吴甘沙：无人驾驶让我们看到梦想中的北京

编者按：本文来源于中国计算机学会，作者吴甘沙，授权36氪发布。作者为驭势科技联合创始人、CEO。创业前为因特尔中国研究院院长、首席工程师。致力于研发最先进的自动驾驶技术，以改变这个世界的出行。

自动驾驶：技术，产业和社会变革

众所周知，信息技术发展呈现20年周期律：1970-1990年是发轫于PC的数字化，1990-2010年是互联网推动的网络化，从本世纪2010年开始的20年，我们将面临机器智能的寒武纪大爆发。生命的寒武纪大爆发有多种有趣的解释：

其一，生物进化出能感知世界的视觉，在与环境的丰富互动中导致物种的千变万化；二，当时高水平的地壳运动使大量钙元素喷入海水，早期生命演化出壳体和骨骼，生存几率剧增。如果物联网是机器的“视觉”，互联网带来了地壳运动，而大数据是钙元素，所有这些印证了机器智能的爆发恰逢其时。

人工智能目前炙手可热，创业公司如雨后春笋般涌现。从业者开始思考，如何让技术形成涟漪效应，形成产业的非线性、跃迁式增长。有人把人工智能和产业比喻成葡萄干和面包的关系，在一起创造出高价值的新品类，但葡萄干离开面包只是葡萄干而已。笔者近年来探索人工智能的产业机会，得出结论：最近5-10年，自动驾驶是人工智能带来增值最大的产业，没有之一。

自动驾驶产业和社会变革

自动驾驶产业涉及三个万亿美金市场：全球汽车市场万亿美金，出行市场万亿美金；而在实际产业之外，自动驾驶为社会经济带来的额外收益又将是万亿美金，摩根斯坦利的研究报告指出自动驾驶将为美国每年带来1.3万亿美金、相当于GDP 8%的社会收益，分别来自燃油节省、拥堵减缓、事故减少和生产力提升。

自动驾驶风起汽车产业，这个被称为“工业之王“的产业过去100年在竞争格局上并没有大的变化，一辆车3万多零件，价值链和资金周转周期长，巨头林立，后来者只能知难而退。

然而过去5年发生的四个趋势完全颠覆了这一格局：

• 首先新能源化，特斯拉这样的电动车将零件数降到1万个，进入者门槛极大降低；

• 其次出行多样化，尤其共享出行改变了汽车的消费模式；

• 而智能化和网联化改变了汽车的定义，电子和软件压倒传统机械和电气，汽车成为移动的智能化空间，在这里人与信息和服务产生无数的触点。

竞争格局的改变并不只有利于后来者。传统的汽车产业巨头比以往任何时间都更勇于拥抱新趋势，通用汽车投资出行服务提供商Lyft、又一掷10多亿美金买下创业公司Cruise Automation，国内长安汽车具有辅助驾驶功能的汽车2000公里进京、并与谷歌等国外巨头积极接触，可以看到他们直面挑战的决心。

自动驾驶带来的变化远远不止是汽车产业，它的高级形态——无人驾驶——将彻底改变出行。我们心中有一个梦想：让首都摆脱“首堵”，让行者出行无忧，这也许只需要 10 年。今天的北京有近 600 万辆车，多数是私家车，场外仍有百万人排号买车，为每年的 6 万个车牌号惆怅。车越来越多，停车越来越难（一辆车两个停车位，难怪城市15 - 20% 的土地用于停车），而限行却让更多人买车，路上越来越堵，废气排放导致雾霾，交通事故高居不下，形成恶性循环。

我们不禁思考：为什么都要买私家车？原因众所周知，北京有近两千万人口，却只有七万辆出租车，即使加上滴滴和优步的“游击队”，仍然无法为多数人提供即时、按需的出行服务。那么，想象一下这个场景：10 年后，北京只有 100 万辆私家车，但同时有 200 万辆出租车，基于大数据的调度算法，可以使其为千万人提供按需的出行——当您踏出家门，车已经等在外面。

