第三部分 我們將去向何處 第六章 人工智能的今天
深度學習為人工智能的應用打開了大門，在21世紀的第二個10年裏，自從20世紀90年代萬維網出現以來，還沒有另一門新技術如人工智能這樣吸引人們的注意力。每個擁有數據和需要解決問題的人都忍不住要問，深度學習是否能夠幫助他們——在很多情況下，答案是肯定的。人工智能已經出現在我們生活的方方麵麵，我們隨時都能感受到它的存在。但凡涉及技術的領域，都有人工智能的身影：教育、科學、工業、商業、農業、醫療保健、娛樂、媒體和藝術等各個領域。未來，或許有些領域會有非常明顯的人工智能痕跡，有些領域則不會。人工智能將悄然無聲地嵌入我們的世界，就像今天的計算機一樣。正如計算機和萬維網，人工智能也將改變我們的世界。我無法為你列舉出人工智能的全部應用，就像我無法列舉所有的電腦軟件一樣。但我會跟你分享一些我喜歡的過去幾年中出現的案例。
你可能還記得，2019年4月，世界上第一張黑洞的照片問世[82]。在一次令人難以置信的實驗中，天文學家利用分布在世界各地的八台射電望遠鏡收集的數據，構建出一個直徑400億英裏[1]、距離地球5500萬光年的黑洞圖像。這幅圖像是本世紀最引人注目的科學成就之一。但你可能不知道的是，黑洞圖像是通過人工智能實現的：人們使用先進的計算機視覺算法來重建圖像，“預測”圖片中缺失的元素。
2018年，來自計算機視覺處理器公司英偉達的研究人員證明了人工智能軟件能夠創造出虛假的人物照片，並且能夠完全令人相信它是真實的[83]。這些圖片由被稱為生成性對抗網絡的全新神經網絡製造。照片看起來簡直是不可思議：乍一看，它們十分逼真，很難相信那不是真人。我們的眼睛告訴我們，這就是真實的照片——但事實上它們是由神經網絡創造的。這種技術在21世紀剛開始的時候難以想象，而在未來它會成為虛擬現實(Virtual reality， VR)的關鍵組成部分：人工智能正在構建令人分辨不清的虛擬現實。
2018年末，深度思維的研究人員在墨西哥的一次會議上公開發布了AlphaFold，這是一個能根據基因序列來預測蛋白質3D結構的程序，能夠解決名為“蛋白質折疊”的問題[2] [84]。蛋白質折疊問題包括預測蛋白質分子的形狀，了解它們將對治療類似阿爾茨海默病等疾病有極其重要的意義。不幸的是，這個問題非常艱難。而AlphaFold使用經典的機器學習技術來學習如何預測蛋白質結構，這意味著在理解蛋白質性狀方麵邁出了一大步。
在這一部分，我想詳細講述人工智能應用最突出的兩個方麵：第一個是人工智能在醫療領域的應用，第二個是長久以來無數人的夢想——無人駕駛汽車。
人工智能醫療
人們應該停止培養放射科醫生了。很明顯，在五年之內，深度學習的係統會比放射科醫生做得更好。
——傑夫·辛頓(2016)
Cardiogram可以擔任您的個人健康助理。我們會把可穿戴設備變成一個持續的健康監測儀，不僅可以用來追蹤睡眠和健康狀況，而且或許在未來的某一天，可以預防中風、挽救您的生命。
——Cardiogram公司網頁[85]
哪怕是對政治和經濟最不敏感的人都能意識到，不管是對政府還是對企業而言，醫療衛生都是全球最重要的經濟問題之一。一方麵，在過去的兩個世紀裏，醫療衛生的改善可能是工業化和科技世界帶給人們的最大福祉。1800年，歐洲人的壽命預測不會超過50歲[86]，而今天，預測一個人能活到70歲是非常合理的；在發達國家，產婦因分娩而死亡的情況十分少見。這些巨變一定程度上是因為人們對衛生有了更好的認識，但不可否認，藥物研究和疾病治療研究的飛速發展也起到了同樣重要的作用。尤其是20世紀40年代抗生素的出現，首次為細菌感染提供了可靠、有效的治療方法。當然，這些進步目前還沒有覆蓋全球所有地區。在我撰寫本文的時候，中非共和國的國民預期壽命仍然隻有51歲，世界上還有許多地方，分娩對母親和孩子而言都不啻闖一次鬼門關。但是，總的來說，發展趨勢是積極的，這當然值得慶賀。
