Как не ошибиться при выборе умного автомобиля. Безопасность, ремонт, электроника и скрытые расходы

Введение: Программное обеспечение поглощает мир — и поглощает запас прочности

В 2011 году основатель компании Netscape Марк Андрессен (Marc Andreessen) опубликовал в «Уолл-стрит джорнал» статью, имевшую огромное влияние, под названием «Почему программное обеспечение поглощает мир». Пятнадцать лет спустя его утверждение нашло самое яркое подтверждение в автомобильной промышленности. В одном высокотехнологичном автомобиле 2026 года работает более 100 миллионов строк кода — это более чем в 7 раз превышает объем кода самолета Boeing 787 Dreamliner (около 14 миллионов строк) и более чем в 4 раза — истребителя F-35 (около 24 миллионов строк). При этом примерно 60–70 % из этих 100 миллионов строк кода прямо или косвенно связаны с функциями интеллектуального вождения — восприятием, прогнозированием, планированием, управлением, взаимодействием человека с машиной и управлением обновлениями OTA.

Следующим шагом в процессе «поглощения мира программным обеспечением» станет поглощение им запаса прочности.

В эпоху традиционных автомобилей запас прочности был физическим понятием: более толстые стальные листы, более прочная конструкция кузова, большее количество подушек безопасности — эти физические «избыточные элементы» в определенной степени компенсировали ненадежность человеческого вождения. В эпоху интеллектуальных автомобилей позиция автопроизводителей противоположна: более лёгкие материалы, меньше «лишних» конструкций, более эффективные алгоритмы — физическая избыточность постоянно сокращается, а освободившийся вес и пространство используются для увеличения ёмкости аккумуляторов и количества датчиков. Основа запаса прочности сместилась с «физической избыточности» на «интеллект алгоритмов».

Логика этого сдвига вполне последовательна: если датчики способны на 360 градусов воспринимать окружающую среду, если алгоритмы планирования могут быстрее человека принимать решения об уклонении, если система AEB может инициировать торможение до того, как человек успеет среагировать, — тогда массивные стальные панели действительно могут оказаться лишними. Это теоретически оптимальное состояние интеллектуального вождения.

Но проблема заключается в том, что алгоритмы не достигают оптимального состояния в любых условиях. Пределы их возможностей реально существуют — в ливень эффективная дальность восприятия камеры сокращается с 250 до 30 метров; при движении в контровом свете модели глубокого обучения допускают систематические ошибки восприятия; социальная игра на перекрестке со знаками «Стоп» в четырех направлениях заставляет систему впадать в «бесконечное ожидание»; «распознавание намерений» при китайском стиле вклинивания в поток выходит за пределы прогнозируемых возможностей архитектуры BEV+Transformer; а также серия смертельных столкновений с задней частью неподвижных белых грузовиков с прицепами — всё это является «слепыми зонами интеллекта», которые алгоритм демонстрирует за пределами своих ожидаемых рабочих границ.

Во второй части работы мы подробно анализируем технические основы этих «слепых зон» на пяти ключевых фронтах — от разрыва между правовыми и маркетинговыми нарративами на уровнях L2 и L3 до моделей сбоев алгоритмов в типичных дорожных условиях Китая и США, а также до ловушек мышечной психологии при совместном вождении человека и машины. Каждый анализ указывает на один и тот же насущный вопрос: когда автопроизводители заявляют на пресс-конференциях, что «система XX обеспечила XX% охвата в сценарии XX», что означают для автовладельцев те немногие сценарии, которые не охвачены этой системой?

Прежде чем приступить к конкретному анализу, необходимо ввести ключевое понятие, проходящее красной нитью через всю эту статью, — безопасность предполагаемой функциональности (Safety of the Intended Functionality, сокращённо SOTIF, определённая стандартом ISO 21448). Функциональная безопасность (ISO 26262) касается рисков, вызванных «поломкой» аппаратного или программного обеспечения системы — отказом микросхем, сбоем связи, отказом тормозной системы. SOTIF же касается рисков, возникающих в результате того, что система «не вышла из строя, но действует неверно»: модель восприятия принимает водовоз за небо, планировщик движения попадает в бесконечное колебание на перекрестке без защитного ограждения при повороте налево, а система AEB не реагирует на заднюю часть неподвижного белого грузовика.