有人说，到处打车，打不起。我告诉你，那时打车花费只需要今天的五分之一。为什么？我们可以算一笔账：今天一辆出租车 5 年生命周期的产值，10% 付车钱和维修费，30% 是司机收入，30% 是份子钱、税和保险，30% 是油钱。10 年后变成无人驾驶出租车，人工成本和份子钱消失，调度算法消灭“空驶“、新能源每公里的能源成本低于常规燃料，打车成本自然就降低了。所以，您今天需要花 50 元，10 年后可能只需要不到 10元。路上长流不息的多数是无人驾驶的出租车，车减少了一半，但车的利用率极大提升，堵车成为过去时，天空重归于蓝，停车位被改成公园、活动空间和住所，车祸几近于零，这就是我们梦想的北京。

交通流、信息流、能源流的三流合一将形成巨大的海啸，所有与人或物相关的交通将被重新定义，保险需要涅槃重生，而服务业将找到新的爆发点——上述的无人驾驶出租车是除了家和办公室的第三空间，是移动的商业地产，移动的影院、移动的办公空间、移动的咖啡馆（星巴克）。

什么是自动驾驶？

自动驾驶是个笼统的概念，往往各种混杂说法见诸报章。在搜索引擎上，你会看到诸如“长安汽车完成长距离无人驾驶首试”、“特斯拉无人驾驶出事！还敢放心交给它吗？”、“乐视无人驾驶超级汽车亮相”这样的报道，显然混淆了概念。

我们在这里一一正本清源。 首先一个大概念是智能驾驶，在驾驶的智能方面有驾驶辅助（driving assistance）和自动驾驶。 驾驶辅助还是人开，智能体现在对环境的感知、并适时预警（比如车道线偏离和前车碰撞预警）。

从驾驶辅助到自动驾驶是很大的飞跃。自动驾驶在感知之外，加上了规划/决策和控制。驾驶辅助的感知强调低误报（误报多人们就不用了）、低频触发，人是最终的决策者，所以驾驶辅助出错无伤大雅。自动驾驶的感知有极高的要求，因为把一段时间的控制权完全交与了机器，不仅要求低误报（不然莫名其妙的刹车不但烦人，在高速上很危险），而且要求零漏报，漏一次就是交通事故。

自动驾驶常常有三种不同的形态：

1. 首先辅助驾驶或半自动驾驶，特斯拉的autopilot即是此类。在某些场景下汽车可以进入自动驾驶，比如自动的紧急刹车，在封闭、结构化道路上的自适应巡航和车道保持，还有自动泊车。必须注意的是，这类技术有较大的局限性，特斯拉近日的多起事故都是出现在十字路口、入口/出口和双向路，这超出了autopilot的处理能力。

2. 下一步是高度自动驾驶，在大街小巷多数场景下可以自动驾驶，还能支持多辆车的编队行驶。这类技术的环境感知和驾驶认知能力得到了极大提升，不仅仅能处理上述autopilot不会的路况，甚至能在完全没有车道线的非结构化道路畅行。高度自动驾驶汽车还能在复杂路况下与其他智能车辆或人驾驶的车辆共享或竞争路权。

3. 第三类是全自主驾驶或无人驾驶，完全由人工智能来驾驶，可以把方向盘、油门和刹车拿掉。

未来 5 年，传统车厂和零部件供应商的主要努力方向是第一、第二类自动驾驶，这并不是以拿掉驾驶员为目的的，而是让驾驶员更加安全和舒适。显然这是更稳妥的渐进道路。

而一些“野蛮人”直接选择了无人驾驶作为切入点，同样剑指2020年。他们认为前两种自动驾驶是危险的，因为机器失效时、突现危机的电光石火中驾驶员不一定能立刻进入状态、做出清醒的决策。所以终极的办法是“消灭“驾驶员。这样的车是真正为出行者设计的，小孩、老人、宠物、残疾人都能够开车，出行的权利极大释放。传统车主要卖给消费者，而这类车则是面向运营，好处是运营者可以限制它的运行区域和应用场景，利用区域内的高精度地图，可以布置增强的环境支持（比如GPS地基增强），并且限制速度。在无人驾驶上谷歌是个中翘楚，技术遥遥领先。即使这样，谷歌还是把这类车的速度限制在25英里/小时（或40公里/小时，提升到35英里/小时的实现难度可能要增加1倍），在城区场景下，这个速度不是大问题，很多大城市的平均通行速度只有20-30公里/小时。

