人類其實是很糟糕的駕駛。
&nbsp;
我們會邊開車邊滑手機，會因為前一晚沒睡好而打瞌睡，也會為了趕時間而違規超車。美國 2018 年的國家車輛事故成因調查（NMVCCS）顯示，約有 94% 的事故導因於「人為疏失」。
&nbsp;
如果開車這麼容易出錯，那麼把方向盤交給機器，聽起來似乎是個合理選擇。更何況，這並不是想像，Waymo 的無人計程車已在部分城市上路，特斯拉也推出了完全自動駕駛的訂閱服務。
&nbsp;
那為什麼這些技術，只在特定區域與條件下開放？是技術還沒有成熟到足以全面上路，還是除了技術之外，還有政治、商業與責任制度的考量呢？
&nbsp;
要了解這些問題以前，我們必須要從自動駕駛是什麼，開始談起。
&nbsp;
什麼是自動駕駛？責任又該算在誰身上？
車輛研究測試中心總經理廖學隆指出，國際上最常用的標準，是美國汽車工程師協會（Society of Automotive Engineers, SAE）制定的 L0 到 L5 分級制度。這套制度用來說明車輛在不同階段，能自主完成多少駕駛工作。
&nbsp;
L0 到 L2 基本上都還是人開車，L0 完全由人類操作；L1 提供單一功能輔助，例如定速或轉向；L2 則可以同時控制方向與加減速，像特斯拉的 Autopilot 就屬於這一級。不過，不管功能多進步，駕駛都必須隨時監控。
&nbsp;
情況到了 L3 就不一樣了。車輛在特定條件下可以自己開，但系統要求時，駕駛必須接手。再往上，L4 代表在限定場域內完全自動，例如：無人計程車。L5 則是不受場域與天氣限制的全自動，目前還沒有車廠做得到。
&nbsp;
國立臺北科技大學車輛工程系陳柏全教授指出，這些分級不只是技術差異，也牽涉責任歸屬。L0 到 L2 很清楚，出事是駕駛負責。L4 或 L5 也相對單純，由系統承擔。
&nbsp;
在 SAE 的六個等級中，L3 是一個最尷尬、甚至被許多車廠視為「禁區」的存在。為什麼呢？想像一下，你正坐在駕駛座上看風景，車子開得很穩，讓你完全卸下了警惕——這正是 L3 賦予駕駛的承諾：你可以分心。
&nbsp;
但陷阱就在這裡：當系統遇到解決不了的突發狀況，例如闖入大霧遮蔽了感測器，它會突然發出警報，要求你在 1 到 2 秒內立刻接管方向盤。這在心理學上幾乎是不可能的任務。問題在於，一個已經把注意力移開的人，真的能在幾秒內重新理解道路狀況嗎？而這短短幾秒的信任斷層，就是生死攸關的灰色地帶。
&nbsp;
因此，這不只是技術問題，更是法律的惡夢。出事了，是沒能及時接手的你的錯？還是判斷失靈的車廠的錯？正是因為如此，部分汽車大廠乾脆選擇跳過 L3，直奔「全自動」的 L4 境界。
&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/2026/03/4內文圖：670x460-1-7.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;">當「安全」沒有單一標準，自駕車的命運便不再只掌握在工程師手中，而落在立法者與監管機構的決策之間。</div>
</div>
</div>
</div>
</div>
&nbsp;
工程哲學的對撞：純視覺與感測融合
目前自動駕駛大致分成兩條技術路線。一條以特斯拉為代表，強調純視覺；另一條則由 Waymo、Mercedes-Benz 與 Mobileye 主導，採用多重感測器融合。
&nbsp;
馬斯克的邏輯其實很簡單。他認為，人類是靠眼睛和大腦開車，如果機器也能看見，加上足夠強大的人工智慧，理論上就能做到同樣的事。
&nbsp;
因此，特斯拉以攝影機當作眼睛作為主要感測來源，搭配端到端（end-to-end）架構，不使用昂貴的光達（light detection and ranging, LiDAR）。少了昂貴的感測器，硬體成本得以控制，也更容易大規模量產。
&nbsp;
量產帶來的，不只是商業上的成功，還有龐大的數據。在道路上的車輛持續回傳駕駛資料，讓人工智慧學習人類如何開車。例如：什麼情況下可以略微壓線、什麼時候該保守一點調整車距。這套系統不是靠預先畫好的地圖，職是讓模型學會駕駛邏輯，使它能在陌生道路上自行判斷。