但這些可喜的進展又帶來了新的問題。首先，人類的平均壽命增長了，老年人通常比年輕人需要更多的醫療衛生資源，這就意味著醫療衛生的成本在整體上升。第二，隨著我們開發更多的治療疾病的新方法和研製更多新的藥品，可以治療疾病的總體範圍增加了，這也導致了更多的醫療支出。當然，醫療費用昂貴的一個根本原因是，提供醫療保障服務所需要的資源昂貴，具備相應技能和資質的人也很少：在英國，要成為一名合格的全科醫生，至少要培訓10年。
由於這些問題，醫療衛生——尤其是相關的資金——向來都是政客們爭論不休的長期問題。在英國，國家醫療服務(NHS)於20世紀40年代作為一項國家服務建立，通過稅收支付，目的是為每個人提供免費的醫療保障。而關於如何資助國家醫療服務的爭論從來就沒停止過。我們都喜歡國家醫療服務，但都無休止地爭論應該給它多大程度的資助。
醫療保障至關重要，但實現起來也困難重重。那麽，如果有一項技術能夠解決問題，那簡直就太美妙了，不是嗎？
人工智能應用在醫學領域也不是新鮮事了，我們在之前就了解過MYCIN專家係統，它在診斷人類血液疾病病因方麵表現得比人類醫生更專業，因此廣受讚譽。早在20世紀80年代初，醫療衛生資金就跟現在一樣成為令人頭疼的難題。出於之前講述的原因，製造出能夠捕捉醫療專業能力的專家係統程序，這個想法讓人興奮不已。所以在MYCIN以後，類似的醫療衛生係統如雨後春筍般湧現出來，也沒什麽好奇怪的。不過公平地說，幾乎沒有多少係統在離開實驗室以後還能起作用。不過這些年，人們對人工智能用於醫療的興趣開始報複性反彈，有新的進展表明，人工智能在醫療應用方麵前途無量。
個人醫療健康管理係統是人工智能在醫療健康領域的重要新機遇。可穿戴設備——以Apple Watch為代表的智能手表，還有以Fitbit為代表的運動健身智能手環之類的出現，使個人醫療健康管理成為可能。這些設備持續監測我們的生理數據，比如心率和體溫等。大量的用戶不斷生成當前健康狀況的數據流，人工智能係統可以對這些數據進行分析，不管是本地的係統(比如你的智能手機)還是將數據上傳至互聯網上的人工智能係統。
千萬不要低估這項技術的潛力，這是有史以來第一次，我們能夠對自己的健康狀況進行持續監測。在最基本的層麵上，基於人工智能的醫療健康管理係統能夠為我們的健康管理提供合理的建議。從某種意義上來說，這正是智能手環、智能手表正在做的事情：它們監測我們的運動，還可以為我們設定目標(“每天萬步行走挑戰賽”就是一個明顯的成功案例)。經驗證明，我們可以通過將運動目標進行遊戲化的方式來提高人們對目標的遵從性。將目標轉化為競賽或者遊戲，還可以借助社交媒體來進行交互。
大眾市場的可穿戴設備還處於初級階段，但有許多跡象表明未來的發展潛力。2018年9月，蘋果推出了第四代Apple Watch，首次包含了心髒監護儀。手表上的心電圖應用程序可以監控心率跟蹤器提供的數據，並且能夠識別心髒病的症狀。如果有必要，甚至可以為使用者呼叫救護車。應用程序可以監測心房顫動難以捉摸的跡象——不規則的心跳，這可能是中風或其他突發性疾病的征兆。智能手機中的加速計應用可以用來識別墜落，如果需要，可以代為呼叫救援。這樣的係統隻需要相當簡單的人工智能技術：現在我們可以隨身攜帶一台功能強大的智能手機，它可以保持互聯網連接，並且可以連接到配備了一係列生理傳感器的可穿戴設備上。
