科学将人工智能拖下神坛 | 注定爽约的无人车【可深了】

无人车要爽约的消息从2018年底便陆续传来。若干谷歌、苹果系的硅谷无人车大佬先后跳出来认栽，将自动驾驶能够普及的年份一杆子向后支了几十年，也有干脆承认自动驾驶不可能实现的。

尽管去年12月，谷歌系的Waymo，这一无人车行业的全球领头羊，“实现”了全世界首个无人出租车项目的商业运营，算是兑现了此前的承诺。

然而，这个无人车运营项目打了不少关键性的折扣，我们依旧不能认为无人车已经在完整意义上商业实现了：

1、服务范围仅限美国凤凰城四个区域——Chandler，Mesa，Tempe和Gilbert ，相当于部分城区。服务区面积约 100 平方英里。

2、仅向参与了Waymo之前的测试项目Early Rider的约400人开放服务。

3、驾驶位上依然配有真人安全员，以便在必要时及时接管驾驶。

依本咨询师看，与其说是实现了无人车商业运营，还不如说是将进行中的无人车路试改了个名字后继续进行下去。改这个名字，主要是为了照顾投资人，把以前放出去话在面儿上圆圆，难有其他意义了。

Waymo的掌门人直言L5技术（完全无人驾驶）真的很难很难，恐怕几十年内无法真正实现。2018年11月，Waymo的CEO John Krafcik在WSJ D.Live技术大会如此吐槽。简单说，自动驾驶的场景太多太复杂，算法达不到要求。

随后，苹果联合创始人Steve Wozniak也表达了观点：自动驾驶汽车不可能在不久的将来实现。他甚至干脆声称自己就不相信自动驾驶汽车。尽管苹果也高调投入了大量资源造车，但是看来苹果将重心定位在智能辅助驾驶，而不是全自动无人驾驶。

耳熟吧？本咨询师的上篇文章中提到了科大讯飞从完全机器翻译到人机耦合的机器辅助翻译的转变。可深了 | 科大讯飞对智能翻译的重新认识

无人驾驶难在哪里呢？

道路状况复杂，汽车这部机器的人工智能无法对必要信息进行完整识别，更无法对路况发展做出判断。其中包括但不限于，识别道路状况，其他车辆、行人等各种物体，预见他们的表现和发展。

这些问题，人依靠智能可以非常轻松地解决。而机器采集、处理海量的数据，依然搞不定。

例如，存在反向车流时的左转，避让行人，选择上下客停车地点等等，无人车的表现不是差，不是很差，是极差。最直接的表现就是慢吞吞，耐心等，就这样也还难以万全。

不夸张地说，无人车会给复杂状况下的通行效率带来让人难以容忍的恶劣影响。所以一点都不奇怪，在无人车测试地区，人类司机大多对无人车极为光火。

这些问题这么难解决吗？

是的，以John Krafcik和Steve Wozniak为代表的一些实在人，认为如果不是永远解决不了，大概至少要几十年吧。

简单而言，我们现在的人工智能技术并没有能力像人那样去智能地理解问题并基于理解来解决问题。人工智能所能做到的只是机械记忆，以按图索骥的方式“解决问题”：将场景和对应的解决方案存储下来，面对实际场景时，先在记忆中锁定最相近的场景，然后将与这个最相近之场景匹配的解决方案调取出来加以实施。

当然，实际算法策略在表面上会更为复杂，会运用一些权重规则加以修正。但基础仍是按图索骥。这就是大名鼎鼎的深度学习。因为没有理解力，所以不会应变。这就决定了自动驾驶的水平不会再有质的提高了。

将人工智能的威力捧上天的最大垫脚石是“深度学习”。不切实际的宣传除了使公众误以为人工智能可以拥有真正的智能，还让大家误以为通过“深度学习”可以无止境地提高人工智能的表现，最终使人工智能的表现达到甚至超越人的智能，只要机器在不断地学习新的样本，即，样本量足够大。

而实际情形是，因为人工智能的所谓深度学习并不具备举一反三式的理解能力，而只是机械式的死记硬背，如本系列前文已经论述的，基于控制原理的数学分析，深度学习理论存在系统性固有偏差。可深了 | 科学将人工智能拖下神坛【五】深度学习之缘木求鱼

深度学习方法论中的这种本质缺陷所造成的结果可以利用数学当中的极限概念这样来形容：如果将人的智能所达到的表现水平设定为1分，依靠深度学习更大量的样本，人工智能的表现水平理论上确实可以不断提高，但不会高于1，也不会接近1，只可能无限趋进于，例如0.8，即以0.8为极限。

例如，无人车，我们将路试里程等价于深度学习的样本量，第1个100公里路试获得0.4分的成就，每下一个100公里所获得的成就是上一个100公里的一半，即第1个0.4分，第2个0.2分，第3个0.1分，第4个0.05分……

将成就累加起来，获得无人车的表现水平。你会发现，尽管随着路试里程不断提升，无人车的表现水平确实在不断提高，但最终只以0.8为极限。达到1000万公里？1000亿公里？依旧以0.8为限。

