问题：传统路测数据与车队采集出现统计落差。加州机动车辆管理部门要求开展自动驾驶路测需事先报备测试路线、时间及安全预案，并提交有关记录。但外界注意到，有企业在官方路测统计中长期显示"零里程"。多位相关人士透露,该企业并未停止技术迭代，而是将测试重心转向"影子测试"——通过量产车队在日常通勤中记录系统决策与环境信息，再远程回传用于训练和验证算法。原因：背后是自动驾驶技术路径与成本结构的变化。量产车队规模大、覆盖道路类型广，能在不新增专门车队的情况下持续获得真实交通流中的行为数据；同时"影子测试"的边际成本更低。相关人士称，该企业2025年通过车队累计获得的行驶数据达数十亿英里，远高于传统测试车队企业的长期积累水平。海量数据意味着更快的迭代周期和更强的"长尾"问题发现能力，形成研发效率优势。影响：效率提升的同时，合规与安全争议随之而来。其一，监管适用性不足。车辆在日常道路上以"采集—回传—再训练"方式参与技术迭代，但未纳入既有"道路测试许可—安全员配置—路线报备"的管理链条，监管部门难以按现行规则进行风险评估、过程监督和责任追溯。其二，责任边界更趋复杂。一旦发生事故，究竟应归因于驾驶人操作、辅助系统提示不足，还是算法决策缺陷，容易出现事实认定与法律适用的交叉难题。其三，数据质量与代表性存在短板。相关人士表示，来自真实车主的驾驶数据噪声较大，清洗与筛选成本不低；同时日常通勤场景占比高，极端天气、特殊道路结构等"低频高风险"场景的定向覆盖不足，可能造成系统在特定城市地形、复杂路口等情境下表现不稳定。对策：推动创新与守住安全底线需要制度与技术双向发力。业内人士认为，监管层面可研究建立更贴近新模式的分类管理机制：在明确数据采集边界、用途与安全要求的基础上，将"影子测试"纳入可审计、可追责的框架，完善事故数据记录、软件版本可追溯、风险事件上报等制度安排；同时鼓励企业对关键功能启用条件、系统能力边界和驾驶人注意义务作出更清晰、更可验证的说明，减少公众对"功能可用范围"的误读。技术层面，企业需强化数据治理与场景补齐，通过更严格的质量控制、极端场景合成与定向采集等方式，提高训练数据的有效性与覆盖度，避免"数据多而不精"的风险外溢。前景：围绕"影子测试"的制度磨合正在影响行业走向。部分传统车企已公开表示将借鉴车队数据采集思路，探索以量产车型持续回传数据的研发模式；也有企业坚持认为，缺乏严格约束与质量控制的道路数据可能带来更大安全隐患。加州立法机构已成立相关工作机制，讨论是否需要对新型测试方式作出专门规范。可以预见，未来一段时期，自动驾驶竞争将不再只比拼算法与算力，也将比拼数据治理能力、合规能力以及对公共安全的制度化承诺。谁能在"创新速度"和"安全规则"之间形成可复制的平衡，谁就可能在下一阶段产业格局中占据主动。
技术进步与制度完善从来都是相辅相成的过程。"影子测试"现象折射出的不仅是技术路线的创新，更是对新时期监管智慧的考验。在自动驾驶这场关乎未来出行方式的变革中，只有坚持安全底线与创新突破并重，才能在保证公共利益的前提下释放技术红利。这需要企业的自律担当——更需要监管的前瞻布局——最终实现科技创新与社会效益的平衡。