某些個人健康管理應用甚至不需要傳感器，隻需要一台智能手機。我在牛津大學的同事們相信，僅僅從使用智能手機的方式就可以檢測出阿爾茨海默病的發病征兆。人們使用手機方式的改變，或者手機記錄的行為模式發生改變，或許都是某些疾病的前兆。這些征兆大多發生在人們注意到病人有明顯症狀、醫生正式下達診斷之前。阿爾茨海默病是一種毀滅性的疾病，對人口老齡化的社會構成了巨大挑戰，可以輔助早期診斷或者管理阿爾茨海默病的工具將非常受歡迎。當然，這項工作還處於起步階段，但它至少提供了未來的一種可能性。
這些新技術的出現令人興奮，它們帶來了機遇，同時也帶來了潛在的隱患，其中最明顯的就是隱私問題。可穿戴設備跟人進行親密接觸，它不斷監視我們，雖然它獲取的數據能夠給我們提供幫助，但也為數據濫用埋下了隱患。
保險業是一個值得關注的領域。2016年，健康保險公司Vitality開始隨保險單附送蘋果手表。手表監視你的運動情況，然後根據你的運動狀況設定保險費用承諾。如果，某個月，你決定不做任何運動，就躺在沙發上當個懶蟲，你可能需要支付全額保費，但你也可以在下個月通過瘋狂節食來抵扣，以降低保費。這樣的計劃或許沒什麽直接的問題，但它確實暗示了一些令人不安的情況。例如，2018年9月，美國約翰漢考克人壽保險公司宣布，今後隻向準備佩戴追蹤運動數據的可穿戴設備的個人提供保險單[87]。這一聲明引來了大眾的批評。
進一步說，如果我們想獲得國家醫療保障計劃(或者其他國家福利)，就必須接受監督並且達到鍛煉目標，這又將如何？你想要醫療保險？那每天走一萬步再說!有些人會覺得這沒什麽問題，但對另一些人來說，這是對我們基本人權的嚴重侵犯和對監測數據的濫用。
自動化診斷是人工智能在醫療保健領域的又一個令人興奮的潛在應用。在過去的10年裏，諸如X射線機和超聲波掃描儀之類的醫療成像設備，其成像數據用機器學習的方式來進行分析，受到了極大關注。在撰寫本書的時候，有一篇新的研究成果發表，文章表示人工智能係統可以有效識別醫學圖像中的異常。這是機器學習的一個經典應用：我們通過正常的圖像和異常的圖像示例來訓練機器學習程序，最終的目的是讓程序能夠識別出圖像中的異常。
在這項領域中有一個廣為人知的案例。2018年，深度思維公司宣布正在與倫敦的摩菲眼科醫院合作，開發從眼部掃描檢查中自動識別疾病和異常的技術[88]。眼部掃描檢查是摩菲眼科醫院的主要檢查之一，他們通常每天要做1000次眼部掃描檢查，分析掃描檢查結果是醫院工作中的一個重要部分。
深度思維的係統使用了兩個神經網絡，第一個用於“分割”掃描圖像(識別圖像的各個部分)，第二個用於診斷。第一個網絡大約訓練了900個圖像，學習人類專家如何對掃描圖像進行區分識別。第二個網絡訓練了大約15 000個案例。實驗表明，該係統的性能已經達到甚至超過了專家水平。
這些結果都很好，你也可以隨手在網上搜出一大堆其他的引人注目的例子，說明當前的人工智能技術是如何被用來建立具有類似能力的係統的——在X光片上識別惡性腫瘤、通過超聲掃描診斷心髒病等等。傑夫·辛頓，你可能還記得他是非常成功的圖像識別程序AlexNet的創立者之一，他非常確信機器學習將為醫學影像診斷提供解決方案，因此他對放射科醫生做了一個相當大膽的聲明——就在這一小節開始的時候，我引用過。不出所料，這激怒了放射科的醫生，很快就有人指出，當好一個放射科醫生所需要的技能可不僅僅是看X光片[89]。
