明的機載電腦也沒用。如果說理解力是軟體上的升級，那麼應對極限環境的能力，則是無人載具生存的最重要關鍵。自動駕駛技術的進化，不僅是為了更舒適的公路旅行，更是為了應對 GPS 訊號失效的環境，例如長隧道，或是煙硝瀰漫的戰場。
&nbsp;
當場景從國道轉換到戰壕，GPS 訊號往往會被干擾或遮蔽。這時候，瞎了眼的無人載具該如何導航？
&nbsp;
林昱成教授提到了「同步定位與地圖建構」（simultaneous localization and mapping, SLAM）技術。這就像玩 RPG 遊戲開地圖一樣，載具一邊移動，一邊利用自身的感測器掃描環境，即時建立 3D 地圖並定位自己。
&nbsp;
此外，林昱成教授也強調，除了視覺，車頭前方至少要有一顆都卜勒雷達（Doppler radar）來判斷相對速度與距離，增加感測的韌性。
&nbsp;
進化第三步：從單機到蜂群的群體智慧
然而，真正的未來，不僅止於打造一臺超級聰明的車，而在於讓載具從單機運作進化為「多機協作」。
&nbsp;
目前多數的無人載具仍以單機決策為主，各自感知、各自判斷，但在複雜或極端環境中，單一載具的視野與推理能力終究有限。未來的關鍵，在於讓載具之間共享感知資訊與語意理解，形成分散式決策架構。林昱成教授以現代戰爭中的蜂群戰術為例，透過網狀網路（mesh network），無人機之間可以像接力賽一樣傳遞訊號。即便深陷前線的偵查機無法連上衛星，只要機群最外圍的一臺能連上訊號，就能將最深處的情報層層回傳。
&nbsp;
這種協作模式打破了地形限制，讓載具從單一的工具，進化成能自我調整、互助合作的有機體。
&nbsp;
當然，這一切的基礎，在於邊緣 AI 運算的效能。林昱成教授提到一個驚人的數據：「人類從看到危險到踩下煞車，平均反應時間大約是 0.66 秒。」要在這生死瞬間完成感知、推理、通訊與決策，且不能依賴相對容易延遲的雲端運算，這對無人載具晶片的運算能力，提出了極高的門檻。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/03/03-670x460-1.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">藉由網狀網路橫向串聯的特性，無人載具將能彼此聯繫、告警。無論是商用，或是軍用，都有極大效益。</div>
</div>
</div>
</div>
</div>
&nbsp;
臺灣的機會：地獄級訓練場的逆襲
在這場從單機自動化邁向群體智慧的技術競賽中，臺灣雖然並非傳統車廠強國，卻在關鍵技術與系統整合能力上擁有獨特優勢。
&nbsp;
「我們非常幸運，但也非常辛苦。」林昱成教授笑著說。
&nbsp;
辛苦的是，臺灣擁有世界級的「地獄場域」。機車鑽車縫、行人隨意穿越的混亂交通，曾是我們的痛點，現在卻是訓練強健 AI 最好的試煉場。「歐美的訓練太守規矩了」林昱成教授坦言，「如果 AI 能攻克臺灣這種充滿不確定性與混亂的交通環境，那它去到世界任何角落，都將游刃有餘。」
&nbsp;
幸運的是，臺灣握有實現這一切的鑰匙。從台積電的先進製程晶片，到能應對極限環境的各類感測器，臺灣的隱形冠軍們早已切入全球供應鏈。更重要的是，在講求群體協作與國防安全的未來，臺灣「可信賴 AI」的招牌，讓我們成為全球民主陣營在發展高階無人系統時，最不可或缺的伙伴。
&nbsp;
從國道五號的這場事故出發，我們看見的不只是技術的失靈，更是人類對「自動化」與「智慧化」分界線的重新審視。要跨越這道界線，單靠更靈敏的感測器已然不夠，真正的挑戰在於讓 AI 不只是看見，而能理解、推理，並與其他載具協同決策，在接下來的專題中，我們將進一步討論，無人載具如何在無 GPS 的極限環境中自主定位，再到多機協作的蜂群戰術，如何重塑現代物流與國防。邀請您一同解析這場技術演化背後，更深層的轉折與意義。
（客座總編輯｜逢甲大學自動控制工程學系林昱成教授；責任編輯｜王喆宣、洪孟樊）