自动驾驶的前世：科研开道

自动驾驶的最早原型可能要算“斯坦福车”，这个60年代获得NASA资助的项目在Hans Moravec——被誉为“人工智能最坚定的支持者”——的努力下获得了巨大进展。Moravec通过远程图像来操控它的运行，然而它逃脱了控制，直接开上了繁忙的道路，追捕“叛逃机器人”成为无人车历史上诙谐的一笔。Moravec在机器视觉的探索中遭遇很多挫折，后来有了著名的莫拉维克悖论（Moravec’s paradox）——人类的高阶智能，比如推理、规划和下棋，计算机能够轻易实现；而几个月婴儿就驾轻就熟的低阶智能，如感知和运动配合，计算机的能力仍然遥不可及。

自动驾驶真正获得进展是从无人驾驶开始的。这也得感谢DARPA（国防部先进研究项目局），这个“黑科技神盾局”孕育了互联网（阿帕网）、鼠标、触屏、Siri、甚至无人机和无人驾驶汽车。

DARPA为降低未来战争中士兵的伤亡，在2004年举办了第一届无人车“大挑战”（Grand Challenge），可惜所有车队在沙漠中全军覆没。而随后的2005年，成为一段光辉岁月。卡耐基梅陇Red队是夺冠热门，其老大、机器人专家Red Whittaker志在必得。在挑战者中，斯坦福的Stanley并不起眼，可是领队Sebastian Thrun矢志夺魁，这位同步定位与地图创建（SLAM）的先驱从卡耐基梅陇失意出走，试图在这场比赛中夺回尊严。卡耐基梅陇的两辆车一路领先，可下半程几个松动的零件导致大幅减速，只获得第二和第三。而Stanley虽然在比赛中出了几次事故，但未伤筋动骨，在删除了一些无关紧要的代码后竟然越跑越好，最终斩获200万美元奖金。在这次比赛中，很多车辆都使用了激光雷达、高精度的GPS和惯性导航系统，直到今天这仍然是很多无人车的标准配置。

2007年“城市挑战赛（Urban Challenge）”卡耐基梅陇卷土重来，这次他们准备充分，40人的队伍，除了两辆参赛的车辆，还有一辆补给车提供充足的零件替换。Whittaker终于摘得桂冠，他付出了巨大的代价，以至于后来200万美金的奖金都没有填上投入的巨大窟窿。在他的武器库里，第一次出现了一种新型的64线激光雷达，为了让这件武器投入使用，卡耐基梅陇的工程师为它写了大量的驱动程序。一家音箱厂商Velodyne的极客老板做出了这个价值7-8万美金（现在国内卖70万人民币）的大杀器，在其后的近10年间，成为全世界绝大多数无人车必须配置的组件。

斯坦福屈居第二，也许这是实力的真实体现。深度学习大咖Yann Lecun说过一句不太中听的话：“如果你闭门研究，质量会下降，这就是为什么军方研究烂。” Thrun很清楚DARPA挑战赛的胜负并不重要。他在学术界并不愉快，在跟谷歌老板Larry Page业余时间玩了一段机器人后，摇身成为谷歌X实验室的创始人，并且在2009年开始了无人驾驶车的商业化探索。Thrun把卡耐基梅陇车队的技术灵魂Chris Urmson等好几个牛人挖来了。虽然两队是世敌，他们却保持着相互的欣赏，甚至在赛场上也有绅士风度的相助。后来Thrun出走谷歌去开慕课平台Udacity，Urmson成为谷歌无人驾驶车项目的灵魂。

自动驾驶的今生：企业精耕

谷歌的第一辆无人车是基于混电车Prius改的，顶上装着64线激光雷达，他们以此来建立高分辨率的三维环境模型，或高精度地图。为了建图，车往往到晚上开出来扫街，因为这时候路上比较清静不易被发现（有人发现了也误以为是街景车），而路面上临时的车辆和其他物体也比较少。