也有不少人認為，我們需要謹慎地推動人工智能在醫療領域的應用。首先，醫療衛生行業是一個人文學科，可能比起任何職業都更需要與人互動和與人交往的能力。全科醫生需要“解讀”病人，了解病人的社會背景，了解哪些治療方案對這個病人可能更有效，而哪些方案是無效的，等等。所有證據表明，我們目前建立的人工智能係統，在分析醫療數據方麵確實已經達到人類專家的水準，但這隻是人類醫療工作者工作的一小部分(盡管是非常重要的一部分)。
另一個反對在醫療衛生行業廣泛應用人工智能的論點認為，有些人更傾向於依賴人的判斷，而不是機器的判斷。他們願意和人打交道，這裏有兩個問題需要說明。
首先，把人類專家的判斷奉若圭臬，實在是太過天真的想法。每個人都會有缺陷，即使是最勤奮、最有經驗的醫生，也會有感到疲憊或情緒化的時候。而且，不管我們怎麽努力去克服，都難免或多或少帶有偏見以及經驗主義。另外，我們人類並不太擅長做理性決策，而機器可以做出與人類專家同等水準的判斷，醫療衛生行業的挑戰或者說機遇，應該是將機器的這種能力用最佳的方式利用起來。我的信念是，人工智能的作用並不是取代人類的醫療衛生專業人員，而是用來增強他們的能力，讓他們從某些煩瑣的工作中解脫出來，更專注於專業領域中真正困難的部分；以及，提供另一種角度的觀點以供參考，讓他們的思考更加全麵。
其次，在我看來，選擇人類醫生還是人工智能醫療程序那是發達國家的人才會抱怨的問題，對世界上許多地方的人來說，要麽接受人工智能，要麽就無人處理。在專業醫生極度缺乏的地區，人工智能可以做很多事情。它讓獲取醫療衛生資源困難地區的人們有了更多的希望，這才是真正最令人激動的前景。在人工智能給予我們的所有機遇中，這可能是會產生最大社會影響的一個。
無人駕駛汽車
製造比空氣還重的飛行機器是不可能成功的。
——開爾文(Kelvin)勳爵，皇家學會會長，1895年
在撰寫本文的時候，全球每年有超過100萬人死於和汽車有關的交通事故，僅中國和印度就占了其中的四分之一；每年還有5000萬人在跟汽車有關的交通事故中受傷。這些數字觸目驚心，想象一下，如果出現一種每年可以奪取100萬人性命的新型流感病毒，那一定會引起全球性恐慌。然而，我們卻習慣了公路上的危險——我們似乎已經接受這就是現代社會的現狀。不過，人工智能能夠帶來大幅降低交通事故的前景：在發展智能中期內出現無人駕駛汽車，已經成為可能。最終，它能夠拯救無數人的生命。
當然，無人駕駛汽車還有許多其他好處。利用計算機程序來控製汽車駕駛，顯然更高效，能夠更好地利用稀缺和昂貴的燃料或動力資源，從而產生更環保、運行成本更低的汽車。計算機程序在利用電子地圖和導航方麵也更具備優勢，例如，可以為擁擠的交通道路帶來更好的通行能力。如果汽車變得安全，它們就不再需要如此昂貴和沉重的保護底盤，這將再次降低汽車的價格和油耗。甚至有一種觀點認為，無人駕駛汽車會減少私家車的擁有量，因為無人駕駛的出租車又便宜又方便，那麽，擁有自己的私家車在經濟上就沒多大意義了。
由於上述以及更多原因，無人駕駛汽車顯然是一個非常有前景的研發領域，因此，這一領域有著悠久的研發曆史，也不足為奇。汽車在20世紀20至30年代成為大眾市場的產品，由它引發的傷亡規模——主要是駕駛員人為操作失誤——立刻引發了人們對汽車自動駕駛可能性的討論。雖然自20世紀40年代以來，人們在自動駕駛領域就不斷地嚐試，但直到70年代微處理器技術出現以後，它們才真正變得可行。不過，無人駕駛汽車麵臨的挑戰也是艱巨的，最根本的問題就是感知。如果你能夠找到一種方法，讓一輛汽車能夠隨時準確地知道它自己在哪裏，周圍環境是怎麽樣，那麽恭喜你，你已經找到解決無人駕駛問題的方法了。而要解決感知問題，我們需要采用現代機器學習技術：沒有它們，無人駕駛汽車無法實現。
