人工智能的应用如何改善交通行业

每年，全球因车祸而死亡的人约有120万。而在2015年，与恐怖主义事件相关的死亡人数仅不到3万人。正如士兵已经到了深陷于毫无休止的阵地战中的第三个年头一样，我们对于发生在街头巷尾的惨痛祸事已经变得麻木不仁了。我们默认这些死亡是为了实现工作地点与位于城郊的住宅之间的便捷往返而付出的代价。无人驾驶汽车在安全性能方面的提升是任何驾考系统的进步或者为人类驾驶的汽车加载额外的安全保障都不能比拟的。颇令人灰心的是，人类驾驶员将高精尖的驾驶辅助技术理解为允许他们的视线愈加频繁地游离于道路之外的技术。这一点在2016年7月发生的一场惨烈车祸中无情地得到了印证。一位人类驾驶员将所驾驶的汽车开启了自动驾驶模式，并趁机看起了《哈利·波特》（Harry Potter）系列电影中的一部。对于那些致力于减小120万（全球每年因车祸而死亡的人数）这一数值的研究者而言，最佳方案就是让人类从驾驶座上完全隐退。我们应当将身份从容易心猿意马的高危驾驶员转换为全职乘客，而我们对汽车的操控仅限于将手机连接在汽车电脑上，并通过语音表述目的地的名称。

现在的实验性无人驾驶汽车上装有各式各样的传感器，能通过激光雷达（light detection and ranging，LiDAR）（一种发射激光束、接收并分析周边物体回波信号的系统）来识别附近物体，此外，汽车上还会配备借助无线电波的反射功能的，专门用于探测周边高速移动物体的雷达系统。这两个系统上都加装了通过声波反射探知回声以识别周围物体的声呐系统，另外还装有光学相机。在谷歌地图（Google Maps）等地图软件的辅助下，车辆可以制订距离较远的驾驶计划。地图软件还为无人驾驶汽车提供了卫星影像、街景地图和交通状况的实时更新信息。

这些传感器会生成大量数据，如若没有足够的能力对这些数据加以分析，它们的价值将十分有限。在《无人驾驶汽车：智能汽车及其未来之路》（Driverless：Intelligent Cars and the Road Ahead）一书中，作者霍德·利普森（Hod Lipson）和梅尔巴·库尔曼（Melba Kurman）阐述了机器学习是如何让无人驾驶汽车更好地利用数据的，其所实现的价值是人类驾驶员通过读取仪表显示盘上经过编辑选择后留下的主干数据的方式远远不能比拟的。无人驾驶汽车展开的“深度学习”与传统的人工智能策略有天壤之别，传统技术意在将车辆可能遭遇的各类情况形成编程指令并输入系统，而进行过“深度学习”的汽车与其说是靠编程指令来控制，倒不如说是车辆本身就“训练有素”。无人驾驶汽车的训练始于艰苦卓绝的达尔文式进化：符合人类训练员判断的响应（如注意并躲避行人）将被保留，而与人类训练员的判定相悖的响应则会被终止。利普森和库尔曼认为，人类训练员的重要性在逐渐淡化：

终有一天，深度学习软件会发展到可以独立操控无人驾驶汽车，令车辆自主运行并在运行中源源不断地收集最新的训练数据的程度。这些数据将被用于训练深度学习软件以升级其识别物体的精确度，并进一步提升其性能。随着车辆导航软件的日益强大，越来越多的无人驾驶汽车可以出现在街头巷尾，并收集到更多的训练数据。

一辆无人驾驶汽车上路的时间越长，所积累的数据就越多，在路上表现出的性能也就更优越。“车队学习”（fleet learning）更能够将某辆车的训练结果传输到一整支车队中其他所有的车辆上去，这无疑进一步拉开了人工驾驶汽车和无人驾驶汽车之间的差距。这样的传输就如同一位脾气不佳的父亲或母亲可以轻轻松松地将毕生的驾驶心得迁移到其子女的脑海里，而不用喋喋不休地劝诫说：“难道你没看见那里有个停车标志吗？”人类驾驶员足以致命的心不在焉和过于自信的超车行为中都存在着有潜在危险的驾驶方式。无人驾驶汽车则不会重蹈这些覆辙。据说，上文提到的那场车祸是由于春日艳阳高照，那辆车的自动驾驶仪没能识别出一辆横穿高速公路的18轮卡车兼拖车组的白色车身而造成的。但此后，所有的同品牌的无人驾驶汽车都不太可能再犯同样的错误。利普森和库尔曼列举了“车队学习”的优势。

