Những trường hợp biên từng khiến xe tự lái bị trì hoãn suốt nhiều năm qua

Khi một chiếc xe tự hành tham gia giao thông, 99,9% cuộc đời của nó trôi qua bằng cách làm đi làm lại cùng những việc: di chuyển trên làn đường, dừng đèn đỏ, giữ khoảng cách với xe phía trước. Nhưng câu hỏi thực sự là: trong khoảng thời gian nhỏ bé còn lại, tức những khoảnh khắc kỳ lạ chỉ xảy ra mỗi vài triệu cây số thì chuyện gì đang diễn ra? Chính những khoảnh khắc này là thứ làm chậm lời hứa "sẵn sàng cho ngày mai" của xe tự hành - và trong bài viết này tôi sẽ giải thích vì sao chúng vẫn chưa được giải quyết.
Trường hợp biên là gì, và tại sao đuôi dài lại là chuyện khác?
Trước tiên hãy làm rõ thuật ngữ, vì hai khái niệm này thường bị nhầm lẫn. Trường hợp biên (edge case) là kịch bản hiếm nằm ngoài dữ liệu huấn luyện của một hệ thống lái tự hành: một chiếc thang đổ trên đường cao tốc, một tín hiệu tay hiếm gặp của cảnh sát giao thông, một điều kiện thời tiết bất thường. Những thứ này có thể được xác định trước, ít nhất là về lý thuyết.
Còn đuôi dài (long tail) là một khái niệm đáng sợ hơn: tổng của mọi thứ mà bạn thậm chí không thể nghĩ ra. Những công trường thay đổi qua từng đêm, một tấm đệm lăn ra từ xe bán tải dưới mưa, kịch bản nằm ở tận cùng chiếc đuôi mà chưa ai nghĩ đến việc ghi nó vào danh sách vấn đề. Nếu trường hợp biên là một câu đố, thì đuôi dài giống như một chiếc hộp mà bạn không biết nó có bao nhiêu mảnh.
Sự hiếm gặp cũng có nhiều loại. Thứ nhất là các lớp hiếm: những vật thể ít bắt gặp trên đường như lừa hay xe cứu thương. Thứ hai, và tinh vi hơn, là các kịch bản hiếm: bản thân các vật thể rất bình thường nhưng cách sắp xếp lại kỳ lạ - một người đi bộ đột ngột xuất hiện từ phía sau xe tải, hay một người đạp xe chở thang. Loại thứ hai khó tìm hơn nhiều, vì trong hệ thống mọi thành phần đã được định nghĩa sẵn; vấn đề nằm ở cách chúng kết hợp với nhau.
Các chuyên gia chia trường hợp biên thành bốn nhóm chính: môi trường (thời tiết, điều kiện ánh sáng), dựa trên vật thể (các vật hiếm), hành vi (những người tham gia giao thông khó đoán) và đặc thù cảm biến (lỗi phần cứng, điểm mù). Từng nhóm riêng lẻ đã là một cơn đau đầu; tất cả cộng lại, giải thích được vì sao hàng đợi dài đến vậy.
Điểm nổi bật
- Một hệ thống hoạt động với độ chính xác 99% có thể gặp một kịch bản nguy hiểm mà nó không giải quyết được cứ sau khoảng mỗi 10.000 dặm lái.
- Trong một bộ dữ liệu phổ biến, khi có 493.322 chú thích thuộc về ô tô thì chỉ có vỏn vẹn 49 chú thích cho xe cứu thương.
- 30 lớp vật thể hiếm nhất, trong 344.966 khung hình dữ liệu có nhãn công khai, mỗi lớp chỉ xuất hiện ít hơn 250 lần.
- Nếu các hệ thống tự hành lái xe như con người, chúng chỉ có thể ngăn chặn được khoảng một phần ba trong tổng số các tai nạn.
Sự hiếm gặp qua những con số: Vì sao chiếc đuôi này lại dài đến vậy?

Nắm được quy mô của sự hiếm gặp đòi hỏi một chút toán học. Độ chính xác 99% nghe có vẻ tuyệt vời, đúng không? Nhưng hãy tính thử: một hệ thống với độ chính xác này sẽ rơi vào khoảng một lần mỗi 10.000 dặm lái xe vào một tình huống nguy hiểm mà nó không thể tự giải quyết. Ngay cả cho việc sử dụng hàng ngày con số này đã rất lớn - còn với tự lái hoàn toàn thì nó thảm khốc, vì ngưỡng an toàn đòi hỏi tỷ lệ lỗi cực thấp.
