想像一下，在熙來攘往的臺北信義區上空，一架運送急救藥物的無人機正以時速 60 公里穿梭在摩天大樓間。突然，一陣突如其來的強烈側風襲來，導航感測器瞬間被陽光折射干擾。如果你是這架無人機的「大腦」，在短短毫秒之間，你該如何重新判斷方向、修正姿態，精準避開轉角那面落地窗，避免一頭撞進正在開會的人群之中？
&nbsp;
這種攸關生死的瞬間，我們不能奢望無人載具靠「實戰撞擊」來學習。人類學開車，或許會壓到路邊草皮；學飛無人機，也許能摔在空曠場地重新來過。但當我們談論的是重達數噸的自動駕駛巴士，或是在都市叢林間穿梭的物流無人機時，任何一次「試錯」的代價，都不再只是技術調整，而可能是社會難以承受的生命與財產代價。
&nbsp;
這正是無人載具發展最核心的兩難：我們要求它必須「絕對安全」才能上路，但如果不讓它上路，它又要去哪裡經歷那成千上萬種危險的極端情境？為了破解這個僵局，科學家們不再強求載具在現實中闖關，而是在真正上路之前，工程師必須先替它打造一個「可以放心犯錯」的虛擬世界。
&nbsp;
在不能出錯的前提下，如何訓練一臺車？
那麼，一臺無人車，究竟靠什麼做出判斷？
&nbsp;
「大家常認為無人車等同於 AI，但那只是其中一塊。」國立陽明交通大學電子研究所特聘教授暨峻魁智慧股份有限公司創辦人郭峻因博士指出，完整系統其實圍繞四大核心任務：感知、定位、決策與控制。
&nbsp;
首先，車子必須「看見」世界——透過鏡頭、光達與雷達蒐集環境資訊；接著，它要知道「自己在哪裡」，仰賴高精度定位系統判斷位置；然後才能規劃路徑、做出決策；最後，再把指令交給控制系統執行煞車、轉向與加速。
&nbsp;
國立臺北科技大學車輛工程系陳柏全教授則從車輛工程角度補充，這些判斷要能夠成立，也必須建立在相對應的硬體之上。線控底盤技術 （Drive-by-Wire &#8211; The Limbs） 讓電腦能直接操控方向盤與煞車；高效能運算平臺 （Computing Platform &#8211; The Brain Hardware） 在毫秒內處理龐大數據；而 V2X 通訊技術 （Vehicle-to-Everything &#8211; The Mouth and Ears） 則讓車輛能與紅綠燈（V2I）或其他車輛（V2V）「對話」，讓車子能看到「視線死角以外」的危險。
&nbsp;
換句話說，AI 像大腦，但真正讓車子動起來的，是一整套感官、神經與四肢組成的複雜系統。
&nbsp;
當判斷失誤發生在行駛於馬路中的無人車上，代價並不只是當機重開而已，而是真實世界裡的碰撞與傷害。因此，在真正上路之前，工程師必須先替它打造一個「可以放心犯錯」的世界——讓風險在模擬中發生，而不是在現實中付出代價。
&nbsp;
在電腦裡先「撞個夠」：數位孿生的極端測試
郭峻因教授直言：「程式寫錯了可以改，但無人車錯了，可能就撞車。」正因如此，自駕系統一定要先進入模擬測試階段。具體來說，是在電腦中建立高度擬真的「數位孿生」（digital twin）環境，加上符合物理原則的動態模型及 AI 代理系統，就像在虛擬空間裡打造一座平行城市，在這個虛擬世界裡，有道路、紅綠燈、車流，甚至有突如其來的暴雨與刺眼逆光。
&nbsp;
測試的第一步，是建構大量「情境」（scenario generation）。除了日常交通場景，更重要的是那些罕見卻高風險的極端案例（corner cases），例如，夜間豪雨中突然衝出的行人、施工改道造成的臨時標線混亂。這些在現實生活中難以反覆驗證的場景，在模擬器裡可以一鍵重播上千次，讓系統在壓力之下不斷優化決策。
&nbsp;
接著，測試會分階段推進。初期是「軟體在迴路」（Software-in-the-Loop, SIL），純粹驗證演算法是否能正確感知與決策；再來是「硬體在迴路」（Hardware-in-the-Loop, HIL），把真實車用電腦甚至致動器接上模擬環境，檢查實際運算與控制反應是否一致。陳柏全教授形容，這就像讓車子以為自己正在奔跑，實際上卻安全地固定在實驗室機臺上。
&nbsp;
更重要的是，這並非一次性測試，而是一個反覆修正的閉迴路（closed-loop）。實車上路時，如果發現新的風險場景，資料便會被帶回模擬器中重建場景，重新訓練、重新驗證。在虛擬與真實之間形成一場不斷追逐的循環——問題在現實中被發現，答案在虛擬世界中被磨練。唯有如此，兩個世界之間的落差，才能逐步縮小到可接受的範圍。
&nbsp;
在這座「平行時空」裡，車可以撞上千次；但現實世界裡，一次都不能發生——這正是數位孿生存在的真正意義。
&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：670x460-1-2.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;">自駕系統在實際上路前，一定會先進入模擬測試階段。</div>
</div>
</div>
</div>
</div>
&nbsp;