当汽车以数据的形式将驾驶“经验”汇集在一起时，每辆车都将从其他所有车辆的总体经验中获益。数年之后，指挥无人驾驶汽车的操控系统所积累的经验会比将1000个人的毕生经验加起来都要多。

戈登对无人驾驶汽车持怀疑态度。对于第三次工业革命涉及的各个领域在未来的发展趋势：医药领域的飞跃，小型机器人、3D打印技术、大数据与人工智能的发展等，戈登都表示不以为然，其中他最不看好的一项就是无人驾驶汽车。对此，戈登提出了两条批评意见。首先，在我们看来，无人驾驶汽车似乎具有划时代的意义，但是，与在第二次工业革命中汽车所经历的划时代发展相比，汽车实现无人驾驶就只能算是小小的改变而已。戈登说：“这块未来发展的领域在历史重要性的排名上是垫底的，因为与汽车的发明或车辆安全性的提升相比，无人驾驶汽车所附带的价值较小。自20世纪50年代以来，车辆安全性的提升使每辆车每英里^[1]的死亡人数缩减到了原来的1/10。”对于无人驾驶汽车产生的潜在经济影响，他同样不为所动，“利用无人驾驶汽车通勤所产生的额外消费者剩余相对较小。人类驾驶员在能够浏览电脑或手机屏幕、看书或查阅电子邮件时，不会去关注五花八门的各种选项，包括使用蓝牙耳机拨打电话、收听广播新闻或网推音乐等”。

戈登对于无人驾驶汽车带来的经济前景感到忧心忡忡，这是毫无道理的。目前，我们将大比例的城市空间都留给了汽车。毕马威会计师事务所（KPMG）进行的一项调查显示，当无人驾驶技术全面应用后，现今半数的车主都将不打算继续持有汽车。随着人类驾驶员退出历史舞台，城市中导致交通堵塞的车辆的数目将呈断崖式下跌。许多人会从上一代将汽车视为自由之“精髓”的理念中挣脱出来。我们也将无须精疲力竭地寻找停车点，因为载着我们到闹市办事的车辆会自动返航并回到出发地。对此，戈登承认，“即便这对于生产力发展没有直接的影响，对于我们生活质量的提高也将产生积极的意义”。但是，除了提高生活质量之外，无人驾驶技术蕴含的潜在经济价值也是极其可观的。在紧张忙碌的上下班高峰期，来来往往的劳动者穿梭于闹市工作区与城郊居所之间，纵横交错的车道将市中心划割得“伤痕累累”，而无人驾驶汽车将让这里再度焕发生机。除了下单点外卖咖啡与快餐之外，人们还可以频繁地光顾五花八门的服务场所，享受额外的服务与体验。

戈登对无人驾驶汽车技术持怀疑态度的第二个考量则在于这种技术是否能够实现。他说：“为无人驾驶汽车喝彩的技术乐观主义者除了拥有高涨的热情之外，还留下了一大堆悬而未决的问题。”目前，无人驾驶汽车的雏形遭遇到了令研发者阵脚大乱的情况，他们并不擅长决断，无法明确判定无人驾驶汽车什么时候能够安全地在双车道路面上通行。现在，控制语音触控系统的软件不时会出现运行故障之类的问题。(www.xing528.com)

戴维·奥特尔（David Autor）也认同对数字技术的创新无动于衷的经济学家的主要见解。他谈到了在海量数据面前，机器学习具有发现有价值的规律模式的显著能力：

我总体上观察到的是，这些工具具有不稳定性：有时准确得惊人，通常只是马马虎虎，偶尔又像个黑洞……IBM公司生产的沃森电脑在益智问答游戏节目《危险边缘》中，因击败人类冠军选手而声名大噪。但沃森在拿下比赛过程中，也曾给出过一个风马牛不相及的答案。那个问题是猜一座美国的城市名，题干为“它有两个机场，其中最大的机场以一位第二次世界大战中的英雄的名字命名，第二大机场以第二次世界大战中的一次战役命名。”沃森给出的答案竟然是多伦多，一座位于加拿大的城市。

奥特尔对沃森电脑的挖苦未免显得有些气量小了。即便是在塞雷娜·威廉姆斯（Serena Williams）最无懈可击的网球秀中，一些失误的击球也在所难免。我们在评判沃森电脑在地理上的混乱时，应该也要想到，当那位参加智力竞赛的人类选手被问到“英国历史上有几位名为亨利的君主？”时，他也曾小心翼翼地说：“嗯，我知道亨利八世。所以，嗯，有三位吧？”