Практически все описанные в данной статье «слепые зоны» алгоритмов — от прогнозирования вклинивания в поток до «призрачного» торможения и пропуска необычных транспортных средств — в классификации инженерии безопасности относятся к области SOTIF: система функционирует в соответствии с проектом, никакие компоненты не «вышли из строя», но поведение системы в определенных сценариях по-прежнему является небезопасным. Для потребителей понимание SOTIF заключается в следующем: не следует полагать, что «отсутствие кодов неисправностей означает, что система работает без ошибок». Некоторые из самых смертоносных ошибок происходят именно тогда, когда система считает, что всё в порядке.

2.8 Дополнительный анализ: модель количественной оценки рисков датчиков с точки зрения страховой актуарной оценки

С точки зрения страховой актуарной оценки риск, связанный с датчиками систем автономного вождения, не сводится к одной единственной составляющей — «высокой стоимости замены». Настоящая актуарная задача заключается в «вероятности каскадных повреждений» — то есть в совокупной вероятности одновременного выхода из строя нескольких датчиков в результате одного столкновения.

В традиционных автомобилях с двигателем внутреннего сгорания типичными повреждёнными деталями при одном переднем столкновении на низкой скорости (например, наезд сзади со скоростью 15 км/ч) являются: корпус переднего бампера (около 2 000–4 000 юаней) + энергопоглощающая пена переднего бампера (около 500–1 000 юаней) +, возможно, рама радиатора (около 1 500–3 000 юаней). Общая стоимость этих трёх деталей составляет около 4 000–8 000 юаней, причём вероятность их повреждения имеет предсказуемое статистическое распределение (на основе данных о выплатах страхового возмещения за несколько десятилетий).

В интеллектуальном автомобиле, оснащённом системой интеграции данных с нескольких датчиков, аналогичное столкновение сзади на скорости 15 км/ч может привести к следующим последствиям: - трещины в корпусе переднего бампера (вероятность ≈95 %, как и у автомобилей с двигателем внутреннего сгорания) - Удар по переднему миллиметровому радару (вероятность ≈ 60–80 %, в зависимости от геометрического соотношения между точкой столкновения и местом установки радара) - повреждением ультразвуковых датчиков радара, расположенных в переднем бампере (вероятность ≈ 40–60 %, обычно 2–4 из 4–6 датчиков попадают в зону воздействия удара) - Камера кругового обзора (вероятность ≈ 20–40 %, зависит от конкретного места её установки в переднем бампере) - Деформация кронштейна точной калибровки миллиметрового радара (вероятность ≈30–50%; этот кронштейн имеет жесткое соединение — по конструкции он не должен деформироваться, но сила удара может вывести его за пределы допустимых отклонений)

«Каскадные повреждения» этих компонентов не являются независимыми случайными событиями — они тесно взаимосвязаны (одно столкновение сзади одновременно затрагивает все датчики, установленные на переднем бампере). Страховым компаниям необходимо формировать более высокие резервы на покрытие такого «взаимосвязанного риска», что напрямую отражается на росте страховых взносов.

Межпоколенческий разрыв в актуарных данных

Еще более скрытой проблемой является «поколенческий разрыв» в актуарных данных. Страховая актуария опирается на закон больших чисел — прогнозирование будущих затрат на выплаты на основе исторических данных о выплатах по большому количеству однородных рисков. Однако когда конфигурация датчиков, их расположение и даже поставщики и модели датчиков в каждой новой генерации автомобилей полностью отличаются (например, при переходе с Hosa AT128 на AT512, стоимость одного лидара выросла с примерно 5 000 юаней до примерно 8 000 юаней, а изменения во внутренней оптической конструкции привели к кардинальному изменению его чувствительности к ударам), данные о выплатах по предыдущему поколению автомобилей практически не имеют справочной ценности для ценообразования следующего поколения.