谷歌的第二代无人驾驶车却是来自一个创业公司510 SYSTEMS，其核心Anthony Levandowski是加州大学伯克利分校的，并非出自无人驾驶车三强（卡耐基梅陇、斯坦福和麻省理工），但做的东西非常棒，于是谷歌悄悄把这家公司买下来，并且在其基础上发展出了基于丰田Lexus的平台，一直到现在Lexus仍然是谷歌车队的主流车型，常在路上行驶的有20多辆。

谷歌的第三代无人驾驶车是真正的跃迁，这款车是完全从头设计的，长得萌怪，有点像树袋熊。谷歌在设计上做了很多思考，比如移除了雨刷，因为并不需要有驾驶员在雨中看清路况。按照设计，这种车是没有方向盘的，但由于加州法律的限制，车里还是有个游戏操纵杆作为方向盘。谷歌目前已经有30多辆这种车在路上跑，同时还在大量制造。

谷歌的60多辆车已经行驶了200多万英里，然而在实用上面临一定的问题：一是激光雷达等传感器太过昂贵，二来区区200多万英里不能证明无人驾驶足够安全或比人更好，因为在美国人的驾驶水准是9000万英里才死一个人。

另一条路线逐渐成为主流，他们从驾驶辅助和辅助驾驶开始，死磕以视觉为主的低价方案，试图实现快速商业化。其中翘楚是Mobileye和特斯拉，Mobileye的驾驶辅助系统已经在1000多万辆车上安装，而特斯拉的autopilot在短短7个月间积累了1.3亿英里的自动驾驶里程。

早在Stanley车上已经有了视觉作为激光雷达的补充，其主要人员Gary Bradski, 是OpenCV的发起人，当时是笔者在英特尔研究院的同事。而真正把汽车视觉发扬光大的是以色列人Amnon Shashua，来自无人驾驶车第三股势力麻省理工。Shashua在01年时曾经跟Thrun共用过办公室，然而他在自动驾驶的探索上可能更先于Thrun。Shashua在99年跟一个商业奇才一起成立了Mobileye，这家公司在10余年后开创了以色列史上最大的IPO。然而这10多年中，Mobileye度过了漫长的依赖无数轮融资的研发苦旅。

Mobileye刚开始时更多在做一些高深的研究问题，比如行人和车辆检测。这时一个高人的点拨让Shashua茅塞顿开，一定要听从客户的要求。恰逢通用汽车对车道线检测开始投标，Shashua的学生花了几个月写出了车道线检测，然而这不能保证Mobileye胜出。Shashua玩了极其高明的一招，他在给通用展示车道线检测的同时，顺便展示了还很不成熟的车辆检测。这让通用大喜，决定取消投标，并且把资金投入这家以色列公司。

随后的10年，Mobileye从车道线、车辆检测到行人检测，从算法到芯片，从后装的驾驶辅助产品到几百款车型的前装，从驾驶辅助到辅助驾驶，把单目摄像头加传统计算机视觉的技术路线发展到了极致。

但这并没有阻止业界在更广领域的探索。基于多目摄像头的立体视觉，在很多场景下展示出优于单目的感知能力。而在算法上，基于深度学习的汽车视觉算法展现了更强的适应能力，并一定程度上削弱了Mobileye的先发优势。

Mobileye基于10多年的经验和1000万英里的数据，精心设计了分辨车道线和道路目标的识别特征，比如巡航时前面汽车的特征包括车身下的阴影，对称的方形后部，对称的车灯等。但这种方法不能保证从其他角度识别各种形状的汽车，事实上特斯拉的致命车祸中，车上安装的Mobileye摄像头未能认出拖车的横侧面。

在大数据的支持下，深度学习强大的自我特征学习能力超越了多年的人工特征工程。人们发现，传统的计算机视觉算法不能赶上高度自动驾驶的需求，在更复杂的路况中（比如不同角度的汽车识别、完全看不见车道线的非结构化道路），深度学习成为唯一的选择。很多后来者，包括笔者所在的驭势科技，迅速把深度学习应用到汽车感知。当然，Mobileye并没有故步自封，也开始了基于深度学习的探索。 

视觉不仅仅是感知的重器，它提供了建立自动驾驶地图的另一种思路。前面讲到，谷歌坚持用激光雷达建立高精度三维地图——稠密点云表征的三维世界，并且通过实时的点云匹配来判断当前位置，但它的问题是：数据量大，每公里需要几个GB的数据，无法把全世界装在硬盘里，目前的网络条件也无法实时下载和更新；另一方面，每辆自动驾驶车都必须装昂贵的激光雷达，这推迟了自动驾驶的普及。