奥特尔承认对于机器学习的前景，人们还存在争议。他谈道：“有些研究者预计，随着计算机能力的提高和训练数据库的扩大，机器学习采用的粗略近似法将会接近甚至超越人类的能力。其他人则认为机器学习永远只能保证在大体上‘不出错’，但是同时会错过许多重要的、信息量大的例外情况。”奥特尔对于机器学习的概述具有悲观倾向。奥特尔指出，许多物体是以它们存在的目的来定义的，例如，椅子是设计出来供人坐的，而这些目的给机器“学习者”带来了“基础问题”，即便有海量数据可供机器“学习者”学习。目前的机器“学习者”正在努力地将椅子与其他形态相似但绝不会有人想要坐上去的物体区分开。奥特尔用哲学家卡尔·萨根（Carl Sagan）的一句话道出了在他看来机器学习所面临的挑战之巨大，“如果你想要从零开始制作一个苹果派，那你就得先创造出宇宙”，这实在是太艰难了。

很显然，即便是当下最强大的智能机器也会做蠢事，机器学习面临着严峻的挑战。但关键的问题是，从机器学习的远景来看，这些挑战将如何体现。戈登与奥特尔解答这个问题的方式是错误的。心理学家格尔德·吉仁泽（Gerd Gigerenzer）曾经写道，各类预测可能会因为信息太多而失败。如果你了解的事实与过去的表现紧密相关，但与未来却没什么关联，你也会误入歧途。因此，你所得出的结论会倾向于将一般性的事实过于紧密地与过去具体的场景联系在一起。吉仁泽说：“在一个不确定的世界里，复杂性策略之所以会失利，就在于它阐释了过多的事后的领悟。其实只有部分信息对于未来是有价值的，而直觉的艺术就在于要专注于这部分信息并遗忘掉其他信息。”如果我们能够退后一步，不去关注目前谷歌或无人驾驶汽车的工程师所面对的棘手问题中的细枝末节，而是聚焦于无人驾驶汽车演变的宏观模式，我们就能更好地预测无人驾驶技术的未来前景了。

过于关注目前机器学习领域所悬置问题的细节，有些类似于人们关注艾科DH.4双翼飞机（Airco DH.4，在第一次世界大战中使用过的轰炸机，战后被改装为客机）的种种局限，不厌其烦地描述一些当时困扰航空工程师的棘手问题，例如如何提高飞机的可靠性、安全性与载客容量等，并最终得出结论，将这种飞机投入商业航空领域的长远前景并不乐观。

在未来技术发展的过程中，的确还存在着悬而未决的问题，关于这一点，没有人会感到惊讶。2018年登场的无人驾驶汽车是在将来某个时刻会投入生产的未来汽车的雏形。我们不能笃定，目前未能解决的技术难题将来一定会迎刃而解，或许这世上还有些未能为人所知的物理定律，这些物理定律将阻挡我们通往成功的道路。我们应当承认，从逻辑上来说，关于解决方案的理性预测并不一定成立。但是，我们能够发现，这些问题其实隶属于一个更大的范畴，而这个范畴中的许多问题是我们曾经解决过的。因此，我们可以满怀信心地认为，只要我们一直努力尝试下去，这些未解之谜终将被破解。如果我们与当今的谷歌工程师一样，只是盯着那些让他们抓耳挠腮、百思不得其解的问题不放的话，我们也很可能会觉得要破解这些问题难于登天。对此，无论是身为哲学家的我，还是经济学家戈登与奥特尔，都没办法发表太多的见解。但是，我们选中的合理视角却能让我们对于解决方案终将诞生这一事实满怀信心。那些面对挑战的谷歌工程师与毫无头绪的普通工程师之间有着极大的区别。如果你让一位普通的谷歌工程师设计一架时光机，以阻止美国总统约翰·F.肯尼迪（John F.Kennedy）被刺，那么，你大概只能得到一个茫然的眼神。但如果你要求来自2016年从谷歌品牌中剥离出的、专攻无人驾驶技术的谷歌无人驾驶公司的工程师在目前有关无人驾驶汽车设计的悬而未决的问题上取得进展，你将会得到截然不同的回应。关于如何解决横亘于今天无人驾驶汽车的雏形与未来可以量产的车型之间的问题，谷歌无人驾驶公司的工程师很可能正在提出并验证着各种猜想。为了解决问题，专攻无人驾驶汽车的工程师只能将目前正在开展的工作一直推进下去，这样做意义重大。但非专业人士则需要退后几步，从艰深的细节问题中抽身，转而去关注大趋势，这样才能对未来前景有更准确的判断。我们相信，正如水管工会成功地疏通任我们自己百般努力也疏通不了的下水道一样，工程师才是解决相关专业技术问题的专家，我们也要对工程师怀有同样的信心。