汽車何時能實現完全自動駕駛？——《華爾街日報》

如今，我們本應坐在自動駕駛汽車的駕駛座上放鬆身心，一邊追劇甚至小憩，一邊讓車輛安全地將我們送達目的地。

這是幾年前部分汽車行業高管和技術專家的預測。但在投入數十億美元研發資金後，自動駕駛技術遠未發展到能取代人類駕駛員的地步。

一些汽車公司和科技初創企業因此縮減了目標規模或延長了時間表。去年10月，福特汽車公司和大眾汽車集團關閉了旗下無人駕駛公司Argo AI，福特首席執行官吉姆·法利在季度財報電話會議上向分析師表示，開發自動駕駛汽車"還有很長的路要走"。

監管機構也在介入。去年12月，聯邦安全部門表示正在調查通用汽車公司旗下Cruise子公司，此前有報告稱其自動駕駛出租車導致多起追尾事故。特斯拉公司的駕駛輔助技術也牽涉多起事故。

國際自動機工程師學會（原美國汽車工程師協會）將自動駕駛技術分為五個等級。1級汽車配備車道居中技術或自適應巡航控制系統（可保持與前車的設定距離），2級汽車同時具備這兩種功能。這兩個級別（目前已廣泛普及）仍需駕駛員掌控車輛。

3級和4級汽車可以在有限條件下自動駕駛，例如在某些類型的道路和特定天氣條件下。5級車輛則能在任何道路、任何熟練駕駛員可駕駛的天氣條件下自主行駛。

《華爾街日報》邀請了三位專家討論自動駕駛汽車的未來：加州大學伯克利分校電氣工程與計算機科學教授Alexandre M. Bayen；卡內基梅隆大學電氣與計算機工程系教授Raj Rajkumar；以及諮詢公司埃森哲移動出行業務高級董事總經理Juergen Reers。

以下是我們在線對話的編輯摘錄。

人類級別的人工智能

**《華爾街日報》：**汽車是否終將達到5級自動駕駛水平，甚至可能取消方向盤和踏板？如果是，何時能實現？

**Reers先生：**這需要人類級別的人工智能，但目前尚無公認的理論能實現這一目標。只要沒有達到人類級別AI，自動駕駛的普及就會受限。

Alexandre M. Bayen 插圖：《華爾街日報》**Bayen教授：**對特定時間實現完全自動駕駛的承諾往往引發不切實際的期望，實際上自動駕駛的發展本質上是漸進式的。目前尚不清楚"隨時隨地完全自動化"是否是終極目標，市場會給出答案。

**拉傑庫馬爾先生：**事實上，這可能永遠無法實現——或者至少還需要許多年甚至幾十年。這超出了現有技術或可預見技術的能力範圍。不過，一些功能有限但非常實用的解決方案將很快得到部署。

**華爾街日報：**讓我們來討論一下5級以下自動駕駛汽車所需的技術。首先，在替代人眼的系統方面，如雷達、攝像頭、GPS和激光雷達（基於激光的系統，可生成車輛周圍車輛、結構、行人和道路的3D圖像），有哪些需要改進的地方？

**里爾斯先生：**總體而言，技術水平已經相當先進，但一個關鍵挑戰是成本。在高級別的自動駕駛中，需要高度的冗餘。將攝像頭、雷達和激光雷達系統與高清地圖和高計算要求相結合，會使4級自動駕駛汽車對個人使用來説過於昂貴。因此，我們預計這些車輛將作為班車使用，搭載多名乘客，理想情況下24/7全天候運行以分攤成本。

**拉傑庫馬爾先生：**有兩個截然不同的問題。首先，一些公司出於經濟原因只希望依賴攝像頭——由於智能手機攝像頭的普及、緊湊和廉價，最終系統將非常經濟實惠。不幸的是，在可預見的未來，僅使用攝像頭的視覺技術將無法匹配人眼加上人類神經處理的認知能力。

其次，激光雷達是關鍵部件，雖然成本在下降，但目前仍偏高。而雷達、超聲波和GPS的成本已完全在可接受範圍內。

**華爾街日報：**人工智能方面呢？批評者指出，與人類駕駛員不同，AI無法進行邏輯推理且缺乏直覺，過度依賴預設駕駛場景數據，難以應對陌生路況。

于爾根·雷斯 插圖：華爾街日報**雷斯先生：**AI是實現駕駛功能自動化的關鍵前提。但它無法覆蓋所有"邊緣案例"（如突然竄出的狗或工地車道偏移等非常規事件），因為它不具備推理能力和直覺。AI神經網絡通過所謂"模型盲擬合"來最小化誤差，這需要數百萬案例支撐。它無法像人類那樣通過少量數據學習。

**拉吉庫馬爾先生：**近期AI的重大進展使自動駕駛被完全視為AI問題，這是誤導！人類建立了龐大的民航體系、鐵路網絡、核電站和航天器，這些系統都具有不同程度的自主性，但都不依賴AI，而是基於科學的精妙工程。當前AI尚未達到構建自動駕駛汽車的水平，但它只是自動駕駛工具箱中的工具之一。

處理“邊緣案例”

