根据世界卫生组织的数据，汽车事故是全球第二大死亡原因，每年约有 130 万人死于交通意外。其中中国的死亡人数约 260,000 人，美国约 40,000 人。发展中国家的汽车保有量还在增长，进而导致全球交通事故死亡人数继续上升。美国国家公路和运输安全局发现，在美国有超过 92%的交通事故案例是人为错误引发的。一些分析表明，用自动驾驶汽车取代人类驾驶员，每年可以减少多达 100 万的全球死亡人数。
现代社会非常依赖卡车司机来运送人们每天使用的各种物资。目前卡车司机处于短缺状态，许多司机接近退休年龄。因此，我们也可以期待在商业领域看到替代人类司机的货运解决方案。
在阿姆斯特丹这样的城市，水体覆盖了城区 20%以上的面积——60 多英里长的运河水道系统是该市主要的交通方式。阿姆斯特丹也非常拥挤，不仅有 250 万常住人口，每年还有超过 350 万游客。该市已与麻省理工学院的研究人员合作测试自动驾驶船舶，用于送货服务以及垃圾收集和水上出租车等场景，设法减少交通拥堵状况。
内燃机是全球温室气体的主要来源之一。过去几十年来的气候变化和城市生活的变迁引发了人们关于“逐步淘汰内燃机汽车，并用共享自动驾驶汽车取而代”的讨论。共享自动驾驶汽车将会减少交通拥堵，从而节约燃料和乘客的时间。经济顾问委员会估计，拥堵每年给美国经济造成的损失超过 1200 亿美元。
自动驾驶汽车本质上是与人类驾驶车辆具有相同要求的机器人—— 它们应该具备驾驶和停车技能、与其他汽车和基础设施通信的能力、导航技能以及获取能源的能力。行业利用人工智能技术来训练自动驾驶车辆行驶和停车、读取路标以及检测高速公路上的物体，然后处理检测结果以做出决策。那么在未来，人类会在陆地、海洋和空中采用电动自动驾驶交通工具（AV）来解决一系列社会问题吗？
物体检测
自动驾驶汽车能够使用自然语言处理技术来阅读路标内容，但它们接下来必须要决定如何处理这些内容。如果读取到的信息模糊不清，第二步就可能出现问题，因为深度学习技术仍处于早期阶段，获取推理和常识的能力仍有很大不足。
检测物体（车道、行人、自行车、动物、碎片、其他车辆等等）是更加复杂的任务。训练人工智能从一个角度检测物体的成本是很高的，并且需要大量数据。人工智能实际使用的数据是物体的边缘，前者通过训练来检测各种模式，直到达到所需的准确率为止。
对于人工智能系统来说，想要让软件进化到可以从每个可能的角度识别出每个物体是不切实际的。相比之下，人类的大脑已经进化到能够随意识别各种物体，无论它们是大是小，是由怎样的材料制成，还是从正面、背面或侧面观察。
计算机视觉技术使用的是超声波传感器和相机，它们在深度感知以及在某些天气和光照条件下使用存在很多局限。因此人们使用了一些更加昂贵的技术来辅助它们，包括在各种天气条件下都能可靠工作的雷达，以及擅长识别岩石和骑自行车者等小物体并绘制物体 3D 轮廓的激光雷达。
决策
根据波兰尼悖论，某些技能（例如骑自行车、下棋和围棋以及驾驶汽车）不适合通过指令来学习。当 AV 检测到一个物体时，只有在你能够预测所有可能场景的情况下，用来响应这个物体的编程规则才能真正行之有效。
但为所有可能的情况编写规则太复杂了。于是自动驾驶汽车会从经验中学习如何自己做决策和导航。例如，AV 使用的软件并没有为汇入高速公路和十字路口的方法编写规则。通过强化学习方法，汽车可以学到哪些路径是行不通的，哪些又是能顺利走下去的，并根据每一次尝试的体验结果来更新规则。
