現在來談論全自動駕駛的實現時間表確實還為時過早，對此，Marcus 的觀點是：“無人駕駛汽車就像一個我們不知道答案的科學實驗。”事實上，人類以前從未在這個智能級別上實現過單獨的機器駕駛行為，所以很難清晰地劃分出它到底是什麼類型的任務。在某種程度上，它是關於識別一些熟悉的對象和遵循一些既定的規則，理論上講，現有的技術儲備應該可以完成這件任務。但是，在極易發生事故的場景下保證安全的駕駛狀態可能比汽車行業想要承認的要複雜得多，“就整個過程中陌生事物發生的程度來說，對於深度學習來說絕不是一件好事。”
如果我們翻閱一下現有的自動駕駛的事故報告，你會發現，每個事故似乎都提供了一些不尋常的信息。2016年那場致命的車禍中，Tesla Model S全速與白色拖車的後部相撞，拖車的行駛高度以及太陽光的反射等問題讓Tesla的自動駕駛系統出現了誤判。2018年3月份，著名的Uber車禍發生。根據美國國家運輸安全委員會（(NTSB, National Transportation Safety Board）的事故報告，Uber的軟件先錯誤地將事故中的受害者識別為一個未知物體，然後是一輛車，最後甚至將她識別為一輛自行車，不斷更新其判斷結果。而在加利福尼亞州最近的一次撞車事故中，由於尚未查明的原因，一輛Tesla Model X在發生碰撞之前竟然轉向障礙並加速。
看起來，每次事故似乎都是一個邊緣案例，工程師無法提前做出預測也是情理之中的事。但請不要忘記，幾乎所有的車禍都涉及某種不可預見的情況，如果系統不具備我們之前談到的“概括”能力，自動駕駛的車輛將不得不面對這些場景中的每一個，而每一個都將是系統的“第一次”。結果，隨著時間的推移，我們將會面對的是一連串越來越常見和越來越危險的“看上去偶然”的事故。
也許算得上這個世界上橫跨自動駕駛和人工智能兩個領域的最傑出的專家之一，吳恩達的觀點顯然是很值得仔細琢磨的。他認為，實際上更重要的問題並不在於建立一個多麼完美的駕駛系統，而在於訓練旁觀者去觀察和預測自動駕駛車輛本身的行為。換句話說，我們可以想辦法為這些汽車提供安全的道路，而不一定要寄希望於它們自己來完成這項工作。作為一個典型的不可預測的案例，他認為很多自動駕駛的技術團隊完全可以在人行橫道上處理好使用彈簧跳杆的行人，但如果在高速公路中間出現同樣的情況的確是非常危險的。
吳恩達認為，這個行業應該積極與政府合作，要求人們的行為更加合法並且能夠體諒自動駕駛系統在技術上的一些缺陷，而不是企圖通過人工智能來解決彈簧杆問題——“安全不僅僅與人工智能技術的質量有關。”
深度學習並不是唯一的人工智能技術，針對現階段出現的問題，很多公司其實已經開始在尋找替代方案。雖然同一行業中技術必然要受到嚴密保護（看看Waymo和Uber之間的官司就能有個大致的概念），但許多公司已經轉向“基於規則的人工智能”，這是一種相對過時的技術，可以讓工程師將特定的行為或邏輯硬編碼到另外的自導系統中，它所缺乏的是通過自我學習就能培養系統技能的能力，而這恰恰是現階段人工智能最令人興奮的一點。雖然這種技術的確可以在實踐中規避一些深度學習的侷限性，但由於深度學習技術仍然深刻地影響著對外感知的基本任務，因此很難說工程師如何能成功隔離一些潛在的錯誤。
作為Lyft董事會成員的Ann Miura-Ko表示，她認為有一部分問題是對自動駕駛汽車本身的過高期望，將任何不能完成完自動駕駛的行為歸類為失敗。Miura-Ko表示，“期望自動駕駛技術從零到第五級都很完美本身就是一種錯誤的預期而非技術上的失敗，所有的微小改進都是在為實現全自動駕駛鋪平道路。”
不過，從技術角度來看，目前還不知道自動駕駛技術會在現在這種狀態中徘徊多長時間。像特斯拉的自動駕駛系統這樣的產品其實至少在現階段已經足夠智能，系統可以處理大多數的狀況，如果發生過於不可預測的事情，還是需要人為干預。而當出現事故時，其實很難決定到底是車輛還是司機應該受到指責。對於一些持批評態度的人來說，即使很難將錯誤完全歸咎於機器，這種另外一種意義上的“混合動力”的方式可能比單純的人類駕駛員更不安全。蘭德公司的一項研究估計，自動駕駛汽車必須在沒有造成死亡的情況下行駛2.75億英里才能證明它們和人類駕駛員一樣安全——與特斯拉的自動駕駛技術相關的首次死亡事件大約經歷了1.3億英里的里程積累，遠遠低於這個標準。
但是，如果深度學習依然是汽車如何識別物體並決定對策的核心技術，降低事故率可能會比看起來更難。“這不是一個容易被孤立的問題，”杜克大學教授Mary Cummings表示，“感知與決定通常是閉環的，就像在Uber致行人死亡的事故中一樣，系統決定不採取任何行動是因為對於物體的感知過於模糊，而緊急制動被關閉是因為它從傳感器得到了太多的錯誤警報”。
那場災難性的事故最終導致了Uber從這個夏天開始暫停其關於自動駕駛的一切努力，對於即將推出自己的自動駕駛計劃的公司來說，這多少是個不祥之兆。在整個行業中，各個公司正在通過獲取更多的數據來推進技術的進階，而這一切都是基於擁有最多里程積累的公司將能夠構建最強大的技術系統這一前提。但在這些公司還在為數據問題操心的時候，Marcus卻看到了更難解決的問題。“他們只是希望手裡擁有的技術能夠真正地發揮作用。”Marcus說，“他們依賴大數據，因為這是他們的精神寄託，但是，沒有任何證據表明，僅僅靠這些就能讓技術真正達到必須達到的精確度。”
如果人工智能不能成為自動駕駛解決問題的助推器，那麼在技術領域的確暫時還找不到更好的解決方案。不過，對於依然面臨無法解決的道德困境和法律陷阱的自動駕駛來說，技術上走得慢一點，也許不一定是壞事。
閱讀更多 極車製造 的文章