于是业界开始探索新的思路。传统地图厂商，如HERE、TomTom和四维，寻求在现有地图上进一步提高分辨率，增加更丰富的路面语义信息（地标、交通信号、车道、坡度和曲率）。一方面地图测绘需要高端传感器（如激光雷达），测绘完对大量数据做离线处理，变成很小的矢量地图，汽车可以实时下载，另一方面定位时则只需要较低端的传感器。图商和车厂仍需进一步合作验证这样的地图是否适合自动驾驶。

Mobileye以及笔者所在的驭势科技都不约而同地采用视觉地图，因为摄像头每辆车都有，从视觉中提取的地图又特别小，适合实时上传、通过众包的方式更新。事实上基于视觉的定位更接近人的工作方式。我们根据道路上的标志来评估大致的位置，并且根据路面线条的变化做实时的决策（是选哪一条车道，是否上匝道等）。那么，只需从视觉中提取出那些标志和线条，众包上传到地图（每公里只需10KB级别的数据），而行驶时可以通过视觉匹配来获得定位。

在视觉狂飙猛进的同时，其他的技术也在飞速发展。比如视觉加雷达的多传感器融合，在很多场合下能够获得更好的感知能力。视觉的优势是分辨率高，含丰富语义，但缺点是受天气和光照影响；毫米波雷达只能跟踪对象，而无法获知其大小形状，但受环境影响小。两者的融合已经成为目前辅助驾驶的标配，特斯拉的autopilot即是如此（它还有短距离的超声波雷达）。

值得一提的是，特斯拉的致死事故中纵然有Mobileye视觉未能认出拖车横侧面的缘故，也有雷达识别失误的问题。雷达安装较低，垂直扫描角度小，只能在较远的距离看到拖车（拖车底盘高，所以近距离时不能扫描到），在这起事故中拖车被认成龙门或横跨马路的交通标志。目前，各个传感器通常只能在各自识别完成后做融合，这时候的融合逻辑变得非常困难，因此，多传感器的底层、深层融合非常值得探索。我们已经看到雷达和摄像头的合体RACAM，以及激光雷达和摄像头的混血版。

当然固态激光雷达的异军突起将改变感知技术的格局。传统的机械激光雷达要做每秒5-15转的360度扫描，机械马达做到足够可靠、激光发射和接受做到足够精准是非常昂贵的。固态激光雷达通过半导体技术，比如MEMS镜子或相控阵的光学干涉，实现了电子扫描。半导体受益于摩尔定律，可以迅速降低成本。未来5年我们可望看到100-500美金的激光雷达产品。

除了感知，在规划和控制这块我们也看到了长足的发展。传统的规划考虑安全和舒适性，而现在把竞争性也放入了考量。自动驾驶的车辆如何去预测行人和其他车辆的动机和动作？如何激进地并线来获得路权？谷歌和Mobileye等都在开始尝试新的算法，比如采用强化学习和递归神经网络。必须指出，机器学习和专家知识是可以互补的。谷歌年初发生了自动驾驶车撞上大巴的事故，如果在规划中融入对大巴驾驶员判断的经验知识可能可以规避。

另一些勇于吃螃蟹的人试图用深度学习的端到端学习，来整个解决感知—规划—控制的一揽子问题。视觉图像作为输入，经过神经网络，控制信号直接出来。这个思路早在深度学习出来之前就由Yann Lecun试过，并不成功，而近年来深度学习的发展让业界对其又重燃希望（AlphaGo不就是把故纸堆里的Q Learning和深度学习嫁接，取得巨大成功吗？）。英伟达在从感知到控制的端到端自我学习上做出了有益的尝试，谷歌传言也在探索这一方向，黑客George Hotz用2000行代码实现的原型也被奉为传奇，但笔者判断真正实用尚需时日，在规划和控制上有限数据样本的统计学习还不足于取代人类的经验知识。

