從AI技術演化的角度來看，深度學習算法為核心的“智能化”實際上并不是真正意義上的智能，而是基于大數據和深度學習算法在“動態規劃”原則下對統計意義上“最優解”的達成。

“人類創造技術的節奏正在加速，技術的力量也正以指數級的速度在增長。指數級的增長是具有迷惑性的，它始于極微小的增長，隨后又以不可思議的速度爆炸式地增長——如果一個人沒有仔細留意它的發展趨勢，這種增長將是完全出乎意料的。”

被譽為《Inc.》雜志稱為“托馬斯·愛迪生的法定繼承人”的雷·庫茲韋爾（Ray Kurzweil）在《奇點臨近》一書中這樣寫道。這位擁有13項榮譽博士頭銜的世界領先的發明家，為人們描繪了未來人工智能社會圖景。

雷·庫茲韋爾認為，由于摩爾定律的存在，技術會呈指數級增長，而人類社會也將在2045年到達人工智能的奇點，其次，基于生物形態的人類實質上只不過是一套高度復雜神經網絡下的一個算法系統，未來必將被更高級的算法系統替代。

“盲目的樂觀可能是最致命的大規模殺傷性武器。”皮埃羅？斯加魯菲認為：“人工智能并不是一個新概念，它起源于1956年或更久之前，只不過，過去由于計算機處理系統還不夠強大，人工智能并沒有得到長足快速的發展。”

從現實中人工智能的應用的程度來看，目前AI無人駕駛領域的進展似乎也印證了皮埃羅？斯加魯菲的觀點。回顧人類歷史重大變革節點不難發現，無論是蒸汽機的改良還是內燃機的發明，出行領域一直都是先進技術應用的最前沿。

追本溯源，近年來無人駕駛技術的爆發的技術基礎也源自于2006由Hinton在深度學習領域的革命性成果，由此基于神經網絡的深度學習算法得以在計算機視覺、語音識別、以及計算機行為決策方面深度應用，從而構成了無人駕駛軟體層面的技術基礎，而在實現無人駕駛的工程應用上，已經不存在較大的技術障礙，因而，無人駕駛的天花板依舊在于基于深度學習的AI技術的局限性。

而另一方面，基于AI技術的L4級別的自動駕駛已經開始進入商業化階段。目前，google Waymo、特斯拉AutoPilot、百度Apollo以及通用Cruise均已實現L4級別的自動駕駛。

無人駕駛的阿喀琉斯之踵

2016年的美國，一輛自動行駛中的特斯拉Models撞上了一輛白色拖掛貨車，致使駕駛員死亡，這是第一例無人駕駛車禍致死的案例。

事后，有專業人士據車禍地點的環境分析后指出，在強光直射下，依賴攝像頭的圖像識別系統失效，未能及時檢測出前方正在穿過道路行駛的白色貨車，同時由于毫米波雷達位置較低，而一般的毫米波雷達垂直視角在±5°以內，導致當Tesla靠近拖掛卡車側面時，雷達波束從下側穿過了卡車，導致漏檢，從而致使事故發生。車禍發生后，特斯拉改進了無人駕駛系統，并修改了官網關于AutoPilot的釋義。

實際上，安全問題確實是無人駕駛技術全面落地的阿喀琉斯之踵。以深度學習算法為核心的AI技術構筑的無人駕駛系統至今尚未真正解決由“計算機理解偏差”而帶來的駕駛安全性的問題。

從AI技術演化的角度來看，深度學習算法為核心的“智能化”實際上并不是真正意義上的智能，而是基于大數據和深度學習算法在“動態規劃”原則下對統計意義上“最優解”的達成。因此，當下要想解決無人駕駛的安全性問題，必須在這個框架下將“不安全”的可能性降低到一個低于人類車禍概率的紅線之下，才具備無人駕駛走進千家萬戶的“接受底線”。

今年五月，在寧波舉行的第六屆中國機器人峰會上，中國工程院院士鄭南寧發表了主題為《直覺性AI與無人駕駛》的演講。鄭南寧院士提出，在算法模型下，建立覆蓋全部的場景模型是不可能的，但“構造一個基于認知構建的類人自主駕駛，使AI自主駕駛具有類人的決策機制，則能應對高動態和強隨機性的交通場景變化。

在小編看來，基于人類思維決策機制建立算法模型，使AI具有類人的“意識”以當前的技術條件還無法達成，一方面，人類的決策往往通過自身多方面的經驗達成，而并非固定的在駕駛場景下形成單一的決策機制，另一方面，在大多數人的決策過程中，感性因素常常會占主導地位，而算法決策則是百分百的理性決策，而在某些特定情況下理性決策往往不是“最優選擇”。