一种选择是让 AV 学习如何通过模拟训练来做决策。截至 2020 年，Waymo（前身为谷歌自动驾驶汽车项目，它是 Alphabet 的子公司）已经模拟了 150 亿英里的行驶里程，其中真实里程仅为 2000 万英里。
通过模拟训练，自动驾驶汽车可以获得更多经验并更好地了解它们可能遇到的各种可能场景。不幸的是，由于训练人工智能的数据与现实世界中的数据之间存在差异，机器学习过程无法判断模拟训练中使用的哪些模型在真实世界中是行之有效的。
另一种选择是在联邦政府指定的自动驾驶汽车试验场上测试汽车。这些试验场有定制的高速公路、停车场、十字路口和通信网络，车辆通过这些网络相互“对话”并与基础设施“对话”。AI 软件、底层处理硬件和传感器负责 AV 的决策。人工智能软件正在不断发展，每个更新的版本都需要再做测试。
由于目前的 2 级和 3 级自动驾驶汽车在高速公路上需要人类驾驶员监督行驶，因此在许多情况下，它们不被允许在高速公路上做出自主决策。这些测试道路旨在将 AV 暴露在尽可能多的常见和边缘情况下，尽量面对极端条件下出现的问题。AV 试验场提供了真实世界中存在的种种条件，但比模拟训练要昂贵得多。
自动驾驶汽车获得学习许可证
监管部门正在评估人工智能在高速公路上能有多大程度的自主决策权。SAE International 设计了一套系统，将驾驶自动化级别分为 0 到 5 级。目前，自动驾驶汽车基本上都有学习许可证，但在允许自动驾驶汽车在没有辅助的情况下自主在道路上行驶之前，它们必须先获得公众的认可。
自动化水平
0 级：没有自动化能力。驾驶系统可能暂时接管车辆控制功能——例如防抱死制动和电子稳定控制——但不能持续控制车辆。
1 级：驾驶员辅助。具备一些辅助功能，例如自动巡航控制和停车辅助。
2 级：部分自动化。驾驶员需要一直监控汽车，但在某些驾驶条件下无需手动转向、制动或加速。
3 级：有条件的自动化。车辆在大部分情况下都可以自动驾驶，但驾驶员必须时刻保持警惕，以便根据需要接管控制权。
4 级：高度自动化。车辆可以完全自主运行，但这仅限于特定的道路或条件。
5 级：全自动化。车辆可以完全自主运行，无需任何人类驾驶员干预。
今天市面上销售的大多数新车都是 1 级的，具有自动巡航控制和停车辅助等功能。包括特斯拉、优步、Waymo、奥迪、沃尔沃、梅赛德斯-奔驰和凯迪拉克在内的许多公司已经推出了具有自动加速和制动功能的 2 级车辆。如果出现问题，前排座位上必须有一名安全驾驶员可以接管控制权。
随着 2 级自动驾驶汽车进入高速公路，与人类驾驶员一起行驶并获取经验，它们也偶尔会发生碰撞事故。美国国家运输安全委员会（NTSB）发布了两起使用了 Autopilot 功能的特斯拉汽车遭遇的致命事故的最终报告。该机构确定事故的主要原因与特斯拉无关，但特斯拉的自动驾驶功能是一个事故促成因素——过度依赖自动化导致驾驶员注意力不集中、反应迟钝。
3 级和 4 级车辆大部分情况下都可以自动驾驶，但存在一些限制。Waymo 在亚利桑那州凤凰城有一支混合动力汽车车队，用于测试和开发专门用于接送乘客的 5 级技术。
数据处理和通信
今天的大多数数据处理技术都使用了冯诺依曼架构，其中数据存储器和处理器位于两个不同的位置，发展到现在就是流行的云计算技术。当摄像头和传感器检测道路上的物体并生成数据时，处理器需要快速分析数据并就加速、制动和转向操作做出实时决策。但是这种能力会受到延迟问题的影响。
