國外媒體刊文稱，包括特斯拉、谷歌和Uber在內的多家公司都在開發全自動駕駛技術。然而質疑者認為，由于現有人工智能技術的瓶頸，全自動駕駛汽車可能要花比預期中更長的時間才會面市。

以下為文章主要內容：

如果你相信公司CEO們的說法，那么也許會認為，一輛可完全自動駕駛汽車距離面市可能只有幾個月時間。

2015年，特斯拉CEO埃隆·馬斯克(Elon Musk)預測，到2018年，特斯拉將推出全自動駕駛汽車。谷歌也是如此。Delphi和MobileEye的Level 4自動駕駛系統目前計劃在2019年推出。同年，Nutonomy將在新加坡街道上部署數千輛無人駕駛出租車。通用汽車將于2019年投產一款全自動駕駛汽車，這款汽車沒有方向盤，也無法由人工干預。在這些預測背后，企業投入了真金白銀，并基于這樣的假設：軟件發展能趕得上表面上的熱鬧。

簡單來看，我們目前距離全自動駕駛已非常接近。Waymo已經在亞利桑那州公共道路上測試此類汽車。特斯拉和多家其他公司已銷售自動駕駛系統的基礎版本，這樣的系統在發生意外情況時仍然需要司機來干預。在這個過程中，發生了一些事故，有人喪生。但只要系統持續改進，邏輯不斷優化，我們就能做到完全不需要人工介入。

然而，全自動駕駛汽車可能比我們想象中更遠。人工智能專家越來越擔心，自動駕駛系統如果想要可靠地避免事故，那么可能需要幾年到幾十年的時間。自我訓練的系統需要面對現實世界的混亂，而紐約大學加里·馬庫斯(Gary Marcus)這樣的專家正準備調整原先的預期。有些時候，這也被稱作“人工智能的冬天”。技術發展的推遲可能會給指望自動駕駛技術的公司帶來災難性后果，讓整整一代產品無法實現完全的自動化。

我們可以很容易地理解，為什么汽車廠商對自動駕駛持樂觀態度。過去10年中，基于機器學習算法來處理大數據集的深度學習技術推動了人工智能和科技行業的巨大發展。深度學習被用于谷歌搜索、Facebook消息流、會話式的語音轉文本算法，以及強大的圍棋系統。在互聯網行業以外，我們利用深度學習技術來探測地震、預測心臟病，以及標記出攝像機鏡頭前的可疑行為。如果沒有深度學習，這一切都是不可能的。

然而，深度學習需要大量訓練數據才能正確工作，需要包含算法可能遇到的幾乎所有場景。例如，類似谷歌圖片的系統只要獲得足夠的訓練數據，告訴它每種動物長什么樣，那么就能很好地去識別動物。馬庫斯將此類任務稱作“插值”，即對所有已標記的圖片進行分析，判斷新圖片是否屬于某個群組。

在數據來源和結構方面，工程師可以很有創新性。然而，算法有自身的極限。除非預先向算法提供大量豹子的圖片，否則算法無法識別出什么是豹子，即使這個算法此前已經能識別家貓和美洲虎，并且知道豹子的長相介于兩者之間。這個過程被稱作“泛化”，需要完全不同的能力集。

很長一段時間以來，研究者認為，可以使用正確的算法來優化泛化能力，但最近的研究表明，傳統的深度學習在泛化能力方面甚至比我們想象中還要糟糕。研究發現，傳統的深度學習系統很難在一段視頻的不同幀之間進行泛化，例如由于背景的細微變化將同一只北極熊貼上了狒狒、貓鼬和黃鼠狼的標簽。由于每個分類都基于數百個因素的共同作用，因此圖片的微小改變就會完全改變系統判斷。其他研究員已經在對抗數據集中利用過這點。

馬庫斯指出，聊天機器人狂熱是關于泛化問題的最新例子。他表示：“2015年時，我們得到了關于聊天機器人的承諾。然而，這些聊天機器人表現得并不好，這并不僅僅是收集數據的問題。當你在網上和他人交談時，你不希望他們總是重復之前的話。你希望他們能對你的話做出回應，有更多樣的對話技巧，給你不同于他人的回應。深度學習技術并不能開發出這樣的聊天機器人。一旦最初的狂熱退去，企業就會對聊天機器人項目失去信心。目前，很少還有公司仍在積極開發聊天機器人。”

這就讓特斯拉和其他自動駕駛公司面臨一個可怕的問題：自動駕駛汽車能否與圖像搜索、語音識別和人工智能等其他成功應用類似，持續得到優化?它們是否會像聊天機器人一樣，遇到泛化問題?自動駕駛是插值問題還是泛化問題?駕駛過程中的不可預見性究竟有多少?