网联的未来

在相当长的时间里，自动驾驶车将与有人驾驶车共享路权，单车智能是必要的基础。但自动驾驶的未来不是一辆车战斗，随着5G通信网络的普及，V2X（包括车对车和车与基础设施的通信）将丰富自动驾驶的技术内涵和生态，放大其作用。V2X能做什么？首先是安全。今年清明的时候，在沪宁高速上发生一起数十辆车连环相撞的惨剧，由于雨天极差的可见度，即使每一辆车都有自动驾驶功能，仍然难逃刹车不及的宿命。假设车车之间有通信，第一辆车发生制动的瞬间，后车连续接到指令、自动刹车，那就可以将大祸消弭于无形。

V2X还能改善能源效率。欧洲已经开始尝试大货车的编队行驶，领航车的执行动作通过V2X指令传播到跟随车辆，保持整个车队的队形和操控一致，这样最大的好处是后车风阻减少，能源大大节省，至于头车嘛，“能力越大，责任越大”，能源消耗是少不了的。

V2X还能提升通行效率。现在高速上的一大问题是只要有一辆车突然刹车，减速影响将如地震波一般连绵传播数公里，使整个道路的通行效率剧减。麻省理工的教授发现，假设V2X允许每辆车的速度控制在前后车速度的平均值，某车瞬间减速的影响会向其前后两侧传播、并且迅速消失。更甚者，如果V2X能够掌握路口各个方向的车辆运行状况，并且计算出每一辆车的通行顺序和速度，那么可以完全把红绿灯拿掉，各车按序各行其是，完全不用担心撞车。当这一天实现时，城区的通行速度将至少获得1-2倍的提升（要知道，今天北京的平均时速只有20多公里/小时）。

自动驾驶：安全第一

汉语“安全”在自动驾驶这个语境里有两层意思。

1. 第一层是Safety。传感器360度无死角覆盖，多种传感器融合，感知算法要精准，感知-控制反馈要实时，软硬件多层冗余，高温度范围、防震、防尘等。汽车行业对功能安全有个ISO 26262的标准，整个流程下来会让IT工程师“易筋洗髓”、脱一层皮。

2. 第二层是Security。一方面，日益复杂的算法和功能要求使得通用操作系统在车上使用，另一方面，联网的需求使汽车直接暴露在网络攻击之下。前不久两位黑客通过车载联网娱乐系统攻破并控制了一辆大切诺基，远程打开冷风和显示器，随即接管显示屏，大音量播放音乐（以至于车主求救的声音也被淹没了），开启雨刷、关闭引擎、使刹车失效，揭示了让人恐慌的黑色未来。

如何破解？一是打铁自身要硬，仔细梳理和定义自动驾驶系统的安全需求和风险分析，建立具有可信计算基础的软硬件平台，采用分域、虚拟化等机制隔离关键模块，通过加密保护端到端的数据通路。

二是实践全新的安全设计方法学，如图所示，安全的考量开始于设计时，从确认设计（do the right system）到验证实现（do the system right）；紧接着在运行时，是否足够安全、抵御攻击，能否在线升级、保证软件常新，系统出现单点故障是否有足够冗余；最后，万一系统依然沦陷，有没有办法强力终止，或重获控制。

第三，上述切诺基揭示的是灾难也是机会。如果未来存在一个安全信息市场，安全研究人员或白帽黑客发现安全缺陷，可以通过市场将该信息卖给主机厂商或技术供应商，如果有这么一个发达的市场，那“天下无贼”不远矣。

特斯拉在致命车祸的抗辩中，指出autopilot已经行驶1.3亿英里，这是第一起死亡事故，而世界范围每行驶6000万英里就有一次致死事故，全美的平均数字是9400万英里，因此自动驾驶更加安全。虽然笔者是自动驾驶的拥趸，但必须指出，这一论据并不充分。1.3亿英里、不到1年的上路时间、10万辆左右的车，是非常小的数据样本。换言之，只要明天再出一起死亡事故，拿美国均值做标准就不及格了。