解决延迟的一种方案是将处理和数据存储转移到更靠近需要改善响应时间的位置。例如，边缘计算技术将处理器放置在生成数据的位置。大多数新型人工驾驶车辆会包含 30 到 100 个电子控制单元（ECU），用于处理数据并控制车辆中的电气系统。这些嵌入式系统（通常位于仪表板中）控制多种应用，例如安全气囊、转向、制动器等。ECU 负责处理由 AV 中的摄像头和传感器生成的数据，并对车辆的运行方式做出关键决策。
由于通信有时会不可靠，AV 还会利用传感器融合或冗余预防系统出现单点故障。例如，如果汽车的传感器出现故障，它还可以依靠 GPS 技术来安全导航。
与使用群体智能的细菌、鱼类和鸟类类似，自动驾驶汽车也可以通过相互通信来改善导航决策。研究人员目前正在研究雾计算方法，这种方法将服务器放置在高速公路上，以实现更快、更可靠的导航和通信数据分析。与云相比，雾更加靠近地面，这也是雾计算的名称来源。
美国政府正在为车对车和车对基础设施的通信提供专用带宽。专用短程通信（DSRC）具有专门用于关键安全应用的双向通信带宽。5G 蜂窝网络是另一种延迟解决方案，具有更广泛的能力。自动驾驶汽车可以将关于天气状况和交通拥堵的数据发送到服务器，并根据服务器上的汇总信息调整自己的行驶路线。基于这些能力，5G 可以作为主服务，DSRC 可以作为后备服务。
电池和充电系统
为了让电动汽车（EV）大规模普及，研究人员必须设法让电池更便宜、更轻，并增加其能提供的续航里程。大多数电池提供的续航里程约 200-260 英里，而特斯拉 Model S 的续航里程达到了 370 英里，代价是其锂离子电池组的重量达到了 1,200 磅。因此，电动汽车一方面要面对电池价格和重量之间的权衡，另一方面小电池还需要更频繁的充电。
研究人员正在研究几种替代方案。更换电池方案太昂贵且不切实际。为 EV 充电需要电缆，而对于 AV 来说，还需要机器人或人类将电缆插入汽车和充电站。固态电池可以存储更多能量、充电更快，但它们仍在开发中。
研究人员还在研究更高效的电池充电方式。无线充电系统提供了一些优势。它们将减少 EV 对充电站和电池组容量的需求，这也能降低车辆的成本和重量。电能无线传输需要两个电磁线圈，其中一个线圈位于地面并连接到电源，另一个线圈安装在车辆中，与车辆的充电系统和电池相连。能量通过两个线圈之间的磁场传递。该技术仍在开发中，因为磁线圈之间的能量传输效率还不够理想。
谷歌和高通正在开发一种系统，可以在高速公路上嵌入充电线圈条，让汽车可以在行驶时充电。高通已经证明，即使车辆以 70 英里/小时的速度行驶并且表面被水覆盖，也可以在行驶中充电。使用这种方法时电池就用不着充电了，因为在路上行驶时不会消耗电池电量。这将消除人们对 EV 续航里程的担忧，并可能让电力成为汽车的标准能源。然而，人类长期暴露于弱磁场中时身体健康受到的影响目前尚不清楚。因此需要在这方面进行更多的研究以确保人身安全。
自动驾驶汽车面临的新商业模式
在司机愿意购买电动汽车、当地社区也愿意并有能力支持电动汽车的市场中，EV 已经开始普及。挪威、中国和加利福尼亚州已经发展出了成功的模式来支持电动汽车制造商和消费者。中国、欧洲和美国的电动和插电式混合动力汽车销量均超过百万辆，而拥有最大汽车市场的中国率先达到了里程碑。挪威在欧洲处于领先地位，是世界上人均市场渗透率最高的国家。挪威政府提供的激励措施包括免除税收、公共停车费和通行费。美国最大的市场加利福尼亚州的 EV 消费者则受益于州和联邦税收抵免。