現在回答這些問題還為時過早。馬庫斯說：“無人駕駛汽車就像個科學實驗，我們不知道答案。”我們從來沒有實現過這種水平的自動駕駛，因此不知道這是種什么樣的任務。就識別熟悉的對象和遵循規則而言，現有的技術能很好地完成。然而馬庫斯擔心，在易發生事故的情況下很好地完成駕駛，這要比汽車行業想象中復雜得多。“關于如何處理意料之外的新東西，深度學習做得并不好。”

我們獲得的實驗數據來自公開的事故報告，所有這些報告都提供了一些不同尋常的細節。在2016年的車禍中，一輛特斯拉Model S全速撞向一輛白色半掛卡車的尾部。當時，半掛卡車的高度和明亮的陽光令自動駕駛系統發生誤判。今年3月，Uber的無人駕駛汽車撞到一名推著自行車的女性，當時后者突然橫穿馬路。根據美國交通運輸安全委員會(NTSB)的報告，Uber的軟件最開始將這名女性錯誤地識別為未知物體，隨后是一輛汽車，最終是一輛自行車。在加州的另一場事故中，一輛Model X朝著障礙物行駛，在碰撞前還在加速，系統這樣做的原因目前仍不清楚。

每場事故看起來都像是個邊緣案例，即工程師無法預料的情況。然而，幾乎每場事故都涉及了不可預見的場景。如果缺乏泛化能力，無人駕駛汽車將不得不一個又一個地學習新情況，而最終結果就是一連串的意外事故，且安全性無法隨時間推移得到改善。如果懷疑這個結論，那么可以看看人工干預自動駕駛系統的報告。這樣的場景已經發生，技術進步已經進入平臺期。

Drive.AI創始人、百度前高管、行業最知名的推動者之一吳恩達認為，問題并不在于構建完美的駕駛系統，而在于告知路人如何去判斷無人駕駛汽車的行為。換句話說，我們可以嘗試讓道路交通環境對汽車來說更安全，而不是從另一個方向入手。關于不可預料的場景，我問他，他是否認為，當前的系統能處理拿著手杖的行人，即使系統從未見過這樣的對象。他回答：“我認為，許多自動駕駛團隊都能處理人行橫道上拿著手杖的行人，但在高速公路中間這樣使用手杖會非常危險。”

他認為：“我們不應該用人工智能去解決手杖的問題，而是應該與政府合作，要求人們遵守交通規則，有更謹慎的考慮。安全問題并不僅僅依靠人工智能技術的質量。”

深度學習并不是唯一的人工智能技術，企業已開始探索替代方案。盡管技術在業內受到密切保護(看看Waymo近期對Uber的訴訟就可以知道)，但許多公司已經轉向了基于規則的人工智能。這是種更古老的技術，工程師會將特定行為和邏輯寫入自治的系統中。這種系統無法像深度學習一樣，通過分析數據來自主確定行為，但卻能避免深度學習的某些局限性。然而，由于基本的認知任務仍然受到深度學習技術的深刻影響，因此很難說工程師們在隔離可能的錯誤時有多成功。

Lyft董事會成員、風險投資人Ann Miura-Ko認為，部分問題在于對自動駕駛汽車的期望過高，因此將所有非全自動駕駛的東西都歸結為失敗。他表示：“期望從0直接走到Level 5本身就是不合理的，并不是技術上的失敗。我認為，所有這些微小的改進都是在通往全自動駕駛道路上取得的重要成就。”

不過仍不清楚，自動駕駛汽車目前的困境還會持續多久。類似特斯拉Autopilot的半自動駕駛產品已足夠智能，能處理大部分情況，但如果發生意料之外的情況，那么仍需要人工干預。因此，一旦實際發生問題，很難知道問題的原因是汽車還是司機。有些批評人士認為，即使錯誤很難完全歸咎于機器，但與人工駕駛相比，這種兩者相結合的模式可能更不安全。蘭德公司的一項研究估計，無人駕駛汽車需要行駛2.75億英里，且不發生致命的安全事故，才能證明它們和人工司機一樣安全。特斯拉Autopilot第一起致人死亡的事故發生在項目進行了1.3億英里時，距離2.75億英里還有很遠的距離。

不過，由于深度學習仍然是汽車感知對象、做出回應的核心，優化事故率可能比看起來更難。杜克大學教授瑪麗·卡明斯(Mary Cummings)提到了今年早些時候Uber發生的致命事故。“感知-決策周期通常相互關聯，就像這起導致行人死亡的事故一樣。感知環節未能做出明確判斷，導致決策環節決定不采取任何行動。而由于傳感器提供了太多假警報，緊急制動也被關閉。”

這場事故導致Uber今年夏天暫停了自動駕駛項目，這對于其他計劃推出自動駕駛系統的公司來說不是個好兆頭。在整個行業中，各家公司都在競相獲得更多數據，以解決這個問題。他們認為，積累里程數最多的公司將開發出最強大的系統。然而馬庫斯認為，還有更難以解決的問題：“他們只是使用已有的技術，希望技術能發揮效果。他們依靠的是大數據，因為這是他們的支柱，但沒有證據表明，這可以幫你達到我們需要的精確度。”