自動(dòng)駕駛的發(fā)展，既不像大眾期待的那種“一步跨進(jìn)自動(dòng)化”，也不像唱衰者眼中那么凄風(fēng)苦雨，要等數(shù)十年才能信任AI駕駛。在振蕩中前進(jìn)，才是AI進(jìn)入生活最真實(shí)的樣子。

市場(chǎng)運(yùn)力嗷嗷待哺，科技公司和汽車(chē)廠商們前赴后繼揮金如土，無(wú)人車(chē)路測(cè)也早已不是什么新鮮事，但自動(dòng)駕駛的到來(lái)卻沒(méi)有想象中那么一蹴而就。至少這兩年，它的煩心事還挺多。

在美國(guó)無(wú)人車(chē)政策最友好的亞利桑那州，兩年間就發(fā)生了至少21起民眾騷擾自動(dòng)駕駛車(chē)輛和安全員的事件，甚至還有人持槍嚇唬安全員，要求無(wú)人車(chē)滾出街區(qū)。

之所以犯了眾怒，根本原因還是技術(shù)性失敗太多了。數(shù)據(jù)顯示，2014-2018年，加州自動(dòng)駕駛事故的發(fā)生率連年增長(zhǎng)，谷歌Waymo、通用Cruise、蘋(píng)果、TRI（豐田研究所）、Drive.ai、UATC（Uber）等巨頭一個(gè)都沒(méi)能幸免。

縱然謹(jǐn)小慎微，依舊動(dòng)輒得咎，無(wú)人車(chē)表示心里很苦。

經(jīng)過(guò)數(shù)年的發(fā)展，自動(dòng)駕駛的感知技術(shù)已經(jīng)取得了長(zhǎng)足的發(fā)展，高精度傳感器和攝像頭早就是標(biāo)配。技術(shù)困境中的自動(dòng)駕駛，恐怕需要一個(gè)更天秀的決策系統(tǒng)，來(lái)挽救自己日漸失去的人心。

而最近，這個(gè)救世英雄好像真的出現(xiàn)了。

防無(wú)人車(chē)甚于防川？

自動(dòng)駕駛的老問(wèn)題與新解法

從加州機(jī)車(chē)輛管理局（DMV）剛剛披露的《2018年自動(dòng)駕駛接管報(bào)告》中，我們可以得出一個(gè)基本結(jié)論：

自動(dòng)駕駛初級(jí)階段的基本矛盾，是人民日益增長(zhǎng)的自動(dòng)化期待值同落后的無(wú)人車(chē)駕駛技術(shù)之間的矛盾。

事實(shí)證明，盡管原本對(duì)無(wú)人車(chē)認(rèn)路造成限制的空間感知能力已經(jīng)大大增強(qiáng)，也沒(méi)能幫助它們很好地適應(yīng)現(xiàn)實(shí)世界。這也就不能怪大眾對(duì)無(wú)人車(chē)上路沒(méi)啥好臉色了。

像是惡名昭著的“Uber 無(wú)人車(chē)事件”，就是在探測(cè)到行人的前提下，系統(tǒng)卻認(rèn)為當(dāng)前的位置不足以阻擋正常的駕駛行為，于是選擇了以61公里的時(shí)速繼續(xù)前進(jìn)，沒(méi)能留下足夠的反應(yīng)時(shí)間。

明明已經(jīng)在實(shí)驗(yàn)室里接受過(guò)“遇到障礙物主動(dòng)剎車(chē)”的培訓(xùn)了，但真正上路時(shí)，做出準(zhǔn)確而符合邏輯的判斷，對(duì)自動(dòng)駕駛汽車(chē)來(lái)說(shuō)依然是一件相當(dāng)有難度的事情。

“心太大”容易釀成事故，太“肉”也有可能成為眾矢之的。鳳凰城里，Waymo在每個(gè)有停車(chē)標(biāo)志的地方都會(huì)停車(chē)至少三秒鐘，讓排在它后面的人類(lèi)司機(jī)十分抓狂，沒(méi)少受市民的吐槽。

目前看來(lái)，能為自動(dòng)駕駛汽車(chē)挽尊的，只有風(fēng)控和效率兩手抓的決策系統(tǒng)了。

但遺憾的是，很多現(xiàn)實(shí)中人類(lèi)可以輕松處理的交通狀況，機(jī)器就是無(wú)法做出準(zhǔn)確、高效又足夠謹(jǐn)慎的判斷。因此，自動(dòng)駕駛在很長(zhǎng)一段時(shí)間內(nèi)，還要依靠人工操作來(lái)彌補(bǔ)系統(tǒng)智商與人類(lèi)期望之間的差距了。人工接管頻率也因此成為了評(píng)價(jià)自動(dòng)駕駛技術(shù)最重要的指標(biāo)。

