一輛車就停在正前方，電動車的 AI 怎麼可能看不見？ 我第一次接觸這個問題時，也有同樣的直覺：前方車輛既然沒有移動，和高速行駛中的自己存在很大的速度差，理論上應該比移動中的車更容易辨識才對。可是深入理解之後，我才發現，「感測器收到訊號」、「系統辨識出那是一輛車」與「車輛決定立刻煞車」，其實是三件不同的事。
這真的是電動車特有的問題嗎？ 嚴格來說不是。電動或燃油描述的是車輛如何取得動力；能不能辨認前方目標、維持車距或自動煞車，則屬於先進駕駛輔助系統（ADAS）的工作。兩者可能同時出現在一輛車上，卻不是同一套原理，因此把問題簡化成「電動車會不會看漏靜止車」並不精確。更準確的問法是：駕駛輔助系統在高速接近靜止目標時，可能遇到哪些限制？
為什麼靜止的東西反而難判斷？
前方明明有一個巨大物體，系統為什麼不能看到就煞車？ 因為道路上到處都有不會移動的東西：護欄、橋梁、交通標誌、路旁車輛、彎道外側的牆，甚至路面上方的結構。如果系統只要收到一個靜止反射或影像輪廓就緊急煞車，車輛可能在沒有真正危險時突然制動，反而製造新的風險。
那麼系統究竟要判斷什麼？ 它不只要問「前方有沒有東西」，還要持續判斷那個目標是否真的位於我的行駛路徑、距離如何變化、碰撞時間還剩多少，以及警告或煞車會不會比繼續行駛更安全。這也解釋了為什麼「看見」並不等於「確認威脅」，而「確認威脅」也不等於任何速度與情境下都能完全煞停。
高速會讓這個問題變得多嚴重？ 車速越高，同樣幾秒鐘內通過的距離越長，系統留給辨識、追蹤、判斷與制動的空間也越少。美國 NHTSA 在自動緊急煞車規範的說明中，也討論過高速情境下的感測限制、誤觸發與制動需求；這表示靜止目標並不是業界沒有想到的例外，而是一項必須在真實道路與安全標準中持續處理的難題。
YOLO 可以如何「看見」一輛車？
如果把大家熟悉的 YOLO 放進這個問題，它會做什麼？ YOLO 是一類即時物件偵測方法；原始論文將偵測視為從整張影像直接預測物件框與類別機率的問題。簡單說，攝影機提供一張畫面，模型可能在畫面上框出一個區域，並告訴我：「這裡很可能是一輛車。」
畫出一個「車」的框，不就已經解決問題了嗎？ 還沒有。單張影像中的物件框，主要回答目標是什麼、出現在哪裡；車輛要安全行動，還需要知道它距離多遠、是否在同一車道、相對速度如何、前幾個影格裡是否持續存在，以及現在介入會造成什麼結果。這些問題不是只靠一個物件偵測框就能完整回答。
YOLO 會不會也看錯？ 當然可能。光線、雨霧、逆光、遮擋、目標尺寸、攝影機髒污及訓練資料差異，都可能影響視覺模型的結果。模型還要在漏掉真正目標與把普通影像誤認成目標之間取得平衡；這和車用系統必須權衡漏煞與誤煞，其實有相似之處。
車用駕駛輔助系統和 YOLO 差在哪裡？
真正上路的車輛，只靠一個像 YOLO 的模型嗎？ 不能這樣一概而論。不同車輛的硬體與軟體設計差異很大，而且廠商通常不會把完整演算法公開；有些系統使用攝影機，有些搭配雷達或其他感測器，也可能利用多個時間點的資訊做追蹤。即使某個環節採用了神經網路，它仍只是整條感知與控制鏈的一部分，我們不能因為理解 YOLO，就宣稱知道某一款車內部如何運作。
多種感測器一起工作，為什麼讓人比較安心？ 攝影機擅長取得豐富的外觀與語意資訊，雷達則可提供距離與相對速度等資訊；當系統能綜合不同來源、跨時間追蹤目標，再用碰撞風險模型決定是否警告或煞車，它掌握的資訊通常比單看一張影像更完整。這也是我認為可以「多一點信心」的地方：車用安全系統不是看到一個框，就憑單一判斷控制整輛車。
資訊更多，是否就代表一定不會出錯？ 仍然不是。感測器可能受環境影響，融合邏輯可能對資訊的可信度有不同判斷，系統也必須避免頻繁誤煞。最重要的是，每套功能都有自己的運作條件與界線；沒有任何通用原理能保證所有車輛在所有速度、天氣和道路形狀下，都會對每一個靜止目標做出相同反應。
ACC 與 AEB 為什麼不能混為一談？
車輛開著主動車距控制，是否就代表前方有車一定會停？ 主動車距控制（ACC）的主要目的，是在支援的條件下調整速度並維持與前車的距離；自動緊急煞車（AEB）則是在判定碰撞迫近時介入，希望避免撞擊或降低碰撞嚴重度。兩者可能共用部分感測資訊，目的、介入時機與制動強度卻不完全相同。
如果 ACC 沒有及早減速，AEB 就一定會在最後一刻救回來嗎？ 不能這樣期待。AEB 是一道重要的安全防線，但不是允許駕駛分心的保證。NHTSA 對 Level 0 到 Level 2 輔助功能的說明都強調，駕駛仍負責監控道路；即使系統同時支援轉向與加減速，責任也沒有因此轉移給車輛。
這些系統是否真的有安全價值？ 有，而且不該因為它們不是百分之百成功就全盤否定。AEB 的設計目的本來就是在碰撞迫近時自動施加煞車，避免事故或減輕傷害；安全機構也持續用靜止模擬車等情境測試系統。合理的態度不是「它可能失敗，所以完全沒用」，也不是「它通過測試，所以我能放手」，而是理解它是一層額外保護。
理解差異後，我能放心到什麼程度？
知道車用系統比單一 YOLO 複雜，我是不是就能放心一點？ 我認為可以，但這份放心必須放在正確的位置。我可以相信工程師並不是只讓一個影像辨識框直接決定生死，而是設計了感知、追蹤、風險評估與制動等多個環節；我卻不能把「系統有多層判斷」誤解成「系統永遠不會漏判」。
那我使用駕駛輔助時，最該記住的是什麼？ 我會把它當成替我多看一雙眼、多準備一道煞車的助手，而不是接管責任的司機。特別是在高速公路前方壅塞、彎道後突然出現車陣、視線受阻或天候不佳時，我仍會提早鬆開加速、準備制動，不等待儀表板證明系統是否已經認出危險。
這個問題最後教會我的，真的只是汽車技術嗎？ 對我來說，更重要的是理解 AI 的三個層次：看見一個物體、理解它與當下情境的關係、採取安全行動。YOLO 很適合幫我理解第一層，但真實車輛必須處理後面兩層；而在現階段，駕駛仍然是最後一道不能退出的安全防線。
我的結論： 車用駕駛輔助系統通常比單一物件偵測模型擁有更完整的資訊與決策環節，值得給它合理的信任；但「看見」、「判定危險」與「及時煞停」始終不是同一件事。可以放心一點，卻不能因此少看一眼。