全自動駕駛汽車的夢想可能比我們想象的更加遙遠(yuǎn)。人工智能專家越來越擔(dān)心，我們可能需要等待幾年，甚至幾十年的時間，才能讓自動駕駛系統(tǒng)可靠地避免事故。隨著自我訓(xùn)練的系統(tǒng)逐漸學(xué)會應(yīng)對現(xiàn)實世界中的各種復(fù)雜狀況，像紐約大學(xué)的加里·馬庫斯（Gary Marcus）這樣的專家正在面臨意料之中的痛苦校準(zhǔn)，這種校準(zhǔn)時期有時被稱為“人工智能寒冬”。由此造成的延遲可能會給那些依靠自動駕駛技術(shù)的公司帶來災(zāi)難性后果，導(dǎo)致整整一代人都無法真正享受無人駕駛汽車帶來的便利。

如果你相信科技大佬的話，全自動駕駛汽車可能只需幾個月的時間就能實現(xiàn)。

2015年，伊隆·馬斯克（Elon Musk）預(yù)計特斯拉將在2018年發(fā)布全自動駕駛汽車。谷歌同樣如此。德爾福和MobileEye的四級系統(tǒng)目前定于2019年發(fā)布，Nutonomy也計劃于同一年在新加坡街頭部署數(shù)千輛無人駕駛出租車。通用汽車將在2019年投產(chǎn)全自動駕駛汽車，取消了方向盤，甚至不允許司機(jī)介入。

這些預(yù)測背后都是真金白銀的投入，他們都認(rèn)為可以借助軟件追上這股浪潮。

從表面上看，全自動駕駛似乎比以往任何時候都更貼近現(xiàn)實。Waymo已經(jīng)在亞利桑那州的公共道路上展開有限制的測試。特斯拉和許多其他模仿者已經(jīng)開始銷售功能有限的半自動駕駛套件，但需要在意外情況下依靠司機(jī)進(jìn)行干預(yù)。雖然發(fā)生了一些事故，有的甚至是致命事故，但只要系統(tǒng)不斷改進(jìn)，我們就會遵循這樣一條基本邏輯：人類距離完全無需人工干預(yù)的無人駕駛汽車不會太遠(yuǎn)。

然而，全自動駕駛汽車的夢想可能比我們想象的更加遙遠(yuǎn)。

人工智能專家越來越擔(dān)心，我們可能需要等待幾年，甚至幾十年的時間，才能讓自動駕駛系統(tǒng)可靠地避免事故。隨著自我訓(xùn)練的系統(tǒng)逐漸學(xué)會應(yīng)對現(xiàn)實世界中的各種復(fù)雜狀況，像紐約大學(xué)的加里·馬庫斯（Gary Marcus）這樣的專家正在面臨意料之中的痛苦校準(zhǔn)，這種校準(zhǔn)時期有時被稱為“人工智能寒冬”。由此造成的延遲可能會給那些依靠自動駕駛技術(shù)的公司帶來災(zāi)難性后果，導(dǎo)致整整一代人都無法真正享受無人駕駛汽車帶來的便利。

很容易理解汽車廠商為什么對無人駕駛技術(shù)持樂觀態(tài)度。在過去10年間，深度學(xué)習(xí)（一種使用分層機(jī)器學(xué)習(xí)算法從海量數(shù)據(jù)集中提取結(jié)構(gòu)化信息的方法）已經(jīng)在人工智能和科技行業(yè)取得了幾乎不可思議的進(jìn)步。它為谷歌搜索、Facebook News Feed信息流、會話式語音速記以及獲得世界冠軍的圍棋系統(tǒng)提供技術(shù)支持。在互聯(lián)網(wǎng)之外，我們使用深度學(xué)習(xí)來檢測地震，預(yù)測心臟病，標(biāo)記視頻流中的可疑行為，以及無數(shù)其他原本不可能實現(xiàn)的創(chuàng)新。

但深度學(xué)習(xí)需要具備大量的訓(xùn)練數(shù)據(jù)才能正常工作，幾乎包含算法可能遇到的每個場景。例如，谷歌圖片這樣的系統(tǒng)非常善于識別動物，只要有訓(xùn)練數(shù)據(jù)可以向其展示每種動物的樣子即可。馬庫斯將這種任務(wù)描述為“插值”，對所有標(biāo)記為“豹貓”的圖像進(jìn)行分析，并確定新圖片是否屬于該組。

工程師可以在數(shù)據(jù)來源和數(shù)據(jù)渠道上采取一些有創(chuàng)造力的做法，但某個具體算法所能施展的范圍仍然面臨嚴(yán)格限制。同樣一個算法需要首先看到成千上萬的豹貓照片才能識別這種動物——即使它查看過家貓和美洲虎的照片，并且知道豹貓介于兩者之間，仍然無濟(jì)于事。后一種過程被稱為“概括”，它需要的是一套不同的技能。