由歐洲泛政府研究組織歐洲研究協調局(EUREKA)出資讚助的普羅米修斯工程，是無人駕駛汽車技術的先驅。普羅米修斯工程從1987年延續到1995年，並在1995年進行了一次示範表演。一輛汽車在無人駕駛的情況下從德國慕尼黑開到丹麥的歐登塞，然後返回。雖然平均5.5英裏就需要進行一次人工幹預，但是在沒有人工幹預的情況下，最長的一次無人駕駛距離約為100英裏。這是一個了不起的壯舉，鑒於當時的計算機有限的計算力，這個成就更加令人驚歎。雖然普羅米修斯工程隻是為了證實無人駕駛的概念是可以成為現實的，它仍然引導了不少現代商用汽車創新的風向，比如智能巡航控製係統。最重要的是，普羅米修斯工程昭示了這項技術可以商業化。
2004年，美國國防高級研究計劃局(DARPA)組織了一場無人駕駛汽車頂級挑戰賽，邀請研究人員組隊參加挑戰賽，讓無人駕駛的車輛穿越150英裏的美國鄉村。共有106支來自大學研究院和汽車公司的參賽隊，每個參賽隊都渴望能贏取第一名的100萬美金DARPA大獎。最後，有15支參賽隊伍進入決賽，但在這一屆比賽中，沒有一支隊伍完成超過8英裏的賽程，有的車輛甚至都沒能駛離出發區。跑得最遠的是來自卡內基-梅隆大學的無人駕駛汽車，雖然它僅僅前行了7.5英裏就偏離了航道，卡在堤壩上。
我對這件事情的記憶是這樣的：大多數人工智能研究人員都把2004年的挑戰賽作為證據，證明無人駕駛汽車技術離實際應用還有一段距離。聽說計劃局立即宣布在2005年的競賽中獎金翻一番，達到200萬美元，讓我有點吃驚。
2005年的比賽吸引了更多的參賽者，總共有195支隊伍參賽，最終闖入決賽的有23支。決賽在2005年10月8日舉行，挑戰目標是讓無人駕駛車輛穿越132英裏的內華達沙漠。這次，有5支參賽隊伍完成了挑戰。最終的冠軍被斯坦福大學研究團隊摘得，獲得了200萬美元的獎金。斯坦福大學獲勝的汽車名叫STANLEY，由塞巴斯蒂安·特隆(Sebastian Thrun)帶領的團隊打造。它是由一輛大眾途銳汽車改造的，用了不到7個小時就完成了比賽，平均時速20英裏。STANLEY配備了7台車載電腦，它們需要解讀GPS、激光測距儀、雷達和視頻傳輸中的數據。
2005年的無人駕駛汽車挑戰賽是人類曆史上最偉大的科技成就之一。從那一天開始，無人駕駛汽車成了已經解決的問題，就像一個多世紀以前，比空氣更重的飛機成為已經解決的問題那樣。萊特兄弟的第一次飛行隻持續了12秒，在這段時間裏，飛行器離地麵隻有120英尺。但那12秒的飛行曆程證明了，比空氣更重的飛機已經成為現實——2005年的挑戰賽以後，無人駕駛汽車也如此。
緊隨其後的是一係列挑戰賽，其中最重要的可能是2007年的無人駕駛汽車城市挑戰賽。2005年的比賽是在鄉村道路上進行的，而2007年則是在城市環境中。無人駕駛汽車必須完成整個賽程，同時遵守加利福尼亞州道路交通法規，並應對停車、十字路口通行和交通擁堵等日常情況。有36支隊伍參加了全國預選賽，其中11支隊伍闖入決賽。2007年11月3日，在南加州一個廢棄機場，決賽開始了。6支隊伍成功完成了挑戰，獲勝者來自卡內基-梅隆大學，在4小時內跑完全程，平均車速每小時14英裏。
從那以後，無人駕駛汽車技術領域獲得了大量投資，既有老牌汽車公司不顧一切地拒絕被時代車輪甩掉，也有新公司發現有機會來搶奪傳統汽車製造商的蛋糕。
2014年，美國自動化工程師協會提供了一個實用的分級方案，為自動駕駛分級製定了標準[90]：