**華爾街日報：**如何改進人工智能系統以應對那些未被編程處理、可能導致危險駕駛情況的“邊緣案例”？

拉吉·拉吉庫馬爾插圖：華爾街日報**拉吉庫馬爾先生：**當攝像頭觀察此類場景時，其對應的神經網絡可能無法正確檢測到它，特別是如果障礙物未包含在其AI訓練數據集中。當雷達或激光雷達觀察時，它們會檢測到障礙物，但可能不知道障礙物的類型。但車輛仍然知道存在某種障礙物——無論是孩子、狗、牛、貓、袋鼠，甚至是穿着滑稽服裝的行人——並且可以減速或停車。傳感器的冗餘是關鍵。依賴AI來處理無限數量的已知和未知場景和障礙物是行不通的。

**貝恩教授：**如果我們有足夠的經驗和數據來訓練神經網絡識別狗和貓，但沒有足夠的羊或牛的數據，我們會讓汽車在法國鄉村行駛嗎？

AI社區正在研究這些問題。被稱為遷移學習的領域專注於學習一組特定場景並將其應用於以前未知的環境。所以牛和羊可能有機會。

**華爾街日報：**人工智能也無法做到人類駕駛員的其他事情，比如解讀行人走下路沿時的肢體語言或面部表情，或是十字路口迎面而來車輛中司機的表情。技術未來能實現這些嗎？

拉傑庫馬爾先生：目前正在進行關於檢測人類意圖、解讀人類表情等方面的研究。然而，這些技術並非萬無一失。由於會得出錯誤結論，在可預見的未來，車輛很可能必須非常保守和謹慎。

**巴延教授：**貓、狗、羊和牛都可以被算法檢測為移動物體；機器視覺中的標準工具就能做到這一點。但它們的意圖呢？人類在許多方面建模和預測起來甚至更為複雜。

混合自主性領域（人類與機器互動）仍處於起步階段，因此全自動車輛與未知人類互動的能力仍是機器學習尚未完全解決的問題。

**里爾斯先生：**我同意自動駕駛汽車在識別和處理更復雜模式方面會有所改進。即使在今天，神經網絡在匹配數據集中的複雜模式方面已經出奇地好。但它們只是通過相關性做到這一點。相關性可能是虛假的。不應期望自動駕駛汽車模仿人腦。

福特和大眾於10月關閉了其無人駕駛汽車公司Argo AI。圖片來源：Justin Merriman/彭博新聞**華爾街日報：**自動駕駛技術能否應對諸如霧和大雪等模糊道路標記並遮擋車輛攝像頭鏡頭和傳感器的天氣條件？

**BAYEN教授：**傳感和執行將取得進展，將收集更多數據，車輛將學習並適應更多天氣條件。航空領域有一個很好的類比。歷史上，航空航天工程使得飛機越來越堅固。隨着時間的推移，飛機能夠穿越越來越危險的湍流。然而，存在一個由傳感和條件共同定義的“安全操作集”。保持在這個集合內對維護安全至關重要。

**RAJKUMAR先生：**傳感器公司和汽車製造商一直在研究各種方法來保持傳感器清潔。例如，將它們安裝在車內，安裝在車外的外殼內，使用加熱元件除冰和除雪，使用雨刷等。

更重要的問題是傳感器能否在不同天氣和光照條件下檢測到道路上的物體。這就是為什麼早期的機器人出租車部署在幾乎沒有雨雪的地區。這種情況再次表明需要冗餘傳感。攝像頭鏡頭可能會髒。然而，雷達仍然可以在惡劣天氣條件下工作，而激光雷達在中等雨雪天氣下也能很好地工作。

**瑞爾斯先生：**我認同傳感技術將取得重大進展，但在極端條件下仍存在侷限。我們需要在提升車輛技術的同時，平衡智慧城市基礎設施的升級，例如利用傳感器輔助交通信號燈、道路標識等。

基礎設施因素

**華爾街日報：**自動駕駛汽車與交通信號燈等基礎設施以及其他車輛間的通信有多重要？

**巴延教授：**只要安全關鍵事件檢測完全依賴車載系統，就需承受更嚴苛的審查和認證。若通過基礎設施集成實現部分功能，或能加速更高級別自動駕駛的部署。

**拉賈庫馬爾先生：**蜂窩車聯網技術（CV2X）將使車輛與配備相應設備的其他車輛、交通信號、路標、行人及雲端等進行通信。

這項投資的回報在於：車輛無需AI即可在數百米外（遠超計算機視覺5-10倍探測範圍）精確掌握交通燈狀態，還能提前獲取封路、車禍及前方擁堵等信息。

**瑞爾斯先生：**CV2X潛力巨大，但車企和地區間系統差異阻礙互操作性。因此建立標準是關鍵成功因素，此外CV2X基礎設施也需資金投入。

**華爾街日報：**考慮到當今汽車也會發生事故卻未被禁用，對自動駕駛安全性的要求是否過於嚴苛？

**拉賈庫馬爾先生：**我們已習慣人類引發車禍的概念，但由於自動駕駛是新事物，即便單起事故或死亡案例也會引發媒體和公眾的過度關注。迄今可能約有30例死亡事故，但與僅美國每年約4萬起高速公路死亡人數相比微不足道。這種對計算機完美的期望將提升自動駕駛技術安全性的責任壓在了開發者和研究者肩上。

**里爾斯先生：**法規必須嚴格以建立並維持信任，比傳統車輛更甚。不言而喻，監管不應限制創新，但我認為目前這並非關鍵挑戰。

齊格勒先生是《華爾街日報》前編輯。聯繫方式：[email protected]。