在美国，销售汽车的标准商业模式可以追溯到 1930 年代。州法律禁止汽车制造商直接向消费者销售产品或提供售后服务。相反，州政府要求客户与中间人合作进行汽车销售和服务。这避免了三大汽车制造商对小型经销商的过多控制，或者与后者直接竞争。然而，一些趋势表明，为电动 AV 发展全新商业模式的时机已经到来。理想情况下，新的商业模式将基于对所有相关方——州、制造商、经销商和客户——的最大利益公约数而发展成型。
埃隆马斯克认为，独立的经销商系统与特斯拉心目中理想的客户教育和销售体验无法兼容。马斯克辩称，特斯拉的产品是独特的，只有特斯拉才能为它们提供充分的支持和服务。特斯拉没有独立的特许经销商网络，而是采用了直接面向消费者的销售和服务模式。虽然一些州开始在有限基础上允许厂商直接面向消费者销售车辆，但许多州仍然有很多限制。因此，马斯克正在逐州游说，并设法利用政策漏洞，例如在新墨西哥州的印第安人保留地设立支持中心。
根据麦肯锡公司的数据，电动汽车的制造成本比同类汽油动力车型高出大约 12,000 美元，而目前电池可以占到总成本的三分之一。再加上自动化带来的额外费用，即使有政府对电动汽车的补贴，一些特斯拉车型对许多消费者来说仍然过于昂贵。分析师估计，绕过中间商可以将车辆的客户成本降低约 8%。
电动汽车和电动 AV 的特斯拉商业模式会让各州和经销商获得的收入缩水。对于独立经销商来说，各州通常对每辆售出的车辆征收 6%的销售税。电动汽车降低了经销商的利润，打消了他们的销售热情，因为它们需要的服务比汽油车型更少。然而，马斯克表示，一旦电动 AV 市场更加成熟，他愿意转向混合商业模式。
一些消费者担心直接面向消费者的商业模式会让特斯拉形成垄断，但特斯拉面临着来自其他电动汽车制造商的竞争。为了提高竞争力，马斯克表示他打算生产更多价格在 25,000 美元范围内的汽车。
特斯拉展厅不得提供定价信息。相反，他们会将客户引导至他们的网站，并通过互联网进行业务交易。2020 年，千禧一代首次击败婴儿潮一代，成为新车最大的购买群体，而这些年轻、精通互联网的消费者普遍不喜欢汽车经销商。特斯拉的商业模式肯定会为客户提供不一样的购车体验——试驾可能会成为历史，不用去汽车经销店讨价还价更是非常吸引人的体验。
公众接受度
人类驾驶员和自动驾驶汽车都会遇到需要做出生死攸关决策的情况。例如，紧急情况下自动驾驶汽车应该转向撞死行人，还是什么都不做，结果导致自己搭载的乘客死亡呢？
麻省理工学院计算机科学家 Iyad Rahwan 通过一个名为 Moral Machine 的交互式网站对参与者进行了关于不同情景下道德困境的调查。该项目吸引了来自 233 个国家和地区的超过 200 万参与者，他们代表不同的宗教、国家和文化。研究发现，人类的道德准则并不普世，并不是每个人都平等地重视人的生命，或儿童和老人的地位。
尽管许多研究人员认为，从长远来看，由于人为错误减少，自动驾驶汽车最终会变得更安全，但 2018 年路透社/益普索的一项民意调查表明，社会还没有准备好大规模推广自动驾驶汽车。在不具备关于自动驾驶汽车的经验或知识的情况下，只有 27%的受访者（38%的男性和 16%的女性）表示他们会觉得乘坐无人驾驶汽车很舒服。虽然年轻的受访者通常对自动驾驶汽车更感兴趣，但 54%的司机认为与它们共享道路会让自己感到不够安全。