長期以來，研究人員認(rèn)為他們可以通過正確的算法提高概括能力，但最近的研究表明，傳統(tǒng)深度學(xué)習(xí)技術(shù)的概括能力并沒有我們想象的那么強(qiáng)大。一項研究發(fā)現(xiàn)，傳統(tǒng)的深度學(xué)習(xí)系統(tǒng)甚至難以歸納一段視頻不同幀上的內(nèi)容，在背景發(fā)生細(xì)微變化時，同一個北極熊會被分別標(biāo)記為狒狒、貓鼬或黃鼠狼。由于每個分類都結(jié)合了數(shù)百個因素，因此，即使是圖片發(fā)生的微小變化也可以完全改變系統(tǒng)的判斷，而其他研究人員也曾經(jīng)在對抗數(shù)據(jù)集中利用這一缺陷。

馬庫斯指出，聊天機(jī)器人熱潮是通用人工智能最近遭遇挑戰(zhàn)的一個顯著例子?！拔覀冊?015年對聊天機(jī)器人技術(shù)做出承諾，”他說，“但它們沒有實現(xiàn)進(jìn)步，因為問題并不僅僅是收集數(shù)據(jù)?！?/p>

當(dāng)你在網(wǎng)上與一個人交談時，你不僅僅想要他們重新討論之前的對話。你希望他們回應(yīng)你所說的話，利用更廣泛的會話技巧來產(chǎn)生有針對性的回應(yīng)。深度學(xué)習(xí)無法制作那種聊天機(jī)器人。一旦最初的熱潮消退，企業(yè)就對他們的聊天機(jī)器人項目失去了信心，很少有企業(yè)仍在積極開發(fā)這種技術(shù)。

這也導(dǎo)致特斯拉和其他無人駕駛汽車公司面臨一個可怕的問題：自動駕駛汽車能像圖片搜索、語音識別和其他人工智能領(lǐng)域的成功故事那樣越來越好嗎？或者，它們會遇到聊天機(jī)器人那樣的歸納問題嗎？無人駕駛汽車究竟是插值問題還是歸納問題？駕駛有多么難以預(yù)測？

想在現(xiàn)在回答這個問題可能還有些為時尚早?！盁o人駕駛汽車就像一個我們不知道答案的科學(xué)實驗，”馬庫斯說。我們以前從未達(dá)到這種級別的自動駕駛，所以我們不知道它是什么類型的任務(wù)。在某種程度上講，它的作用是識別熟悉的對象和遵循規(guī)則，現(xiàn)有技術(shù)應(yīng)該可以完成任務(wù)。

但馬庫斯擔(dān)心，在事故多發(fā)的情況下駕駛可能比行業(yè)所認(rèn)為的要復(fù)雜得多。“從出人意料的新事物出現(xiàn)的數(shù)量來看，這對于深度學(xué)習(xí)來說并不是一件好事。”

我們的實驗數(shù)據(jù)來自公共交通事故報告，每個報告都透露出一些不尋常的擔(dān)憂。2016年的一場致命車禍導(dǎo)致Model S全速撞向白色半掛車后部，原因是半掛車底盤過高，加之太陽光明亮的反射導(dǎo)致系統(tǒng)誤判。

3月份，當(dāng)一名女士推著自行車橫穿馬路時被撞身亡，肇事車輛是一輛Uber無人駕駛汽車。根據(jù)美國國家運(yùn)輸安全委員會的報告，Uber的軟件錯誤地將該女性識別為一個未知物體，然后識別為一輛車，最后識別為一輛自行車。在加州的一次交通事故中，Model X在發(fā)生事故之前轉(zhuǎn)向隔離墩并加速行駛，但事故原因目前仍未查明。

每次事故似乎都是一個邊緣案例，工程師無法提前做出預(yù)測。但幾乎所有的車禍都涉及某種不可預(yù)見的情況，如果沒有概括能力，自動駕駛汽車在面對每一個情景時都像是第一次遇到這種情況一樣。結(jié)果將會引發(fā)一連串的事故，但這些事故不會隨著時間的推移而減少，危險性也不會因此而降低。對于持懷疑態(tài)度的人來說，相關(guān)統(tǒng)計報告這種情況已經(jīng)發(fā)生，技術(shù)已經(jīng)到達(dá)平臺期。