Страховые компании сталкиваются с «актуарной черной дырой» — каждая новая модель интеллектуального автомобиля, поступающая на рынок, является «первым поколением» с точки зрения расположения датчиков и структуры затрат на ремонт, и не имеет достаточного опыта выплат, чтобы обосновать точное ценообразование с учетом рисков. В таких условиях рациональной реакцией страховых компаний является «завышение оценки риска» — добавление к сумме страховой премии, которую следовало бы взимать, значительной «премии за неопределенность» (uncertainty loading) для покрытия неизвестных, но потенциально высоких затрат на выплату страхового возмещения. Эта «премия за неопределённость» в конечном итоге ложится на плечи автовладельцев — не потому, что они ездят более опасно, а потому, что страховой отрасли не хватает данных, чтобы различать «конфигурации датчиков с высоким риском» и «конфигурации датчиков с относительно низким риском».

Дилемма обратного отбора потребителей

На этом рынке, характеризующемся асимметрией информации в области актуарных расчетов, потребители сталкиваются с дилеммой. При покупке автомобиля, оснащенного функциями автопилота уровня L2, потребитель платит дополнительную сумму за эти функции (обычно в виде надбавки к стоимости комплектации в размере 20–50 тысяч юаней), а затем в процессе эксплуатации вынужден платить более высокие страховые взносы (поскольку страховая отрасль «переоценивает неопределенность» в отношении таких моделей). Однако «дивиденды безопасности», которые потребитель фактически получает от функций автопилота — то есть количество аварий, предотвращенных благодаря вмешательству таких функций, как AEB, — для отдельного потребителя не поддаются оценке.

Вы не можете знать, что благодаря системе AEB в какой-то момент, когда вы этого не заметили, удалось предотвратить грядущую аварию — ведь вы вообще не осознавали возможности её возникновения. «Предотвращение одной аварии» — это ненаблюдаемый «контрфактический сценарий»: она не произошла, поэтому вы никогда не узнаете, что «она едва не произошла». Зато вы можете вполне реально наблюдать счета за страховые взносы с завышенными суммами — это происходит каждый месяц.

Эта асимметрия между «ненаблюдаемостью дивидендов безопасности» и «высокой видимостью повышения страховых взносов» может привести к «обратной селекции» со стороны потребителей — рациональный потребитель может отказаться от покупки автомобиля с расширенными функциями автопилота не потому, что эти функции плохие, а потому, что «ненаблюдаемые дивиденды безопасности» в его личном анализе затрат и выгод не могут адекватно компенсировать «высоко заметное повышение страховых взносов».

Такое рыночное сбои — когда рациональный выбор отдельных лиц приводит к коллективному неоптимальному результату — может потребовать институционального вмешательства для исправления ситуации: например, превращение таких функций активной безопасности, как AEB, которые доказали свою способность значительно снижать количество ДТП и уровень смертности и травматизма, из «дорогих опций» в «обязательную стандартную комплектацию» —подобно ремням безопасности и системе ESP—что позволит социализировать и сделать «выгоду от безопасности» всеобщей, вместо того чтобы отдельные потребители в условиях информационной асимметрии делали неоптимальный выбор.

2.9 Проблемы с ремонтом в глобальной цепочке поставок оборудования для интеллектуального вождения — игнорируемый «эффект длинного хлыста»

В наши дни, когда глобальные цепочки поставок разрываются геополитическими конфликтами, в проблеме ремонта оборудования для интеллектуального вождения есть ещё один незаметный, но усиливающийся фактор — «ожидание запчастей», вызванное перебоями в цепочке поставок.

Традиционные автомобильные запчасти — бамперы, фары, крылья — могут производиться и поставляться независимыми поставщиками запчастей (OES — Original Equipment Supplier и бренды вторичного рынка). Передние фары BMW 3-й серии 2018 года могут стоить 8 000 юаней в официальном автосалоне (оригинальные запчасти), 3 000 юаней на Taobao (неоригинальные запчасти), а в партнерской сети страховой компании — по еще более выгодной «цене партнерской ремонтной мастерской». Конкуренция в цепочке поставок снижает стоимость ремонта, что приносит выгоду как потребителям, так и страховым компаниям.