&nbsp;
這種做法降低了造車成本，同時讓系統更有彈性，但看似美好的背後，也有它的風險。像特斯拉主要依賴攝影機作為感測來源。當攝影機遇到強逆光、夜間低照度、惡劣天氣，甚至鏡頭汙損，都可能使影像品質下降或出現失真。在缺乏其他異質感測器（如光達或雷達）交叉比對的情況下，系統的判斷也可能會失誤，尤其在複雜或突發狀況下更容易暴露出盲點。
&nbsp;
人工智慧再怎麼訓練，也不可能涵蓋所有情境。一旦出現模型未曾見過的場景，系統會如何判斷，沒有人能事先掌握。這種不確定性，對乘客而言，就是風險。
&nbsp;
Waymo、Mercedes-Benz 與 Mobileye 走的是另一條路。他們認為機器不只要模仿人眼，還要更厲害，因此採取多感測器融合的做法，將攝影機、光達、毫米波雷達與超音波結合起來共同判斷，降低單一來源失準的風險。
&nbsp;
同時，他們導入高精度地圖（high-definition map, HD Map），也就是把車道線、號誌、路緣等道路結構建立成模型，讓車輛在行駛前就知道道路長什麼樣子。感測器看到的畫面，會拿來和地圖比對，而不是單靠當下影像。
&nbsp;
在軟體架構上，他們將感知、預測、規劃與控制分開處理。這代表，如果車輛做出錯誤判斷，工程師可以回頭檢查，是感測資料辨識錯誤、路徑預測偏差，還是地圖資訊出了問題。這和把所有判斷交給單一人工智慧模型不同。就像使用 GPT 生成文字時，很難知道它為什麼產生某一句話，也不容易拆解其推理過程。分段式架構的目的，就是讓每一步都有明確位置，而不是只看到最後的結果。
&nbsp;
雖然多感測器融合聽起來更安全，但造車成本明顯較高。感測器種類增加，也意味著系統需要處理更多資料，在某些情況下可能出現反應延遲，進而影響判斷時機。此外，過度依賴高精度地圖，也代表一旦進入未建模或尚未更新的道路環境，判斷能力就不一定能和熟悉場景一樣穩定。
&nbsp;
那麼，純視覺與多重感測器融合，哪一條路才是自駕車的未來？
&nbsp;
目前產學界並沒有明確結論。國立臺灣大學機械工程學系李綱教授則提出另一個角度。他認為，兩種技術路線都在發展，但真正的問題並不在於選哪一條路，職是自駕車至今難以回答一個問題：多安全，才算足夠安全？
&nbsp;
李綱教授舉例，傳統車廠追求的是「六個標準差」（six sigma），也就是接近 99.9999% 的可靠度。然而，不論是純視覺路線或多重感測器融合，目前都難以用同樣的標準來衡量安全程度。因此，在他看來，與其爭論哪種技術更安全、能否代表自駕車的未來，不如把焦點放在另一件事上：在這種不確定性之下，不同國家願意為創新承擔多少風險。
&nbsp;
各國如何定義安全邊界？
各國對於「風險」的理解與容忍程度並不相同，因此自駕車的監管模式，也自然走出不同路線。
&nbsp;
美國採取的是相對彈性的制度設計。聯邦政府提出原則性指引，各州保有一定裁量空間，允許廠商在符合條件下進行道路測試與部署。若發生事故，再透過調查、訴訟與召回機制釐清責任。這種做法強調在框架內持續試驗與修正，為新創發展保留空間。
&nbsp;
歐盟則更重視制度與安全底線，不同於美國部分情況下允許企業自行認證，對自動駕駛系統採取較嚴格的第三方認證機制，才能正式上路。這種方式提升了安全性與可追溯性，但也可能延長自駕車的開發時程。
&nbsp;
中國則採取自上而下的推動模式。政府整合車輛、道路與雲端系統，搭配大規模基礎建設與試驗區，快速累積路測里程。不過李綱教授提醒，測試里程的增加，並不等於安全機制已經成熟。資料是否公開透明，是否具備獨立驗證機制，才是自駕車被認可的關鍵。
&nbsp;
至於臺灣，雖然自駕車產業尚在起步階段，但各國制度的差異已提供清楚的參考方向。未來的問題，或許不只是技術選擇，職是在安全與創新之間，找到一條適合自身條件的平衡路徑。
&nbsp;
（客座總編輯｜逢甲大學自動控制工程學系林昱成教授；研究顧問團隊｜財團法人車輛研究測試中心廖學隆總經理、國立臺北科技大學車輛工程系陳柏全教授、國立臺灣大學機械工程學系李綱教授；責任編輯｜王喆宣、洪孟樊）