图灵汇官网

自动驾驶汽车的前景与挑战

近年来，科技巨头们纷纷声称，全自动驾驶汽车很快就能成为现实。2015年，特斯拉CEO伊隆·马斯克曾预测特斯拉将在2018年推出全自动驾驶汽车。谷歌及其他公司也纷纷效仿。德尔福和Mobileye计划在2019年推出四级自动驾驶系统，Nutonomy则计划在新加坡部署无人驾驶出租车。通用汽车也计划在同年推出全自动驾驶汽车，取消方向盘，彻底解放司机。

这些预测的背后是巨额的投资。各大公司希望通过软件技术来实现这一目标。从表面上看，全自动驾驶似乎比以往任何时候都更接近现实。Waymo已经在亚利桑那州进行了有限制的公共道路测试。特斯拉和其他公司也开始销售带有半自动驾驶功能的汽车，但在紧急情况下仍需司机介入。尽管发生了一些事故，但系统不断改进，人们普遍认为全自动驾驶汽车即将成为现实。

然而，全自动驾驶汽车的梦想可能比我们想象的更加遥远。人工智能专家担心，我们需要等待数年甚至数十年，才能使自动驾驶系统可靠地避免事故。随着系统逐步适应现实世界的复杂情况，一些专家如纽约大学的加里·马库斯认为，自动驾驶技术可能面临重大挑战。这可能导致那些依赖自动驾驶技术的公司遭受重大损失，甚至阻碍整整一代人享受到无人驾驶汽车带来的便利。

自动驾驶汽车的发展离不开深度学习技术的进步。过去十年，深度学习已经在人工智能领域取得了巨大进展，被广泛应用于谷歌搜索、Facebook信息流、语音识别等众多领域。然而，深度学习需要大量训练数据才能有效工作。例如，谷歌图片系统能够识别动物，前提是它拥有足够的训练数据。但这种能力仅限于“插值”，即对已知数据进行分析和识别，而“概括”能力，即对未知数据进行推理和判断，则需要不同的技术。

马库斯指出，聊天机器人热潮是人工智能面临的挑战之一。虽然聊天机器人技术曾一度受到追捧，但最终因技术局限而未能取得突破。同样，自动驾驶汽车也可能面临类似问题。深度学习系统在处理复杂场景时表现不佳，特别是在背景变化较小的情况下，系统可能会将同一对象识别为不同的类别。这种局限性使得自动驾驶汽车在面对未知情况时显得力不从心。

特斯拉和其他公司正面临着一个严峻的问题：自动驾驶汽车能否像其他人工智能领域一样取得成功？或者，它们是否会陷入类似聊天机器人那样的困境？驾驶环境的复杂性和不可预测性使得这一问题变得更加棘手。马库斯认为，我们尚不清楚自动驾驶汽车究竟是一种插值问题还是归纳问题。尽管现有技术在识别熟悉对象和遵循规则方面表现出色，但在处理复杂和不可预见的情况时，仍存在诸多挑战。

自动驾驶汽车的事故频发也引发了人们的担忧。例如，2016年特斯拉Model S在明亮的阳光下误判了白色半挂车的底盘，导致了致命事故。Uber的无人驾驶汽车也曾发生过致人死亡的事故，系统未能正确识别行人。这些事故表明，自动驾驶汽车在处理意外情况时仍存在缺陷，这可能会影响其安全性。

百度前高管、Drive.AI董事会成员吴恩达认为，问题的关键不在于建立一个完美的驾驶系统，而在于训练旁观者预测无人驾驶汽车的行为。他强调，安全不仅与人工智能技术的质量有关，还与人类的行为和法律规范密切相关。因此，除了技术本身，还需要政府和社会的支持与配合。

深度学习并非唯一的人工智能技术，许多公司正在探索替代方案。虽然技术在行业中受到严密保护，但基于规则的人工智能技术也逐渐受到重视。这种技术可以让工程师将特定行为或逻辑硬编码到无人驾驶系统中，从而规避深度学习的一些局限性。然而，这并不意味着深度学习在未来不再重要。相反，它仍然在“感知”这一基本任务中发挥重要作用。

Lyft董事会成员、风险投资家Ann Miura-Ko认为，人们对自动驾驶汽车的期望过高，将任何无法实现全自动驾驶的产品视为失败。她认为，任何细微的进步都是实现全自动驾驶的重要特征。但目前还不清楚自动驾驶汽车将在当前状态维持多久。特斯拉Autopilot等半自动驾驶系统已经足够智能，可以处理大多数情况，但仍需人为干预。当出现问题时，很难判断责任归属。

兰德公司的一项研究估计，自动驾驶汽车必须在没有致命事故的情况下行驶2.75亿英里才能证明它们与人类驾驶员一样安全。特斯拉Autopilot相关的首起致命事故发生在1.3亿英里的时候，远未达到上述标准。将深度学习技术融入汽车的识别和响应系统后，改善事故率可能比预期更加困难。

整个行业中，企业都在竞相收集更多数据来解决问题，因为他们认为，谁拥有的数据最多，谁就将开发出最强大的系统。但早期企业看到数据问题时，马库斯却看到了更难解决的问题。他指出，企业仅仅依赖现有的技术，希望它能发挥作用，而没有足够的证据证明其精确度能达到要求。

综上所述，尽管自动驾驶汽车技术取得了显著进展，但要实现真正的全自动驾驶仍面临诸多挑战。未来，技术的进步和社会的配合将是关键。