Bức tranh ở phía dữ liệu còn ấn tượng hơn nữa. Benchmark SearchAD, một nghiên cứu hợp tác giữa Mercedes-Benz và Đại học Esslingen, đã xem xét 423.798 khung hình từ 11 tập dữ liệu lái xe: 90 danh mục hiếm, 513.265 nhãn được gán thủ công. Kết quả? Mỗi một trong 30 lớp hiếm nhất xuất hiện ít hơn 250 lần trong 344.966 khung hình dữ liệu có nhãn công khai. Tại một công ty chuyên dụng đã cố gắng tìm các trường hợp hiếm này bằng tay, công việc kéo dài tám tháng, trung bình hơn một phút cho mỗi khung hình và mỗi khung hình được kiểm tra ít nhất hai lần.
| Lớp Đối tượng | Số Chú thích trong Tập dữ liệu Mẫu |
|---|---|
| Ô tô | 493.322 |
| Xe đẩy em bé | 1.072 |
| Xe cứu thương | 49 |
Bảng này cho thấy sự lệch lạc của chính thế giới: ô tô ở khắp mọi nơi, xe cứu thương hầu như không có ở đâu. Và vấn đề không chỉ là việc khám phá; tìm kiếm dựa trên nhãn chỉ trả về các lớp được xác định trước. Nếu không ai gán nhãn cho một người đi bộ mặc túi rác trong mưa, không truy vấn nào tìm kiếm dữ liệu đó có thể tìm thấy họ. Các chỉ số thành công tổng hợp cũng có thể che giấu sự suy giảm ở các lớp hiếm bên trong điểm số tổng thể ấn tượng.
Không Thể Thu Thập Thêm Dữ Liệu Sao?
Câu trả lời là không với số áp đảo, và lý do là một sự thật chỉ gồm một câu: sự lệch lạc của dữ liệu là sự lệch lạc của thế giới. Phần lớn dữ liệu lái xe thu thập từ đường đầy những hành vi bình thường - giữ làn, tuân thủ đèn giao thông, đường thẳng. Khi bạn nhân đôi tập dữ liệu, về cơ bản bạn đã thêm gấp đôi các ví dụ bình thường; những ví dụ hiếm bị chôn vùi sâu hơn trong hàng đợi. Đây là bài toán lợi tức giảm dần kinh điển: năng lực xử lý và dữ liệu tăng quy mô không mang lại hiệu suất đủ ở tỷ lệ lỗi cực thấp.
Vậy nếu chúng ta tái tạo các kịch bản hiếm trên sân khấu? Đây chính là bức tường thứ hai: hầu hết các trường hợp hiếm là nguy hiểm hoặc không thể thực hiện. Dàn dựng một người đi bộ sẽ lao ra từ phía sau xe tải là điều không thể tưởng tượng nổi. Hơn nữa, hàng đợi có đầu mở - không có điểm cuối, nghĩa là khoảnh khắc nói "chúng ta đã hoàn thành tất cả" sẽ không bao giờ đến.
Do đó mô phỏng là một trợ lý xuất sắc nhưng không phải là vị cứu tinh. Trên đường thực tế, không số lượng thử nghiệm nào có thể tự đảm bảo an toàn; hơn nữa, việc tạo ra các sự kiện hiếm một cách nhân tạo bản thân nó cũng là một bài toán kỹ thuật khó khăn. Cách tiếp cận của Waymo ở đây đáng chú ý: nhóm tái tạo các kịch bản va chạm đã kết thúc bằng cái chết trong thế giới thực và đặt Waymo Driver vào vị trí của xe gây ra va chạm. Trong mô phỏng, nó tránh được tất cả các va chạm. Ấn tượng - nhưng điều này có nghĩa là thành công trên các kịch bản được xác định, không phải tiêu thụ toàn bộ hàng đợi.
Các Nhà Sản Xuất Tiếp cận Vấn đề Tương tự Như Thế nào?
Mobileye: Trí tuệ nhân tạo săn tìm thất bại
Hai phương tiện mà Mobileye giới thiệu năm 2026 mang lại một giải pháp có hệ thống cho vấn đề này. Meteor, một nhà phân tích dữ liệu AI đa tác nhân, quét hàng triệu giờ video lái xe bằng cách sử dụng các embedding mô hình thị giác-ngôn ngữ và suy luận tự động. Điều nó tìm kiếm cũng rất thú vị: không phải những điều kỳ diệu đơn lẻ được gọi là thiên nga đen, mà là những sự thất bại có thể lặp lại - những mô hình lặp đi lặp lại như người đi bộ bị che khuất một phần, người dùng đường không rõ ràng. Chuỗi khám phá, giả thuyết, truy vấn kịch bản, xác minh và dữ liệu huấn luyện được xử lý tự động. Hệ thống bạn đồng hành Genario chuyển mỗi thất bại đã được xác minh thành kịch bản tổng hợp chân thực như ảnh và nhân bản chúng với các biến thể ngày/đêm, mưa, tuyết, băng, sương mù. Đằng sau tất cả những điều này là hơn 25 năm kinh nghiệm, hơn 230 triệu xe và khối lượng dữ liệu được tải lên mỗi ngày từ 8 triệu xe.