事实上，著名智库兰德公司的研究报告2指出，要在数学意义上证明自动驾驶比人安全，需要测试上百亿英里、几百年的时间。这是全世界任何一个车厂都无法完成的任务。人们不会因为某家车厂没有达到理论上的低死亡率而不尝试自动驾驶。但如果某家车厂能够用更多的里程来证明自己，毫无疑问将获得更多的青睐。谷歌显然擅于此道，还记得AlphaGo吗？它通过虚拟的自我对弈3000万局，它1天的弈棋超过职业棋手的一生，终于得窥堂奥。同样，谷歌的自动驾驶团队开发出模拟器，1天能够虚拟行驶300多万英里，这可能是达到兰德目标的唯一途径。

法律、法规和政策是桎梏吗？

制约自动驾驶迅速普及的因素包括技术成熟度，成本和法律法规，而后者越来越成为最大的拦路虎。在美国和欧洲，巨大的企业和院外游说力量在推动改变。美国交通部及其相关机构国家公路交通安全管理局（NHTSA）已经开始建议无人驾驶的合法化，他们采用了一个绝妙的方法，在所有交通相关的法律里，“驾驶员”都可以用具有人工智能的机器替换，犹如一个短平快的Ctrl+H使整个法律体系为无人驾驶敞开大门。当然，联邦政府只能给州吹风，而各州需要各自制定可操作的法律法规框架。目前，美国有四个州和一个特区已经允许自动驾驶上路，多数仍然要求驾驶员在位。总体而言，未来走势非常乐观。

世界范围内，《维也纳道路公约》也获得了历史性的突破，原来公约要求驾驶员时刻保持对车辆的控制，而在14年，公约批准了自动驾驶的有关修改，只要其能够“被驾驶员权限否决或接管”。修改的生效仍需时日，可以看到总体而言欧洲没有美国激进（因为欧洲的大车厂在短期内都回避无人驾驶）。中国并非公约的缔约国，但中央和地方政府都对自动驾驶寄予厚望，对于法律法规的进展，我们的判断是先慢后快。

那么什么样的自动驾驶车可以上路测试和销售呢？这一点可以借鉴他山之石。

在美国加州，车厂或技术公司如要申请自动驾驶路试，只需提交一些申请材料，准备保险额度500万美元，以及有司机/操作员培训计划纲要即可。

那么销售呢？国家公路交通安全管理局通常采取事后认证方式，自动驾驶先入市，再颁布标准，如果事后发现产品有重大缺陷，管理局则要求召回。相形之下，欧洲和亚洲要更加保守，在车型进入市场之前就需要认证，也就是说，自动驾驶车需要“考驾照”。欧洲和日本已经致力于建立统一的自动驾驶车型测试标准。当然，老革命也会碰上新问题，特斯拉的车销售时是没有自动驾驶功能的，所以并没有经过相关认证，但有一天这个车突然通过远程软件升级能自动驾驶了，那要不要重新回去认证？这是摆在欧日管理当局面前的新问题。

通过了考试，未必在路上就不会出问题。出了事故怎么定责，怎么赔偿？首先，自动驾驶车上需要一个“黑匣子”，最好随时记录了过去30秒的系统运行状况和道路情况，这样一旦出事，就可以帮助定责。特斯拉有几起车祸，车主抱怨autopilot出了问题，而事后根据日志一查，事实上是车主的操作失误。同样，如果是车的问题，那也可以搞明白是设计缺陷还是实现、制造缺陷。

定了责，就要有赔偿，赔偿一定靠保险。传统的车险是个摇钱树，因为马路杀手太多，一旦自动驾驶普及，90%的车祸将消失，那么车险就将衰亡。不过，也许柳暗花明。如果原来1天100起事故，个个都是冤有头债有主，没车厂啥事；而现在，即使减到了1天10起，但都是找车厂，所以车厂一定愿意找保险来保车，而不是像原来保人。

当我们谈论道德和伦理的时候，在谈些什么

经常有这样的辩论，你说自动驾驶能够带来效率提升、事故减少，他们说自动驾驶有道德和伦理的问题。经常拿出来说的是“电车难题”，大意是有轨电车呼啸而来，轨道尽头有5个小孩在玩，而另一个轨道上只有一个小孩，你是变道工，要不要选择变道呢？切换到自动驾驶的场景，就产生了很多不同版本。出现危险时，是撞左面的三个人还是右面的一个人，是撞老人还是小孩，是选择戴头盔的摩托车手还是不戴头盔的，是选择牺牲车外的人还是车里的人，不一而足。这些问题都有一些逻辑上的陷阱，比如你说撞戴头盔的，原因是撞后比不戴头盔的更可能生存，别人就会质疑你歧视守法公民。

