现在来谈论全自动驾驶的实现时间表确实还为时过早，对此，Marcus 的观点是：“无人驾驶汽车就像一个我们不知道答案的科学实验。”事实上，人类以前从未在这个智能级别上实现过单独的机器驾驶行为，所以很难清晰地划分出它到底是什么类型的任务。在某种程度上，它是关于识别一些熟悉的对象和遵循一些既定的规则，理论上讲，现有的技术储备应该可以完成这件任务。但是，在极易发生事故的场景下保证安全的驾驶状态可能比汽车行业想要承认的要复杂得多，“就整个过程中陌生事物发生的程度来说，对于深度学习来说绝不是一件好事。”
如果我们翻阅一下现有的自动驾驶的事故报告，你会发现，每个事故似乎都提供了一些不寻常的信息。2016年那场致命的车祸中，Tesla Model S全速与白色拖车的后部相撞，拖车的行驶高度以及太阳光的反射等问题让Tesla的自动驾驶系统出现了误判。2018年3月份，著名的Uber车祸发生。根据美国国家运输安全委员会（(NTSB, National Transportation Safety Board）的事故报告，Uber的软件先错误地将事故中的受害者识别为一个未知物体，然后是一辆车，最后甚至将她识别为一辆自行车，不断更新其判断结果。而在加利福尼亚州最近的一次撞车事故中，由于尚未查明的原因，一辆Tesla Model X在发生碰撞之前竟然转向障碍并加速。
看起来，每次事故似乎都是一个边缘案例，工程师无法提前做出预测也是情理之中的事。但请不要忘记，几乎所有的车祸都涉及某种不可预见的情况，如果系统不具备我们之前谈到的“概括”能力，自动驾驶的车辆将不得不面对这些场景中的每一个，而每一个都将是系统的“第一次”。结果，随着时间的推移，我们将会面对的是一连串越来越常见和越来越危险的“看上去偶然”的事故。
也许算得上这个世界上横跨自动驾驶和人工智能两个领域的最杰出的专家之一，吴恩达的观点显然是很值得仔细琢磨的。他认为，实际上更重要的问题并不在于建立一个多么完美的驾驶系统，而在于训练旁观者去观察和预测自动驾驶车辆本身的行为。换句话说，我们可以想办法为这些汽车提供安全的道路，而不一定要寄希望于它们自己来完成这项工作。作为一个典型的不可预测的案例，他认为很多自动驾驶的技术团队完全可以在人行横道上处理好使用弹簧跳杆的行人，但如果在高速公路中间出现同样的情况的确是非常危险的。
吴恩达认为，这个行业应该积极与政府合作，要求人们的行为更加合法并且能够体谅自动驾驶系统在技术上的一些缺陷，而不是企图通过人工智能来解决弹簧杆问题——“安全不仅仅与人工智能技术的质量有关。”
深度学习并不是唯一的人工智能技术，针对现阶段出现的问题，很多公司其实已经开始在寻找替代方案。虽然同一行业中技术必然要受到严密保护（看看Waymo和Uber之间的官司就能有个大致的概念），但许多公司已经转向“基于规则的人工智能”，这是一种相对过时的技术，可以让工程师将特定的行为或逻辑硬编码到另外的自导系统中，它所缺乏的是通过自我学习就能培养系统技能的能力，而这恰恰是现阶段人工智能最令人兴奋的一点。虽然这种技术的确可以在实践中规避一些深度学习的局限性，但由于深度学习技术仍然深刻地影响着对外感知的基本任务，因此很难说工程师如何能成功隔离一些潜在的错误。
作为Lyft董事会成员的Ann Miura-Ko表示，她认为有一部分问题是对自动驾驶汽车本身的过高期望，将任何不能完成完自动驾驶的行为归类为失败。Miura-Ko表示，“期望自动驾驶技术从零到第五级都很完美本身就是一种错误的预期而非技术上的失败，所有的微小改进都是在为实现全自动驾驶铺平道路。”
不过，从技术角度来看，目前还不知道自动驾驶技术会在现在这种状态中徘徊多长时间。像特斯拉的自动驾驶系统这样的产品其实至少在现阶段已经足够智能，系统可以处理大多数的状况，如果发生过于不可预测的事情，还是需要人为干预。而当出现事故时，其实很难决定到底是车辆还是司机应该受到指责。对于一些持批评态度的人来说，即使很难将错误完全归咎于机器，这种另外一种意义上的“混合动力”的方式可能比单纯的人类驾驶员更不安全。兰德公司的一项研究估计，自动驾驶汽车必须在没有造成死亡的情况下行驶2.75亿英里才能证明它们和人类驾驶员一样安全——与特斯拉的自动驾驶技术相关的首次死亡事件大约经历了1.3亿英里的里程积累，远远低于这个标准。
但是，如果深度学习依然是汽车如何识别物体并决定对策的核心技术，降低事故率可能会比看起来更难。“这不是一个容易被孤立的问题，”杜克大学教授Mary Cummings表示，“感知与决定通常是闭环的，就像在Uber致行人死亡的事故中一样，系统决定不采取任何行动是因为对于物体的感知过于模糊，而紧急制动被关闭是因为它从传感器得到了太多的错误警报”。
那场灾难性的事故最终导致了Uber从这个夏天开始暂停其关于自动驾驶的一切努力，对于即将推出自己的自动驾驶计划的公司来说，这多少是个不祥之兆。在整个行业中，各个公司正在通过获取更多的数据来推进技术的进阶，而这一切都是基于拥有最多里程积累的公司将能够构建最强大的技术系统这一前提。但在这些公司还在为数据问题操心的时候，Marcus却看到了更难解决的问题。“他们只是希望手里拥有的技术能够真正地发挥作用。”Marcus说，“他们依赖大数据，因为这是他们的精神寄托，但是，没有任何证据表明，仅仅靠这些就能让技术真正达到必须达到的精确度。”
如果人工智能不能成为自动驾驶解决问题的助推器，那么在技术领域的确暂时还找不到更好的解决方案。不过，对于依然面临无法解决的道德困境和法律陷阱的自动驾驶来说，技术上走得慢一点，也许不一定是坏事。
閱讀更多 極車製造 的文章
