近日，全球人工智能專家吳恩達（Andrew Ng）表示，制造可靠自動駕駛汽車的最快方法是在行人方面采取完善措施，而不單是汽車。他說：“我們想告訴人們的是，請遵守法規，請考慮周全。”在無人駕駛汽車短暫歷史上的敏感時期中，吳恩達的言論引起了人工智能社區的熱議，專家們有的批評，有的贊同。
在過去的幾個月里，自動駕駛汽車曾卷入了幾起事故，其中，有一輛自動駕駛汽車導致了行人死亡。大多數研究人員和人工智能專家都認為，無人駕駛汽車還沒有取得足夠的進展，以至于能夠讓自動駕駛汽車在街上行駛，尤其是在沒有額外人類駕駛員監督其的情境下。而如果有人類駕駛員監督無人駕駛汽車，在出現問題時，人類會及時調整方向盤。
這正是爭議的核心點。無人駕駛汽車將在何時上路、轉型時期的樣態以及如何應對自動駕駛的挑戰，人們在這些問題的觀點上存在很大的分歧。
一、無人駕駛汽車如何理解周圍的世界
為了讓車輛能夠自行駕駛，無人駕駛汽車需要像人類司機一樣了解周圍的世界，它們就可以在街道上行駛，在停車標志和交通燈處停下來，避免撞上其他車輛和行人等障礙物。
計算機視覺是使汽車能夠感知周圍環境的核心技術，這是人工智能的一種分支，其使軟件能夠理解圖像和視頻的內容。由于深度學習的進步，現代計算機視覺已經取得了長足的進步，這使得它能夠通過檢查和比較數以百萬計的例子，并利用定義每個物體的視覺模式來識別圖像中的不同物體。
雖然對分類任務特別有效，但深度學習受到嚴重限制，并且可能以不可預知的方式失敗。這意味著你的無人駕駛汽車可能會撞上一輛卡車，或者更糟糕的是，意外撞上了行人。目前在自動駕駛汽車中使用的計算機視覺技術也很容易受到攻擊，黑客能夠以控制人工智能輸入端的方式來迫使其犯錯。例如，研究人員已經證明，黑客可以“欺騙”自動駕駛汽車，阻止自動駕駛汽車以貼標簽的方式來識別停車標志。
有一天，人工智能和計算機視覺技術可能會發展到足夠完善的階段，以避免出現無人駕駛汽車目前所犯的不穩定錯誤。但我們不知道這個時間節點會在什么時候到來，而在那之前，這個行業對該做什么也存在分歧。
二、改進無人駕駛汽車的計算機視覺技術
特斯拉公司的觀點認為，其可以克服人工智能的局限，通過向自動駕駛汽車輸入更多的數據，從而為自動駕駛汽車提供動力。這種認知是基于一種一般規律：即為深度學習算法提供的質量數據越多，它們在執行特定任務時就越好。
特斯拉已經為其車輛配備了一系列傳感器，并盡可能從這些傳感器收集數據。這一數據使該公司能夠不斷地對其人工智能進行訓練，這些數據來自數十萬輛特斯拉汽車，它們在世界各地的不同地區行駛。其理由是，隨著人工智能技術的改進，特斯拉可以向所有車輛推出新的更新，并使其更好地執行自動駕駛功能。該模式的好處是，它可以被打包成一個消費者級的出行工具。它不需要額外的、昂貴的硬件附加在汽車上。
網易智能原文配圖
他們也有機會通過“影子駕駛（shadow driving）”訓練其人工智能，在這種情況下，人工智能被動地監控司機的決定，并對其在自動駕駛模式下的類似情況下的行為進行權衡，只要計算機視覺問題可以用更多的數據和更好的訓練來解決，這一切都是可行的。
一些科學家認為，我們需要考慮人工智能技術，不僅僅局限在深度學習和神經網絡。在這種情況下，特斯拉將需要重組專門的人工智能硬件，以支持其車輛的自動駕駛功能。
三、為自動駕駛汽車配備輔助技術
另外兩家在自動駕駛技術上投入巨資的公司是谷歌和Uber，其利用多種技術來彌補無人駕駛汽車在計算機視覺方面的缺陷。其中最主要的是“激光雷達（lidar，light detection and ranging）”。
激光雷達是一個不斷發展的領域，不同的公司正在使用不同的技術來執行其功能。激光雷達的專利和知識產權一直是谷歌和Uber之間長期法律斗爭的核心，今年早些時候，谷歌與Uber達成了2.45億美元的和解協議。簡單來說，激光雷達的工作原理是將數百萬的激光脈沖發送到稍微不同的方向，以創造出圍繞著汽車區域的3D圖像，基于脈沖到達一個物體并返回的時間不同。這是你在一些自動駕駛汽車上看到的部件（不是所有的激光雷達都是這樣的，但它已經成為了這個行業的標志）。
除了激光雷達，這些公司還利用雷達探測汽車周圍的不同物體，并評估交通和路況。所有這些技術的加入使得此類汽車的裝備比特斯拉的計算機視覺要好得多。
然而，這并不能使他們的技術完美無缺。事實上，在今年早些時候，登上新聞頭條的一場事故就涉及一輛自動駕駛模式的Uber汽車。
此外，谷歌和Uber的做法使得在公路上部署無人駕駛汽車的成本變得更高，也更加困難。谷歌和Uber已經用其自動駕駛技術行駛了數百萬英里的路程，并從公路上收集了大量數據，此外，把所有的裝備都加到一輛車中的花費是高昂的。單是激光雷達的成本就在7000美元到85000美元之間，而它們的外形也不是很吸引人。再加上所有其他傳感器和設備的成本，這些設備必須在生產后附加在汽車上，這使得汽車成本可能會增加一倍或兩倍。