Level 0：人工駕駛。汽車沒有自動控製功能，駕駛員始終自主控製車輛(盡管車輛會提供警告和其他數據用來輔助駕駛員駕駛)。如今公路上的絕大部分汽車都是L0級。
Level 1：輔助駕駛。汽車提供了一定程度的控製，通常是在常規駕駛方麵，但駕駛員仍須在駕駛過程中保持全神貫注。自適應巡航控製係統是輔助駕駛的一個例子，它可以使用刹車和油門來控製車速。
Level 2：部分自動化。在這個等級，汽車可以參與轉向和速度的自主控製，但駕駛員同樣需要持續監控駕駛環境，並準備好在必要的時候進行幹預。
Level 3：有條件自動駕駛。在這個等級，駕駛員已經不再需要持續監控駕駛環境，盡管汽車可能會要求用戶在遇到無法應對的情況下進行控製。
Level 4：高度自動化駕駛。在這個等級，汽車能夠自動完成正常駕駛操作，不過駕駛員仍然可以幹預駕駛行為。
Level 5：全自動駕駛。你隻需要坐上一輛車，說出你的目的地，然後剩下的所有事情都交給汽車自動處理。這種汽車甚至連方向盤都沒有。
在撰寫本書時，最先進的商用無人駕駛汽車係統可能是特斯拉的自動駕駛係統，最初出現在特斯拉S型車上。2012年發布的特斯拉S型是高規格電動車係列中的旗艦車型，在發布之時，它或許是全世界技術最先進的市售電動車。從2014年9月起，所有特斯拉S型車都配備了攝像頭、雷達和聲程傳感器。2015年10月，特斯拉發布了新款車用軟件，啟用了這些高科技套件，完成“自動駕駛”功能——當然，是一種有限的自動駕駛能力。
媒體立刻開始盛讚自動駕駛儀實現了第一款無人駕駛汽車，盡管特斯拉不厭其煩地指出了這項技術的局限性。特斯拉特別強調，當自動駕駛儀接通時，駕駛員應始終把手放在方向盤上。就上述自動駕駛分級而言，特斯拉的自動駕駛儀似乎處於L2級。
無論這項技術有多先進，很明顯，涉及自動駕駛儀的嚴重事故還是會發生，而第一例特斯拉自動駕駛儀導致人員死亡的事故很快成為全世界的頭條新聞。2015年5月，佛羅裏達州的一位特斯拉車主在路上與一輛18輪卡車相撞，不幸身亡。有報道稱，汽車的傳感器被白色卡車在明亮的天空下的景象給迷惑了，結果汽車的人工智能係統未能識別出路上還有另一輛車存在，直接高速撞上卡車，司機當場死亡。
其他的事件也凸顯了目前無人駕駛技術的一個關鍵問題。在L0級人工駕駛模式下，對駕駛員的期望是非常清晰的：駕駛員必須掌控車的一切。而在L5級的全自動駕駛模式下，同樣很清晰：駕駛員什麽也不用做。但是，在這兩個極端之間，對駕駛員的期望就相對比較模糊了。佛羅裏達州的事故和其他類似事故表明，駕駛員似乎對自動駕駛技術期望過高：把它當成L4或者L5級的自動化駕駛係統，事實上它的功能遠遠沒有達到這個等級。駕駛員期望的功能和自動駕駛儀實際能夠實現的功能之間如此不匹配，至少在一定程度上是媒體過於興奮地鼓吹所造成的，它們似乎不太能理解和傳達技術等級能力的微妙之處(特斯拉給這個係統命名為“自動駕駛儀”也得負點兒責任)。
2018年3月，另一起涉及無人駕駛汽車的事故引發了人們對這項技術的進一步質疑。2018年3月18日，在亞利桑那州的坦佩市，優步公司的一輛無人駕駛汽車在無人駕駛模式下撞死了49歲的行人伊萊恩·赫茨伯格(Elaine Herzberg)。與這類事故的典型情況一樣，引發事故的原因是複雜的。這輛車當時的速度已經超過了自動緊急製動係統能夠處理的速度，所以當汽車意識到需要緊急製動的時候，已經來不及了。雖然汽車傳感器意識到前方有“障礙物”(受害者伊萊恩·赫茨伯格)，需要緊急製動，但軟件似乎規避了這個行為(在程序員看來，這似乎在說明軟件係統有缺陷，至少是存在優先級處理不當的問題)。而且，最重要的是，車上的“人類駕駛員”應該幹預這樣的事情，可她似乎一直在用智能手機看電視，對外界環境關注甚少。很可能她盲目信任了汽車的無人駕駛能力。伊萊恩·赫茨伯格不幸遇難的悲劇是完全可以避免的：這個問題是人為的，而不是技術上的。