百度前高管、Drive.AI董事會成員吳恩達(dá)是無人駕駛行業(yè)最杰出的推動者之一，他認(rèn)為問題不在于建立一個完美的駕駛系統(tǒng)，而在于訓(xùn)練旁觀者預(yù)測無人駕駛汽車的行為。換句話說，我們可以為汽車提供安全的道路，而不是為道路提供安全的汽車。我問他是否認(rèn)為現(xiàn)代系統(tǒng)能在從未見過的情況下識別彈簧單高蹺上的行人。“我認(rèn)為許多無人駕駛汽車團(tuán)隊可以識別人行橫道上使用彈簧單高蹺的行人?！眳嵌鬟_(dá)說?！霸掚m如此，在公路中間使用彈簧單高蹺是非常危險的?！?/p>

“我們應(yīng)該與政府合作，要求人們采用合法行為，并體諒各種難處，而不是用人工智能來解決彈簧單高蹺問題，”他說。“安全不僅僅與人工智能技術(shù)的質(zhì)量有關(guān)?！?/p>

深度學(xué)習(xí)不是唯一的人工智能技術(shù)，公司已經(jīng)在探索替代方案。雖然技術(shù)在行業(yè)中受到嚴(yán)密保護(hù)（看看Waymo最近針對Uber發(fā)起的訴訟就知道了），但許多公司已經(jīng)轉(zhuǎn)向基于規(guī)則的人工智能，這是一種比較老套的技術(shù)，可以讓工程師將特定的行為或邏輯硬編碼到無人駕駛系統(tǒng)中。它無法通過研究數(shù)據(jù)來決定自己的行為，但這恰恰是深度學(xué)習(xí)如此令人興奮的原因。

然而，這卻能幫助企業(yè)避開深度學(xué)習(xí)所面臨的一些局限性。但由于深度學(xué)習(xí)技術(shù)仍然深刻地影響了“感知”這項基本任務(wù)，因此很難判斷工程師會如何成功隔離潛在的錯誤。

Lyft董事會成員、風(fēng)險投資家Ann Miura-Ko表示，她認(rèn)為問題的一部分是對自動駕駛汽車本身的期望過高，將任何無法實現(xiàn)全自動駕駛的產(chǎn)品歸類為失敗。Miura-Ko說：“我認(rèn)為所有這些細(xì)微的進(jìn)步都是實現(xiàn)全自動駕駛的非凡特征?！?/p>

不過，目前還不清楚自動駕駛汽車會在目前這種狀態(tài)保持多長時間。像特斯拉Autopilot這樣的半自動產(chǎn)品已經(jīng)足夠智能，可以處理大多數(shù)情況，但如果發(fā)生難以預(yù)測的事情，仍然需要人為干預(yù)。當(dāng)出現(xiàn)問題時，很難判斷究竟應(yīng)該歸咎于汽車還是司機(jī)。某些評論家認(rèn)為，這種混合模式的安全性也有可能低于人類駕駛員，即使很難將錯誤完全歸咎于機(jī)器。

蘭德公司（Rand Corporation）的一項研究估計，自動駕駛汽車必須在沒有致命事故的情況下行駛2.75億英里才能證明它們和人類駕駛員一樣安全。與特斯拉Autopilot相關(guān)的第一起致命事故大約發(fā)生在該項目推進(jìn)了1.3億英里的時候，遠(yuǎn)遠(yuǎn)低于上述標(biāo)準(zhǔn)。

但將深度學(xué)習(xí)融入汽車的識別和響應(yīng)系統(tǒng)之后，改善事故率可能比表面看起來更加困難。“這不是一個容易被孤立出來的問題，”杜克大學(xué)教授瑪麗·卡明斯（Mary Cummings）特意提到是今年早些時候發(fā)生的Uber撞死行人事故?！案兄獩Q定周期通常是環(huán)環(huán)相扣的，就像那起行人死亡事故一樣。決策是基于模糊的感知做出的，而且因為通過傳感器得到了太多錯誤的警報，所以才關(guān)閉了緊急制動功能?！?/p>

此次事故導(dǎo)致Uber今年夏天暫停無人駕駛汽車計劃，對其他公司的計劃來說，這也成了一個不祥之兆。

在整個行業(yè)中，企業(yè)都在競相收集更多數(shù)據(jù)來解決問題，因為他們都認(rèn)為，誰擁有的數(shù)據(jù)最多，誰就將開發(fā)最強(qiáng)大的系統(tǒng)。但早期企業(yè)看到數(shù)據(jù)問題時，馬庫斯卻看到了更難解決的問題。

“他們只是使用自己所擁有的技術(shù)，希望它能發(fā)揮作用，”馬庫斯說?！八麄兌家揽看髷?shù)據(jù)，因為這是他們的拐杖，但沒有任何證據(jù)表明你的精確度能夠達(dá)到我們的要求?！?/p>