Waymo: Phạm vi hẹp, quy tắc nghiêm ngặt
Chiến lược của Waymo không phải là rút ngắn hàng đợi mà là thu hẹp khu vực mà hàng đợi có thể đi vào. Operational Design Domain (ODD) - miền thiết kế vận hành như họ gọi; được xác định bởi địa lý, loại đường, dải tốc độ, thời tiết và thời gian trong ngày. Theo các hồ sơ quản lý của công ty, khu vực mục tiêu bao gồm các con đường có giới hạn tốc độ lên đến 65 mph. Các phương tiện hoạt động hoàn toàn tự lái; các nhà vận hành con người từ xa không lái xe bằng cần điều khiển mà chỉ đưa ra hướng dẫn cấp cao. Vào tháng 10 năm 2026, họ cũng đã công bố một khung mới về các buổi diễn tập quản lý sự cố để chuẩn bị cho những tình huống bất ngờ. Thông điệp từ phía quản lý rất rõ ràng: xe tự lái có thể giảm dramatically các vụ tai nạn nhưng không thể đạt đến 100% và cần phải nói chuyện một cách cởi mở, trung thực về vấn đề này. Dữ liệu của công ty cho thấy số vụ tai nạn trên mỗi triệu dặm của robotaksi của họ thấp hơn nhiều so với những năm trước. Một quan sát khác là các định nghĩa ODD và các khái niệm an toàn có thể được tái sử dụng ở nhiều thành phố - sự linh hoạt này cũng làm người ta đặt câu hỏi về ranh giới của lĩnh vực này.
Tesla và NVIDIA: Hai lượt cược khác nhau
Tesla đã đặt cược rằng dữ liệu thực tế từ hàng triệu xe và hàng tỷ dặm theo thời gian sẽ soi sáng hàng đợi. Trong các bản phát hành Full Self-Driving (Supervised), người dùng báo cáo ít can thiệp hơn và theo công ty, FSD giảm hơn 80% khả năng va chạm do lỗi con người - nhưng dữ liệu của chính công ty này và vấn đề xác minh độc lập còn gây tranh cãi; Tesla chưa bao giờ công bố dữ liệu phân tách chính thức (disengagement). Các báo cáo của người dùng, dù chỉ ở mức giai thoại, cũng đầy gợi ý: buộc phải tách khỏi hệ thống trước một xe tải đang đổi làn, hoặc một hệ thống lao tới với tốc độ cao vào xe công trường đậu trên làn trái.
NVIDIA thì nhìn theo hướng ngược lại: suy luận qua các tình huống chưa biết bằng mô phỏng và trí tuệ tổng quát. Dự án Alpamayo-R1 đã cho thấy mô hình được huấn luyện bằng dữ liệu suy luận cải thiện độ chính xác lập kế hoạch lên đến 12% trong các trường hợp khó và giảm 35% va chạm gần. Cả hai triết lý - giống như khai thác dữ liệu định hướng giả thuyết của Mobileye và cách tiếp cận trí tuệ nhân tạo đầu-cuối của Wayve - vẫn chưa được chứng minh là giải pháp chắc chắn. Chưa ai nhìn thấy điểm cuối của hàng đợi.
Can thiệp con người từ xa: Lưới an toàn hay điểm yếu?
Sự bảo đảm thực tế của các công ty robotaksi là teleoperation: khi hệ thống gặp khó khăn hoặc gặp lỗi, một người vận hành từ xa sẽ can thiệp. Một phiên điều trần của Thượng viện Mỹ đã cho thấy các công ty taxi tự hành chính xác là dựa vào điều này. Đã có sẵn nhận định trong ngành rằng taxi tự hành Cruise thường xuyên cần sự can thiệp từ các người vận hành từ xa.
Nhưng mạng lưới an toàn này có một lỗ hổng. Trong mô hình Waymo, người vận hành từ xa chỉ đưa ra hướng dẫn cấp cao; không nắm lấy tay lái. Trong khi đó, tại lễ ra mắt taxi tự hành của Tesla ở Austin, nhân viên hỗ trợ từ xa được cho là có thể tạm thời tiếp quản ở tốc độ 2 mph trở xuống và lái xe từ xa, còn một báo cáo năm 2025 của một sở giao thông tiểu bang đã ghi nhận Tesla áp dụng vận hành từ xa cho các trường hợp biên hiếm gặp và môi trường phức tạp. Kết nối 5G và 6G độ trễ thấp khiến những mô hình này khả thi về mặt kỹ thuật. Câu hỏi đặt ra là: việc con người giải quyết những kịch bản mà hệ thống không giải quyết được có phải là một giải pháp thực sự, hay chúng ta chỉ đang chuyển vấn đề vào một hàng đợi vô hình?