然而，就算在虛擬世界裡通過層層測試，到了真實道路，系統仍可能「表現走樣」。這種從模擬到現實之間的差距，被稱為 Sim-to-Real Gap。
&nbsp;
郭峻因教授說明，造成差距的關鍵原因之一，在於「運算誤差」。在模擬環境中，通常採用理想化的浮點數運算，預設每個數值都精準無誤；但真正上車的晶片，多半使用定點數架構，為了效率與功耗，必須在精度上做出取捨，因而產生截斷與誤差。
&nbsp;
「如果軟體跟硬體能做到 bit accurate（指「位元精確」，表示在數位訊號處理、數據傳輸或格式轉換過程中，輸出數據與輸入數據在二進制層面上完全一致，未經任何修正或損失） 當然最好，但是幾乎不可能。」他解釋，這種數值層級的差異，就可能讓偵測結果出現微小偏移，而在高速行駛下，微小誤差就可能被放大。
&nbsp;
第二個落差來自「延遲與動態干擾」。模擬器裡的資料流動穩定、同步，感測器永遠準時回傳訊號；但真實世界裡，感測器會延遲、雜訊會干擾、資料會丟失。郭峻因教授形容，「軟體世界高度同質、非常穩定，但真實世界充滿無法預測的變數，哪有那麼準？」
&nbsp;
陳柏全教授則補充，環境的不完美更是一大挑戰。鏡頭可能被雨滴遮住、強烈逆光造成辨識困難，光達會受揚塵干擾；輪胎壓過積水或小坑洞時，車身動態也與模擬模型不同。更棘手的是人類行為——行人滑手機穿越馬路、機車突然鑽車縫，這些高度隨機的「社會互動」，很難被完全預測。
&nbsp;
因此，Sim-to-Real Gap 並不是單一技術問題，而是數值誤差、物理差異與人類不確定性的綜合結果。模擬可以無限接近現實，但永遠不會等同於現實。於是，如何縮小這道落差，便成為無人車從實驗室走向真實道路時，最關鍵的一步。
&nbsp;
縮小 Sim-to-Real Gap：當虛擬世界學會面對現實
既然模擬與現實之間永遠存在落差，工程師並沒有放棄模擬，而是選擇讓兩者不斷「對話」。這套方法，被稱為虛實整合。
&nbsp;
郭峻因教授形容這是一種「彼此追逐」的過程。車子先在模擬環境中完成大量測試，再實際上路驗證；一旦發現新的極端情境——例如某種特殊天候下的誤判，或是未曾預料的交通互動——就把這段真實數據完整帶回實驗室，重建到模擬器裡。他說，「這個修正、再測試的閉迴路會不斷滾動，直到風險降到可接受範圍。」
&nbsp;
陳柏全教授則指出，這不只是單純重播那一次場景，而是以真實案例為「種子」，透過電腦自動生成數萬種變化版本，改變速度、角度、光線與車流密度，測試系統在不同交通互動下，是否仍能做出保守且一致的決策。換句話說，是用真實世界教會模擬世界，再用強化後的模擬世界，反過來守護現實道路。
&nbsp;
這樣的流程，也成為通過國際法規驗證的重要基礎。例如 ISO 21448（SOTIF，預期機能安全）與 UN R157，都要求自駕系統證明在大量行駛里程下維持安全。換句話說，系統不能只在「理想情況」下表現良好，而必須在長時間、多場景的條件中，依然可靠。但單靠實車跑上百萬公里不僅成本驚人，也幾乎不可行。因此，法規開始允許使用經真實數據校正過的模擬測試結果，作為安全驗證的重要依據。
&nbsp;
從某種角度來看，虛實整合並不是消除落差，而是不斷縮小落差，讓模擬更接近現實，也讓現實成為模擬的養分。這場來回循環，正是無人車得以上路的關鍵工程。
&nbsp;
從實驗室走向真實道路，無人車真正要面對的，從來不只是技術成熟與否，而是社會能否願意信任它。那麼，我們真的能「確保」無人車不會撞到人嗎？
&nbsp;
兩位教授的答案其實很務實。郭峻因教授坦言：「技術一定有瓶頸，沒有一個系統是百分之百不出錯的。」人類駕駛尚且會發生事故，自動駕駛也不可能零風險。關鍵不在於追求絕對完美，而在於當環境變得不確定時，系統是否能選擇保守，甚至主動退場，把風險降到最低。這也是目前多數 Level 2 輔助駕駛仍要求駕駛人隨時接手的原因——在這階段，責任尚未完全移轉。
&nbsp;
但未來並非原地踏步。隨著感測技術進步與新材料應用，郭峻因教授看好「感測器會越來越多元」，讓車輛對環境的理解更加細膩。同時，生成式 AI 的發展也能創造更逼真的模擬場景，縮小 Sim-to-Real Gap，讓虛擬世界更貼近真實道路。甚至，當法規與技術逐步成熟，車廠若要宣稱更高等級自動駕駛，就必須承擔更完整的責任，這反而會推動產業更嚴謹地驗證安全。
&nbsp;
因此，「確保不會撞到人」或許不是一句承諾，而是一個持續逼近的目標。從感知、決策到控制，從模擬測試到真實驗證，從工程方法到法規把關，無人車並非一次性完成的產品，而是一個不斷修正與進化的過程。
&nbsp;
從實驗室走向真實道路，是一段漫長旅途，需要反覆試煉。它不追求神話般的零風險，而是在複雜多變的現實環境中，一步步將風險壓低、將不確定性收斂。當這條路越走越穩，有一天，「無人車不會撞到人」便不再只是願景，而是成為我們習以為常的日常。
&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｜國立陽明交通大學電子研究所郭峻因教授、國立臺北科技大學車輛工程系陳柏全教授；責任編輯｜王喆宣、洪孟樊）