以上的设计已经很优厚了。实操过样本量足够大的深度学习的人会理解。他们实际上会发现，当样本量足够大以后，已经感觉不到样本量的增加导致能力提升，反而在表现上会出现矛盾性的反复。

这0.8到1之间的0.2的缺口便是深度学习的系统误差或方法论的本质缺陷造成的。这就是机械性死记硬背与具备理解应变和融会贯通的智能之间的必然表现差距。如果以为这种智能上的差距可以简单地通过增加样本量来跨越，实为痴人说梦。实际上，将机械记忆的分数给到0.8真的已经很客气了。

明白了这些，你自然也会明白，砸下再多的钱也解决不了这个问题。钱很有用，但确实有些问题是钱解决不了的。

你也会理解，经过海量样本深度学习培养的人工智能识别系统，在我们修改图像的有限若干像素后，能将北极熊识别成狒狒、黄鼠狼或其他。人工智能即使深度学习再多的样本仍然会轻易受此愚弄。这是因为它不具备理解能力，是因为深度学习方法论的本质缺陷。而人则不会被这样愚弄。

所以，以下这些事例也就好理解了：

2018年，Uber的自动驾驶车撞死一名过马路的女子。无人车发现了她，但先是识别不出她为何物，然后将她识别成一辆车，最后识别成一辆自行车，从而不可能对她可能的行动方式有所准备。按照无人车的学习结果，自行车不可能突然那样过马路，而事发时刹车已经来不及了。人当然也不会认为自行车会那样过马路，但不会认不出那是一个人。

2016年，在自动驾驶状态下的特斯拉电动汽车，沿京港澳高速河北邯郸段公路行驶时，前车躲避障碍物后，特斯拉躲闪不及撞上了道路清扫车，发生严重车祸导致车主死亡。原因是进口的特斯拉以前没有深度学习过中国的清扫车长什么样子，未能及时做出识别和反应。

这些还是最基本的问题。实际状况当然比一般人以为的更为复杂。你也就可以理解Steve Wozniak为什么干脆表示不相信自动驾驶汽车了。

如果还在疑惑，我们可以这样来预测一下无人驾驶可能实现的时间：

相对于汽车，封闭系统下的轨道交通更容易实现无人驾驶，这要简单得多。

在轨道交通中，大的火车系统自然难度最大：里程最长，状况相对复杂，尽管轨道上只有火车，但轨道会受外部车辆及其他东西的较多交叉干扰。当然，比汽车交通还是单纯、规矩太多了。实现实验之外的真正无人驾驶了吗？确实也是因为火车载客太多，太事关重大了。

其次大概就是城市地铁、轻轨了，条件就好更多了，全封闭轨道，里程较短。这个也很难说已经商用实现了。

条件最好的，而又向公众开放的，应当是例如，机场内部的摆渡轻轨了。在这一层面上，似乎有已经实现了商业性无人驾驶的孤例。但这种无人驾驶有点像操纵缆车。更多的还是有人驾驶，或者类似Waymo的商用无人车运营：说是系统具备无人行驶的能力，但还是要有真人驾驶员随车。

倘若无人驾驶已经在轨道交通领域得以商用化地普及，得以广泛实现，当然不必所有轨道交通全部变成无人驾驶，接近10%就很好了。本咨询师认为10年已经是很乐观的估计了。

当我们在轨道交通上有了这种水平时，更复杂的无人汽车还需要多久才能够真正商业实现呢？本咨询师认为再来10年依然是很乐观的估计。

综上，至少20年往上。

如本系列前文已经系统性指出的，目前基于二进制计算的人工智能技术，不可能具有理解的能力，不可能具有真正的智能。所谓人工智能，在“智能”这部分只能是噱头。其实，至少三十年前的科学哲学对此已经有确说了。

人工智能忽悠式的泛起背后存在很多复杂利益。

本咨询师不喜欢容易误导人的“人工智能”这一叫法，它的本质其实是高端自动化。它能够有极大威力，它能够极大地便利和改变我们的生活。但我们应当还其本来面目。

别被忽悠了。自动化辅助驾驶是可行的，人机耦合的机器辅助翻译是可行的。纯粹的无人驾驶汽车、机器翻译至少目前还看不到前景。

所以，Waymo无人出租车商业运营服务范围仅限美国凤凰城四个区域，这个已经跑烂了的区域，一个不会下雪，不会，或者少有惊喜的地方。

所以，Waymo无人出租车商业运营服务仅开放给前期试验项目中用熟了的人，以防有惊喜。

这还不能放心，所以，Waymo在以前的路试中曾经取消过的真人安全员，又回来了。在“实现”全世界首个无人出租车项目的商业运营时，这些真人安全员还是坐在方向盘后面时刻提防着。

无人车注定爽约了。

推荐阅读

 

用知识产权的眼光

看世界

 

欢迎原创投稿，稿件一经采用，支付稿费

投稿邮箱：[e-mail]