令人沮喪的是，在看到實用的、大眾化的無人駕駛汽車之前，還會有更多這類悲劇發生。我們需要盡己所能合理地預測和避免這類悲劇，但無論如何，它們總是會發生的。當它們發生以後，我們需要從中吸取教訓。就像飛機的飛行控製器發展史告訴我們的，從長遠來看，總會出現更加安全的交通工具。
目前圍繞無人駕駛汽車的一係列活動表明，這項技術已經日趨成熟，但是離它進入我們的現實生活還有多久呢？我們什麽時候可以跳上一輛無人駕駛汽車，隻需要說出自己的目的地，就可以輕鬆抵達呢？在這方麵做得最公正和權威的是美國加利福尼亞州的無人駕駛監管機構。無人駕駛汽車公司必須向該機構提供詳細的相關信息，才能獲取在加州公共道路進行無人駕駛汽車測試的許可證，其中最重要的信息是自動駕駛汽車脫離報告。脫離報告的內容說明公司相關車輛在無人駕駛情況下行駛的英裏數，以及在測試期間發生過多少次脫離接觸。脫離接觸是指人類駕駛員不得不幹預汽車行駛，接管汽車控製權的情況——這是伊萊恩·赫茨伯格的悲劇中駕駛員應該做的事情。脫離接觸並不意味著如果沒有人工幹涉就一定會出現事故(更別提死亡事故了)，但它仍然是衡量自動駕駛技術性能的標準。自動駕駛時，每千英裏中出現脫離接觸的次數越少越好。
2017年，有20多家公司向加利福尼亞州提交了自動駕駛汽車脫離報告。從行駛裏程數和每千英裏最低脫離次數來看，一家名為Waymo的公司遙遙領先，該公司的自動駕駛汽車平均每行駛5000英裏才報告1次脫離。表現最差的是汽車巨頭梅賽德斯-奔馳，每千英裏不少於774次脫離。Waymo是穀歌旗下的無人駕駛汽車公司，最初，它是穀歌內部的一個項目，運營負責人是塞巴斯蒂安·特隆，他曾經率領團隊贏得2005年美國國防高級研究計劃局組織的無人駕駛汽車挑戰賽。2016年，Waymo成為穀歌的子公司，2018年，Waymo的報告說，該公司旗下無人駕駛汽車已經達到平均行駛超過11 000英裏才報告1次脫離的水準。
那麽，這些數據告訴我們什麽呢？尤其是，無人駕駛汽車還要多久才能進入我們的日常生活？
好吧，從寶馬、梅賽德斯-奔馳和大眾等傳統汽車巨頭相對較差的表現中，我們可以得出的第一個結論是：汽車行業經驗的積累並不是無人駕駛汽車技術取得成功的關鍵條件。仔細想想這並不奇怪：無人駕駛汽車的關鍵不是內燃機，而是軟件——人工智能軟件。因此，美國汽車巨頭通用公司在2016年收購了無人駕駛汽車公司Cruise Automation，金額保密(但顯然數額巨大)，而福特公司給自動駕駛初創公司Argo AI投資10億美元。兩家公司都公開了推出無人駕駛汽車的雄心勃勃的聲明：福特公司預測將在2021年前投入運營一款“完全自動駕駛”的商用汽車[91]。
當然，我們並不知道汽車公司各自采用的在何時需要進行脫離接觸的確切標準，也許梅賽德斯-奔馳隻是過於謹慎而已，但看上去我們不得不承認一個結論：至少在撰寫本書的時候，Waymo公司遙遙領先。
我們將脫離接觸和人類駕駛員安全行駛做個有趣的對比。對於後者，雖然沒有明確的統計數據，不過在美國，人類駕駛員出現嚴重事故的平均駕駛裏程約為10萬英裏，甚至100萬英裏。這就表明，即使是市場領導者Waymo，也必須將其技術提高兩個數量級，才能達到與人類駕駛員相當的道路安全駕駛水準。當然，並不是Waymo報告的所有脫離都會導致事故，因此這種比較也不夠科學，但至少可以說明，無人駕駛汽車公司現在仍然麵臨艱巨的挑戰。