在電影《機械公敵》（又名《我，機器人》）中，由威爾史密斯主演的戴爾·史普納在一場車禍中與一位小女孩一同掉入水中，而在人工智能機器人經過計算后選擇就起生產率更高的戴爾·史普納而放棄了小女孩的生命，而假如現實中發生類似的事件，作為人類的救援人員顯然會優先選擇拯救女孩，因為這才人性約束下的“最優解”。

“AI安全陷阱”下，AI駕駛技術的“奇點”

放眼未來，無人駕駛必定在未來某一個時刻全面應用至出行領域，屆時，現有交通規則甚至道路形態或將出現新的變化。而從無人駕駛的初步應用到無人駕駛時代的來臨之間，人們將長期處于一個“人類+AI駕駛”的混合出行時代。而在這個過程中，相應的法律法規也必須與之相適應。

如果說安全問題是AI無人駕駛落地的“入場券”那么，無人駕駛與現有交通體系及規則的適應則是一場AI與人類直接的“博弈”。

從本質上看，AI無人駕駛的演進過程，是一個在以提高出現便捷性與安全性的前提下，人類逐漸將出行部分逐漸交給AI負責的過程，在這一過程中，人類在出行領域保留主導權的同時，將出行安全與操控權交付至AI，以實現對人力的解放。

在這一過程中，作為博弈其中一方的人類又有著十分矛盾的心理。一方面，人們希望通過AI來解放人力，來獲得出行體驗的“舒適性”，另一方面，人們又擔心現有技術條件下，AI的決策會帶來安全風險和道德風險。因此，無人駕駛的落地不止是技術層面的落地，也是公眾認可度和無人駕駛交通法規等層面系統化適應。

在決策層面上，基于深度學習的AI將在很長的一段時間內不會出現“類人”的決策模型，因而，人們可以預期的AI無人駕駛，實質上是低安全風險下的交通輔助工具，從這個意義上來講，AI無人駕駛的進步反而會增加人類駕駛者陷入“AI安全陷阱”：一方面“非人”的AI并不能真正給與駕駛者安全的保障，另一方，日益進步的AI無人駕駛技術會增加駕駛者的“惰性”從而造成潛在安全風險。

在小編看來，無人駕駛跨越“AI安全陷阱”的關鍵在于是否能夠準確判斷AI無人駕駛技術進化的奇點，而判斷無人駕駛是否達到技術奇點的原則可以從兩個方面去考慮：一、AI完全具有作為“人”的分析決策能力（也就是實現獨立思考的人工智能）;二、基于深度學習的AI無人駕駛在實際道路行駛中的事故率要遠遠低于人類駕駛。

其次，從現實的層面來看，軟體程序是AI技術不可或缺的構成，在聯網狀態下，獲得車輛控制權的AI也更容易受到網絡黑客的攻擊，因此，除行駛安全外，網絡安全問題也是無人駕駛真正落地需要解決的問題。

那么，真正的無人駕駛落地還需要多久？

從AI技術的發展來看，自2006年深度學習領域取得突破以來，基于神經網絡的深度學習快速發展，大數據、深度學習算法與算力成為AI領域的三大核心技術，就目前而言，AI技術三要素中的算力依然依靠強大的計算機作為物流支持，但隨著摩爾定律的失效，傳統半導體產業逐漸迎來技術瓶頸，AI技術進步或將面臨新的停滯。

摩爾定律的失效，意味著在現有尺寸下，計算機算力也面臨著物理瓶頸，而AI技術的增長又需要大量算力的支持，由此可以預見的是，AI技術增長將陷入新的困境期，同時，AI技術發展的停滯也將進一步限制在無人駕駛領域AI技術的應用。

在現有AI技術以及其成長空間下，未來，無人駕駛的落地將不可避免的分為兩個階段，即封閉場景下的商業化落地，以及作為駕駛輔助功能的商業化落地，而要想真正的實現智能無人駕駛，還有很長的路要走。

結語：

雷·庫茲韋爾的《奇點臨近》讓人們感嘆人工智能時代似乎近在咫尺，但也正如他在書中所寫：“人們總是高估短期內能達到的目標，卻容易低估那些需要較長時間才能達到的目標。”也許，真正的人工智能對人類社會影響之深遠我們還知之甚少，但人們也應對于如今AI的現實應用給予更加理性的認知，而這也是AI技術得以長盛不衰的關鍵所在。