我的观点是：

第一，这些事件出现的概率极低，切不要因为这个东西讨论不决而把技术的推广应用耽搁了，要知道，自动驾驶减少事故和生命财产的损失是实实在在的。

第二，这样的难题人也不能决定。这个问题在Michael Sandel的哈佛公开课《公正》里做了深入的讨论，实用主义者说选择牺牲1人而救5人，自由主义者说每个生命都有尊严，甚而质疑实用主义者，如果给你选择把边上的大胖子推下去救那5个人做不做。几个教授在《科学》上发表了论文《The social dilemma of autonomous vehicles》，揭示了非常有趣的研究结果：如果事不关己，绝大多数人是愿意选择撞更少的人，可是如果涉及自己在车里，那一定是先保全自己。人都不知道对错，如何让机器知道对错？

第三，所有的这些讨论都基于一个假定，车有能力准确判断情况并且做出正确选择，但事实上这是对人工智能的高估，在这一刹那可能分不出来老人和小孩，不了解到底戴不戴头盔，更不知道到底撞哪个人后果更重或者更轻。TA根本就没有能力准确选择。

第四，选择撞5个人或者1个人法律上都是错误的，两个选项中根本就没有对的，那就不存在选错的问题。那么，只要做一个当时逻辑上合理的选择，就不能被认为违法。比如我们可能就选择最保守的方式，让速不让道，速度降下来但是不串道。

说了那么多，是希望不要纠缠于这些假设的问题，相信未来技术发展会带来答案，一旦车对环境有全面感知，车对自身有更好控制的时候可以选择一个人都不撞。

事实上，对于从业者来说，有更重要的伦理和道德问题要考虑。

比如要正视潜在的利益冲突方和反对者。对于这样一种统计上更安全、但仍有可能犯低级错误的技术，一定有人接受、有人反对。多数人对“更安全”并没有直接的感受，但只要有一次事故就有可能变为反对者。

早在1975 年，芝加哥大学教授Sam Peltzman的研究指出，安全带和安全气囊实际导致了更多的交通事故。在新技术发展的初期，无论是厂商还是消费者都要有勇气和耐心。对于厂商来说，还需要敬畏和尽责。现在一切都强调互联网思维，常曰“完美是优秀的敌人”、“完成胜过完美”，技术不必完美，先让用户试用，在迭代当中慢慢改善。特斯拉是具有极大勇气的先行者，第一次尝试了通过远程升级赋予汽车自动驾驶功能，但是在尽责上可以做到更好，比如在宣传上区分autopilot和无人驾驶，在告知义务上强调beta版软件的不可靠性，在告警义务上对于注意力不在路上的司机更加严格等。

自动驾驶一定会动很多产业的奶酪，比如未能转型的传统车厂和职业司机。如同早在工业革命初期即已存在的勒德主义者（仇恨并破坏机器），这样的反对者不会死、只会慢慢凋零。这个过程需要巨大的智慧。

又比如数据和隐私。大数据时代数据是原材料、资产、货币和致胜之匙，所有企业都会有数据饥饿，但是收集数据对用户要有告知义务，不能以用户的隐私为代价。这一点特斯拉做了有益的尝试，对于每一段旅程，开始5分钟和最后5分钟的数据是不记录的，这涉及到用户的准确住址或去处。

最后，不排除在某些地区因为监管需要或不可说的原因而存在软硬件后门。厂商必须守住底线，有所为有所不为。

结论

结论是三句话：第一，无人驾驶是变革性的，既是创业创新又是社会创新。第二，感知手段和人工智能将是决胜的关键。第三，无论是法律，法规和政策，还是道德伦理争论，都要有勇气和耐心，呵护无人驾驶的健康发展。期待路不堵、天很蓝、自由出行的那一天早日到来。 

References

1. Morgan Stanley. Blue Paper “Autonomous Cars: Self-Driving the New Auto Industry Paradigm“，Nov 16, 2013.

2. Rand Corporation. “Driving to Safety. How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? ”. Apr 12, 2016.