有趣的是，與無人駕駛汽車技術工程師交談會發現，他們認為這項技術的關鍵難點在於如何應對突發事件。我們可以訓練汽車應對大多數可能出現的危險，但當汽車遇見一種與訓練中任何事件都不同的情況，會發生什麽呢？雖然大多數駕駛場景都是常規和可預期的，但難免會出現完全無法預計的突發狀況。在這樣的情況下，人類駕駛員可以憑借豐富的經驗進行處理，利用經驗思考處理方案，如果實在來不及思考，也會憑借直覺處理。而無人駕駛汽車沒有直覺這種奢侈的東西——在可以預見的未來，它們也不會擁有。
另一個艱難的挑戰是如何從我們的道路現狀(道路上所有車輛都是由人類駕駛)，到一個混合過渡(即道路上的車輛部分由人類駕駛，部分自動駕駛)，最終過渡到完全無人駕駛。一方麵，無人駕駛汽車在駕駛時的行為與人類不同，這會讓與之共用道路的人類駕駛員感到困惑和不安。另一方麵，人類駕駛員的行為是不可預測的，他們不一定會嚴格遵守交通法規，這就使人工智能很難理解他們的行為，並與之安全地互動。
鑒於我對無人駕駛汽車技術進步的樂觀評價，以上的問題聽起來可能讓人十分悲觀。所以，讓我盡可能解釋一下我認為未來幾十年內，事情會怎樣發展。
首先，我的的確確相信無人駕駛汽車技術在某種形式上很快就會在日常生活中應用——當然，是在未來10年內。然而，這並不意味著L5級的自動駕駛可以很快實現。相反，我認為，我們將開始看到無人駕駛技術在特定的“安全”領域開始推廣，並逐漸走向更廣闊的世界。
那麽，這些技術將率先在哪些領域開始推廣呢？我認為采礦業是一個很好的例子，也許從澳大利亞西部或加拿大阿爾伯塔省的大型露天礦開始：那裏地廣人稀，行人和喜歡騎自行車蛇行或做出其他危險動作的人也少得多。事實上，采礦業已經大規模使用自主汽車駕駛技術。例如，橫跨英國和澳大利亞的跨國礦業集團力拓集團於2018年宣稱，在西澳大利亞皮爾巴拉地區，他們的大型自動卡車車隊已經運送超過10億噸礦石和礦產[92]。從公開的信息看，這些自動卡車離L5級別的全自動駕駛還差得遠——更偏向“自動化”而不是“自主駕駛”。不過這是個很好的例子，說明無人駕駛汽車在有限的環境中能夠發揮巨大作用。
同樣，無人駕駛車輛似乎非常適用於工廠、港口或者軍事設施區域。我相信在未來幾年內，無人駕駛技術將在這些領域得到大規模應用。
除了這些特殊領域的應用，對於日常使用的無人駕駛技術，還有幾種可能的情況，其中有一部分已經成為現實。或許在一些受限製的城市環境，抑或特定的路線上可以看到低速行駛的“微型出租車”。事實上，在撰寫本文的時候，已經有幾家公司在試用類似服務了，盡管使用範圍受到嚴格限製(而且，至少目前，微型出租車車廂裏麵有人類“安全駕駛員”保駕護航，用以處理緊急情況)。在倫敦這樣的城市裏，這類低速行駛的車輛完全不是問題，因為眾所周知，倫敦的交通狀況總是很糟糕，行車速度一直都很緩慢。
另外一種可能性是在城市和主要高速公路上設置無人駕駛汽車專用車道。大多數城市已經設置有機動車道和自行車專用道，那為什麽不設置無人駕駛汽車專用道呢？這樣的車道可以通過傳感器和其他技術來輔助自動駕駛車輛，無人駕駛汽車專用道的存在也會向與之共用道路的人類駕駛員發出一個明確的信號：小心機器人司機!
至於L5級別的全自動駕駛，恐怕離我們還有一段距離。但它終究會出現，我最樂觀的預測是，從撰寫本書之時往後20年，或許L5級別的全自動駕駛才能普及。我敢打賭，我的孫輩將覺得他們的祖父竟然要親自開車上路，真是既可怕，又充滿了樂趣。