在特斯拉FSD研发链条的最底层，数据标注员每天要面对成千上万段行车录像。镜头里出现的每一次刹车、每一次转向，都要被人工审查、纠错。正是这些细节，让他们对系统潜在的安全隐患有最直接的感受。
超速与限速失配
- 标注日志显示，约 12% 的案例中车辆实际行驶速度超过道路限速 10 km/h，且未触发减速指令。
- 现场复盘时，标注员常提到“系统似乎把速度阈值设得太宽”，导致在城市道路的拥堵区段出现危险跟车。
紧急车辆避让缺失
在数十段急救车闪灯通过的录像里，系统未能提前变道或减速。标注员在标注时必须手动添加“避让”标签，才让模型在后续训练中“看到”这一行为。缺少这种场景的自动学习，意味着真实路况下的响应仍旧依赖人工干预。
学校区域与校车冲突
数据标注平台里有一条记录：FSD车辆在校区入口未降低车速，甚至在校车停靠时继续前行。标注员在注释时标记为“违规”，并在内部报告中提醒风险评估团队，却未见系统参数的即时修正。
行人、动物突发出现
- 在一次夜间测试中，摄像头捕捉到一只鹿突然横穿马路，车辆未能在 2.5 秒内完成刹车。标注员在标注工具中加入了“紧急刹车”标签，但该场景的触发频率在训练样本中仍不足 0.3%。
- 类似的行人闯红灯案例也屡见不鲜，标注员的注释往往是唯一的风险提示。
极端场景的资源倾斜
公司内部报告显示，针对“极端天气”或“极端道路结构”的标注任务占比已超过 30%，而日常城市驾驶的常规场景仅占不到 15%。这导致模型在高频、低风险的日常行驶中表现出意外波动，却在罕见情境下“表现完美”。
“我们每天都在纠正系统的错误，却看不到这些错误被系统性地纳入迭代。”——一位离职标注员的感慨
从标注员的视角看，FSD的风险不在于技术的极限，而在于数据分布的失衡、异常场景的过度关注以及对最基础安全规则的忽视。若不把这些微观的纠错信号上升为宏观的安全策略，系统在真实道路上的表现仍将充满不确定性。于是，面对即将上路的全自动驾驶，是否还能把信任交给一套仍在“校正”中的算法？