利用机器学习所实现的自动驾驶，能否从容应对路况的多变和复杂性？
一般来讲，传统软件是无法对相机图像进行分析处理，而机器学习算法可以通过对大量样本的处理，生成一个可以解决特定问题的数学模型。工程师会告诉计算机什么是停车标识，什么不是。机器学习算法会将这些图像在模型中运算一遍，以分辨出包含有停车标识的图像。
但所有的归纳式学习，在遇到新的情境时，都有一定的潜在失效风险。比如，我们在高速公路上让车辆进行测试学习，而汽车走到市区道路，忽然看见一辆自行车，岂不是会让它不知所措？
卡内基梅隆大学的计算机科学家Koopman认为：人们能用来训练算法的事件是有限的。而如果使用近似数据对算法训练测试太多的话，机器学习可能会形成特定的模式，从而使得应用受局限。
另一大挑战是，当系统遇到诸如雨雾、扬尘等视线不佳天气状况时，算法的辨识能力是否会受到影响。在 2013 年的一次研究中发现，改变图像中的某一像素块，肉眼是看不出任何变化，但却能影响算法判断能力。
Koopman 还认为，汽车公司还可能因为研发时限与研发成本的限制，对车辆的安全性指标放宽要求。比如1986年 NASA 的挑战者事故，正是因为忽视了一些风险因素才导致了航天飞机在升空 73 秒后发生了爆炸，造成了 7 名宇航员身亡。
如果智能汽车在判断自己无法处理突发情况时，马上通知人类接管，又是否来得及呢？
当然，通过一些非技术的手段，可以规避部分可能发生的突发情况，比如人车道路分离，最大程度避免行人、自行车等对汽车道路的影响。要想让自动驾驶变得安全，除了技术的因素，还需要很多外围的协同方案。无论如何，这个趋势是不可避免的。
分享到:
閱讀更多 車尚生活 的文章