根據(jù)DMV的報(bào)告，技術(shù)最出色的Waymo，平均跑17846.8公里才需要人工接管一次；而被吊銷(xiāo)了路測(cè)資格證的Uber，跑0.6公里就要被接管一次，這是想累死自家的安全員呀！

在一份谷歌提交的報(bào)告中，14個(gè)月的路測(cè)中自動(dòng)駕駛和汽車(chē)就有272次汽車(chē)主動(dòng)脫離無(wú)人駕駛狀態(tài)，還有69次安全員決定接過(guò)控制權(quán)。谷歌表示，如果沒(méi)有安全員的介入，無(wú)人車(chē)可能會(huì)發(fā)生13次交通碰撞事故。

在這種情況下，加州不得不規(guī)定，未來(lái)所有無(wú)人自動(dòng)駕駛汽車(chē)公司都要設(shè)立遠(yuǎn)程人工控制室，在意外情況時(shí)能夠接管汽車(chē)駕駛工作。

但如果以為只要有人類(lèi)接管就能萬(wàn)事大吉，那可就太天真了。且不論未來(lái)全靠人工來(lái)解決無(wú)人車(chē)的意外問(wèn)題，需要多么龐大的人工成本。就自動(dòng)駕駛汽車(chē)現(xiàn)在這智商，讓它獨(dú)自上路，就算能在云端看著也不放心啊。

治本的辦法，還是要讓無(wú)人車(chē)學(xué)會(huì)在沒(méi)有人類(lèi)干預(yù)的情況下完全自動(dòng)而安全地控制汽車(chē)。這可能嗎？

麻省理工和微軟最新的研究成果，就有可能讓系統(tǒng)在訓(xùn)練過(guò)程中就認(rèn)識(shí)并改正自己的錯(cuò)誤操作，從而在實(shí)際駕駛中能夠處理那些現(xiàn)階段只能由人來(lái)判斷的意外狀況。

人類(lèi)的新角色：

從幫無(wú)人車(chē)收拾爛攤子

到機(jī)器智能訓(xùn)練師

在最新的研究中，麻省理工和微軟提出了一個(gè)全新的自動(dòng)駕駛訓(xùn)練方式，來(lái)幫助無(wú)人車(chē)在遇到意外時(shí)做出更好的決策，而不是出事了才手把手地給它收拾爛攤子。

前期工作和傳統(tǒng)的訓(xùn)練方法一樣，研究人員對(duì)自動(dòng)駕駛系統(tǒng)進(jìn)行全方位的仿真訓(xùn)練，以便為車(chē)輛上路時(shí)可能遭遇的每一件事做好準(zhǔn)備。

不同的是，當(dāng)自動(dòng)駕駛汽車(chē)被部署到現(xiàn)實(shí)世界中運(yùn)行時(shí)，新的“認(rèn)知盲點(diǎn)訓(xùn)練”才剛剛開(kāi)始。在自動(dòng)駕駛測(cè)試車(chē)沿著預(yù)定的路線行駛時(shí)，人類(lèi)會(huì)時(shí)刻密切地監(jiān)視系統(tǒng)的行為，但核心任務(wù)并不是幫它救急，而是讓它觀察，在遭遇意外狀況時(shí)，人類(lèi)會(huì)怎么做。

如果汽車(chē)的行為是正確的，那人類(lèi)就什么也不做。如果汽車(chē)的行動(dòng)偏離了人類(lèi)行為，那么人類(lèi)就會(huì)接管過(guò)方向盤(pán)。此時(shí)，系統(tǒng)就會(huì)接收到一個(gè)信號(hào)，在這種特殊情況下，哪種才是可行的方案，怎樣的操作是不能被接受的。

通過(guò)收集系統(tǒng)發(fā)生或即將發(fā)生任何錯(cuò)誤時(shí)人類(lèi)的反饋數(shù)據(jù)，系統(tǒng)就有了一個(gè)人類(lèi)反饋行為清單。研究人員將數(shù)據(jù)結(jié)合起來(lái)生成的新模型，就可以更精確地預(yù)測(cè)出，系統(tǒng)最需要如何采取哪些正確的行動(dòng)方式。