此外，自动驾驶汽车本质上是使用计算机和传感器的物联网设备，这使得它们很容易受到黑客攻击。通过互联网或车对车通信链路，黑客可以向汽车提供不准确的信息来迷惑它们，甚至接管其控制权。例如，黑客使用了“丰田的防撞系统让普锐斯刹车；使用吉普切诺基的巡航系统来让车辆加速；利用吉普的自动泊车系统诱使汽车认为它正在停车，于是错误地转动方向盘，其实它是在以每小时 80 英里的速度行驶。”为了避免此类问题，机器学习专家正在开发算法来检测异常命令和恶意软件活动以提醒驾驶员。
至于环境效益，虽然自动驾驶汽车的碳排放量可能为零，但如果为这些汽车提供动力的充电站是由化石燃料提供动力，那么这些好处就没有那么吸引人了。此外，制造电动汽车电池所需的许多金属，包括锂在内，需要在深海或陆地上采矿获取。环保主义者担心大规模采矿可能会破坏整个地区的生态系统。此外，波士顿咨询集团的一项研究发现，从长远来看，自动驾驶汽车实际上可能会加剧某些城市的拥堵。
广泛普及还是第三个 AI 冬天？
新兴技术的发展并不遵循线性路径。相反，它们会遵循炒作和失败的 S 型曲线。驱动自动驾驶汽车的一系列技术和基础支持设施具有多个 S 型曲线。自 1950 年代以来，人工智能经历了两个炒作周期，最终引发了两个人工智能寒冬，其中行业投资和公众利益都大幅缩减。由于自动驾驶汽车涉及多种技术，预测自动驾驶汽车的发展是一项极其复杂的任务。相比之下，像我这样的技术分析师会根据多种趋势预测几种可能的情况。
自动驾驶汽车最糟糕的情况是它们无法跨越最初的技术障碍。如果马斯克在你的家乡部署 500,000 辆自动驾驶汽车，一切都不会顺利走下去，因为当前的交通基础设施是为人类司机设计的，而不是无人驾驶汽车。如果道路没有很好的标记，自动驾驶汽车将无法安全地在车道上行驶。此外，当前的车对车和车对基础设施通信系统、实时数据处理技术以及电池和充电技术也无法充分支持大量 AV 的部署。然而，如果行业没有迈出第一步，基础设施和监管层面面临的障碍就无关紧要了。
虽然导航和自然语言处理等 AV 技术正逐步向自动化方向发展，但其他技术仍有很长的路要走。用于计算机视觉和决策的硬件和软件尚处于开发阶段。包括纽约大学的 Gary Marcus 在内的 AI 研究人员警告说，如果我们过度宣传 AV 所需的 AI 技术，我们可能会经历第三次 AI 寒冬。
在七十年前启动人工智能技术研发的达特茅斯会议，以及之后的两次人工智能寒冬之后，我们还是在研究狭义的人工智能、因果关系、理解神经科学和常识等问题。我们现在正处于人工智能的第三波浪潮中，它专注于克服深度学习的局限性。
尽管存在这些技术障碍，但目前人们乐观地认为人工智能研究人员最终将解决这些问题。DARPA 的资助项目和一些人脑研究计划专注于克服深度学习的局限性，试图更好地理解人脑的复杂性。汽车行业和风险投资家——主要来自美国、中国、德国、英国和以色列——已经在与 AV 相关的技术上投资了数十亿美元。中国政府设定了到 2030 年 10%的汽车达到 4/5 级自动驾驶的目标，这可能会加剧中国厂商与硅谷的竞争，并刺激相关创新的普及速度。随着时间的推移，人工智能和电池技术的重大突破将为普及 AV 所需的基础设施支持和法规铺平道路。当这一切成为现实，公众也会自然接受自动驾驶技术。