Pháp Luật Nói Gì Giữa Lời Hứa và Thực Tế?
Ở đây mọi thứ trở nên nghiêm túc, vì một vụ tai nạn do trường hợp biên hiếm gặp không chỉ đặt ra câu hỏi kỹ thuật mà còn là câu hỏi pháp lý. Tại Mỹ, NHTSA đã công bố một bản cập nhật quy định về hệ thống lái tự hành vào tháng 4 năm 2026. Trên mặt trận pháp lý có một sự phân biệt thú vị: việc xe đáp ứng tiêu chuẩn an toàn không làm nó trở nên hoàn hảo; yêu cầu bồi thường do sơ suất là một con đường pháp lý hoàn toàn khác và các luật sư nguyên đơn chính đang chơi ở đây. Theo một cẩm nang pháp lý được soạn ở Texas, lập luận được dùng trong các vụ kiện là sự khác biệt giữa lời hứa của công ty và những gì chiếc xe thực sự làm. Rủi ro kỹ thuật mà Brookings nêu ra cũng gắn với cùng một điểm: những lỗi không thể lường trước trong hệ thống nhận thức và dự đoán có thể khiến xe làm sai việc vào sai thời điểm.
Các cấp độ trong tiêu chuẩn J3016 của SAE cũng đặt lời hứa và thực tế lên bàn. Trên thang đo từ Cấp độ 0 đến Cấp độ 5, phần lớn áp đảo các xe trên đường vẫn ở Cấp độ 1 hoặc Cấp độ 2. Cấp độ 3 tạo ra một sự dịch chuyển trách nhiệm lớn, chuyển gánh nặng từ người lái sang nhà sản xuất. Riêng với Cấp độ 5, một số chuyên gia cho rằng: những chiếc xe hoạt động ở mọi nơi con người có thể lái sẽ không bao giờ tồn tại. Ngay cả một bài báo khoa học năm 2026 cũng đề xuất một hệ thống phân loại bổ sung dựa trên môi trường và tình huống, cho rằng các cấp độ hiện tại không phản ánh năng lực trong thế giới thực.
Hàng Đợi Có Thể Được Tiêu Thụ Không? Câu Trả Lời Thẳng Thắn
Để tôi nói với bạn một cách rõ ràng nhất: Các trường hợp biên là những kịch bản thống kê cực kỳ hiếm gặp nhưng không thể lường trước, làm trì hoãn việc lái tự hành đạt được tính tự hành hoàn toàn như đã hứa; cả việc thu thập dữ liệu vô hạn lẫn mô phỏng đều không thể một mình tiêu thụ hết hàng đợi mở này. Phía lạc quan có trong tay những vụ tai nạn thực tế: dữ liệu Waymo cho thấy số vụ tai nạn trên mỗi triệu dặm thực sự đã giảm, và việc tạo kịch bản tổng hợp của Mobileye đang thu hẹp hàng đợi một cách có hệ thống. Phía bi quan cũng có những sự thật trong tay: nếu bạn lái như con người, bạn chỉ có thể ngăn chặn được khoảng một phần ba số vụ tai nạn; theo một số tổ chức an toàn, việc lái xe không người lái vẫn chưa đến nơi, và vẫn liên tục thất bại ở những nhiệm vụ cơ bản. Và cuộc tranh luận tiếp theo đã đứng sẵn ở cửa: nếu chúng ta giải quyết được các trường hợp biên, lần này làm sao đảm bảo độ chính xác của các mô hình trí tuệ nhân tạo tổng quát?
Cách tôi đọc thì như sau: lái xe tự hành không phải là một cuộc đua, mà là một công việc loại dần từ băng chuyền. Chạy hàng nghìn kilometre mỗi ngày không problem không lay chuyển được ai; điều tạo ra khác biệt là bạn làm gì trong khoảnh khắc lạ lùng ấy xuất hiện mỗi vài triệu dặm một lần. Và bạn sẽ làm gì trong khoảnh khắc ấy, không ai biết trước được ngay từ ngày bạn hình dung ra kịch bản đó. Theo bạn, robotaxi có vượt qua được hàng chờ này, hay nó sẽ luôn lẩn tránh cách nhau một bước? Tôi rất tò mò muốn biết ý kiến của bạn trong phần bình luận.
Nguồn tham khảo
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)