值得注意的是，在這個(gè)訓(xùn)練過(guò)程中，系統(tǒng)可能會(huì)接受到很多個(gè)相互矛盾的信號(hào)。

比如在系統(tǒng)眼中，和一輛大型汽車(chē)并行巡航時(shí)不減速是完全OK的，但如果對(duì)方是一輛救護(hù)車(chē)的話，不減速就并行就會(huì)被判錯(cuò)誤。

高度相似的情境，人類(lèi)會(huì)做出截然相反的反應(yīng)。這種決策時(shí)的模糊地帶，也是目前自動(dòng)駕駛系統(tǒng)最容易犯錯(cuò)的地方，也是需要重新認(rèn)知的“盲點(diǎn)”。

為了解決這一問(wèn)題，MIT和微軟的研究人員使用了一種Dawid-Skene的機(jī)器學(xué)習(xí)算法。該算法會(huì)為系統(tǒng)的行為分別打上“可接受”和“不可接受”兩種標(biāo)簽，以此來(lái)判斷系統(tǒng)在處理每個(gè)情況時(shí)，決策策略究竟是“安全”還是出現(xiàn)了“盲點(diǎn)”，再以此優(yōu)化標(biāo)簽的可信度。

經(jīng)過(guò)反復(fù)測(cè)試，系統(tǒng)會(huì)記住遭遇過(guò)的模糊情境，并根據(jù)標(biāo)簽推算出一個(gè)“犯錯(cuò)比”概率。

舉個(gè)例子，如果系統(tǒng)在救護(hù)車(chē)情境中有10次執(zhí)行了9次正確的操作（減速/停車(chē)），那么就會(huì)將這種特殊狀況下的選擇標(biāo)記為是安全的。

簡(jiǎn)單來(lái)說(shuō)，搭載了“犯錯(cuò)比”的自動(dòng)駕駛系統(tǒng)，在人類(lèi)的幫助下建立了一個(gè)可供自己反思的“錯(cuò)題集”，面對(duì)往常容易出錯(cuò)的“認(rèn)知盲點(diǎn)”和模糊情境時(shí)，就可以調(diào)取出可被人類(lèi)所接受的行為方式，更加謹(jǐn)慎和明智地信息行動(dòng)。

人類(lèi)的一小步，自動(dòng)駕駛的一大步？

從實(shí)用性來(lái)看，該研究還面臨一些現(xiàn)實(shí)問(wèn)題。

比如說(shuō)一般情況下，不可接受的行為比可接受的行為少得多，這就意味著，通過(guò)概率計(jì)算訓(xùn)練出的系統(tǒng)，很可能在實(shí)際操作中預(yù)測(cè)所有情況都是安全的，這無(wú)疑是極其危險(xiǎn)的。

這種新的訓(xùn)練方式真正的潛力在于，憑借符合常識(shí)的操作，讓自動(dòng)駕駛有了更光明的前景。

首先，由于人類(lèi)的高度參與，自動(dòng)駕駛在真正上路之前，能夠很好地預(yù)測(cè)在新的情況下可能會(huì)采取不正確的行動(dòng)。過(guò)去，這些只能被動(dòng)地等待安全員或云端人員處理。

正如賓夕法尼亞大學(xué)教授Eric Eaton所說(shuō)的那樣，“這項(xiàng)研究讓機(jī)器智能和現(xiàn)實(shí)世界之間的不匹配來(lái)到了一個(gè)轉(zhuǎn)折點(diǎn)，直接從人類(lèi)對(duì)系統(tǒng)行為的反饋中推動(dòng)機(jī)器智能的進(jìn)步。”

另一方面，“人工”+“智能”的解決方案，也破除了造成“AI具有超能力”這一錯(cuò)覺(jué)的伊萊扎效應(yīng)（Eliza effect）。在一些復(fù)雜多變的現(xiàn)實(shí)世界中，人類(lèi)處理“盲點(diǎn)”的能力遠(yuǎn)比AI更出色。

這有助于將自動(dòng)駕駛從過(guò)度樂(lè)觀和過(guò)度悲觀的兩種極端情緒拉回到中間狀態(tài)。

于是我們知道，自動(dòng)駕駛的發(fā)展，既不像大眾期待的那種“一步跨進(jìn)自動(dòng)化”，也不像唱衰者眼中那么凄風(fēng)苦雨，要等數(shù)十年才能信任AI駕駛。

在振蕩中前進(jìn)，才是AI進(jìn)入生活最真實(shí)的樣子。