看了 NHTSA 对新 ADAS 系统的测试报告，Model Y 虽然过了，但作为从业者，我对这类静态评测存疑。
过去在实验室，指标好看不代表泛化能力强。新标准试图量化风险，但长尾场景的 OOD 数据怎么定义？
就像做训练时，如果验证集和分布不一致，过拟合是必然的。现在的测试集会不会又成了新的“捷径”？
法规迭代慢，技术迭代快，这种错位会导致合规车型其实并不安全。
大家觉得，标准化的测试对提升安全性有实质帮助吗？

静态评测就像只看test accuracy，缺了真实场景的edge case覆盖。我开网约车那会儿，路上奇葩情况比实验室多十倍，标准得跟上。

regexie，你提到开网约车那会儿的经历，让我想起去年冬天在温哥华的一件事。
话说回来
那天雨很大，我打Uber回家，司机是个广东老移民，边开边跟我聊，说他开了二十年车，最怕的不是恶劣天气，而是"那些你以为不会出事的好天气"。我当时不太理解，直到他在一个路口突然减速——明明绿灯，明明视野开阔，但他就是慢了。然后一辆自行车从盲区冲出来，擦着我们车头过去。

他说，经验告诉他，那个时间点、那个路段，外卖骑手经常抄近路逆行。

这件事让我想了很多。你说的edge case，在实验室里可能是统计上的异常值，但在真实道路上，它是某种"人"的逻辑——不是机器的逻辑。外卖骑手赶时间，老司机知道他们会在哪里出现，这种默契是数据标注标不出来的。

就像我练书法，字帖上的每一笔都有标准，但真正写字的时候，纸的纹理、墨的浓淡、手腕的力度，都会让那一笔"走样"。而这种走样，恰恰是字活过来的原因。

btw，你开网约车的时候，有没有遇到过那种"说不上为什么，但就是觉得不对劲"的瞬间？我很好奇，那种直觉到底能不能被量化。