如果科學家們能夠破解計算機視覺的密碼，并創造出能夠理解周圍世界的人工智能，并能像人類司機那樣理解周圍的世界，那么特斯拉將成為這場競賽的贏家，因為其已經擁有了大量的數據，而且它所需要做的就是推出一個新的更新，所有的汽車都將神奇地完成近乎完美的自動駕駛。
另一方面，如果目前的狹義人工智能的發展趨勢無法與人類司機相提并論，那么谷歌和Uber將成為贏家——如果他們設法降低激光雷達和其他無人駕駛汽車設備的成本的話。接著，汽車制造商可能會采取行動，為他們的汽車配備自動駕駛技術，而不會大幅提高成本。
四、通過規范行人來推進自動駕駛發展
專家們認為，問題不在于自動駕駛汽車不起作用，而是人們的行為不可預測，而自動駕駛汽車的捷徑在于為行人制定相關的行為準則。
這基本上意味著，如果你在馬路上行走，自動駕駛汽車撞到你，那是你自己的錯。在極端情況下，這實際上會把汽車變成火車，即如果行人自己站在鐵路上，他們需要對自身發生的任何事情負責。為行人制定嚴格的行為準則，限制他們在道路上的行動，肯定會讓環境變得更加可預測，也能讓自動駕駛汽車更容易駕駛。
但并不是所有人都相信這一觀點，許多人對此提出了質疑，其中包括紐約大學教授Gary Marcus（加里馬庫斯），他說改變人類行為的方法只會“移動目標的位置”。
另一位人工智能和機器人技術的傳奇人物Rodney Brook(羅德尼·布魯克斯）也持有不同觀點。他說：“自動駕駛汽車的偉大承諾是，它們將消除交通死亡。”他還補充道，“只要所有人都接受過培訓，改變他們的行為，他們就能消除交通死亡的影響？”如果我們能如此輕易地改變人類的行為，這意味著，我們就不需要自動駕駛汽車來消除交通死亡。
但是吳恩達并不認為移動目標的位置是一個荒謬的想法，他認為人類歷史上傾向于讓自身適應新技術，就像他們對待鐵路一樣。無人駕駛汽車也會發生同樣的情況。
無論如何，做出妥協可能有助于在技術進一步發展和自動駕駛汽車成為常態的情況下，實現平穩過渡。這種妥協介于兩者之間，前者是完全智能的汽車，能夠對每一種可能的情況做出反應，比如一個行人突然跳到街道中間，后者是一個鐵路風格的環境，在那里，行人在自動駕駛汽車行駛的區域移動是被禁止的。
五、為自動駕駛汽車改造城市基礎設施
另一個應對無人駕駛汽車挑戰的解決方案是修復他們將要運營的道路和環境。
這也有先例。例如，隨著汽車的出現，公路的升級和設計都適合于快速行駛的車輛。隨著飛機的出現，機場被創造出來。在自行車很受歡迎的城市，自行車專用道是分開的。
那么，無人駕駛汽車的基礎設施是什么呢？來自愛丁堡商學院的學者在《哈佛商業評論》的一篇文章中提出，為自動駕駛汽車創造智能環境。目前，無人駕駛汽車無法與自己的環境互動，他們所學習的一切都來自于他們的傳感器、激光雷達、雷達和視頻源。通過將物聯網（IoT）元素整合到道路、橋梁和城市基礎設施的其他組件中，我們可以讓它們更容易被自動駕駛汽車所理解。例如，在道路兩側或中間的特定間隔安裝傳感器，可以幫助無人駕駛汽車找到自己的極限，無論道路是否暢通，或覆蓋著積雪或泥漿，或埋在兩英寸深的洪水之下。傳感器還可以為自動駕駛汽車提供有關路況和天氣狀況的信息，比如道路是否很滑，需要更謹慎的駕駛。
無人駕駛汽車還需要能夠與附近的其他手動或自動駕駛汽車進行機器到機器（M2M，machine-to-machine）的通信。這將幫助其協調動作，更準確地避免碰撞。這種模式的挑戰之一是，汽車可以“活”幾十年。這意味著，今天生產的汽車仍將在2030年以后上路。因此，你不能指望每一輛車都配備傳感器和M2M能力。
而且，我們不能指望世界上所有的道路都能突然長出智能傳感器。
但無人駕駛汽車目前的數量非常有限，其可以配備技術來探測附近的智能傳感器，可以與傳感器進行互動，以提供更安全的體驗。如果無人駕駛汽車在環境中找不到任何標準的智能傳感器，它們就可以默認使用自己的本地設備來導航環境。
六、無人駕駛汽車何時會成為常態？
對于無人駕駛汽車能夠在街道上行駛的到來時間，有不同的估計，比如手動和半自動汽車。但很明顯，克服這些挑戰比我們最初想象的要困難得多。
我們的汽車有一天會變得足夠智能，能夠解決所有可能的情況。但這不會在一夜之間發生，而且可能會在不同的層面上采取幾個步驟和階段。
在此期間，我們需要能夠幫助平穩過渡的技術和實踐，直到我們擁有能使我們的道路更加使用于自動駕駛汽車的安全行駛，我們的城市更清潔，我們的通勤成本更低廉。
（選自：thenextweb 作者：BEN DICKSON 編譯：網易智能 參與：nariiy）
電池網微信
