本文来源：
AI未来进行式/李开复，陈楸帆著.—杭州:浙江人民出版社，2022.5
ISBN 978-7-213-10162-5
自动驾驶车辆，又称无人驾驶车辆，是一种不需要人类主动操作，在计算机的控制下就能够完成驾驶任务的车辆。
驾驶行为是一项复杂的系统工程，人类需要平均花费约45小时才能学会如何驾驶汽车。
整个驾驶过程包括：
感知（双眼观察、双耳监听）；
导航规划（把实体环境与脑海中的路线或导航地图上的具体位置关联起来，研判如何从A地到达B地）；
推理（预测路上行人及其他车辆驾驶员的意图和可能的行动）；
决策（根据实际情况，按照交通规则决定采取何种驾驶行为，比如驾驶员在被提示超速之后做出立即减速的决定）；
车辆控制（把人脑的意图准确落实在转动方向盘、踩刹车等肢体行为上）。
自动驾驶利用AI代替人类驾驶车辆，所依靠的是神经网络而非人类大脑，负责执行的是机械硬件而非人类的手和脚。例如，AI的感知，需要通过摄像头、激光雷达和其他传感器来了解和掌握周围环境的状况；AI的导航规划，是将三维道路上的点与高精度地图上的点一一关联，进而完成路线规划；AI的推理，需要借助算法来预测行人、车辆的意图和行动；AI的决策，诸如车辆在监测到有障碍物时应该做什么，以及在障碍物被移开后又应该怎么做等，则是依赖于专家制定规则或统计估算来进行。自动驾驶的发展，从最初需要依靠人类驾驶员的辅助一步步走向成熟，直至最终实现完全无人驾驶。
目前阶段：乘用场景由L2逐步向L3迈进；商用场景L4先行落地
终极形态：完全自动驾驶（兼顾出行安全与出行效率）
终极目标：颠覆人类传统出行方式
国际自动机工程师学会（SAE International）根据AI参与驾驶的程度，将自动驾驶从L0到L5一共划分为六个等级（Level），具体如下。
L0 （“无自动化”的人工驾驶）：人类驾驶员承担所有的驾驶任务，AI会观测道路并在必要时提醒驾驶员。
L1 （“人类不能放手”的辅助驾驶）：在人类驾驶员的允许下，AI可以完成特定的驾驶操作，如转向。
L2 （“人类放手”的部分自动驾驶）：AI可以承担多项驾驶任务，如转向、刹车、加速，但人类驾驶员仍然需要监控驾驶环境，并在必要时接管车辆。
L3 （“人类移开视线”的有条件自动驾驶）：AI可以承担大部分驾驶任务，但需要人类驾驶员在AI遇到无法处理的情况并发出请求时接管车辆（有一些人对L3持怀疑态度，认为人类驾驶员突然接管车辆会增加危险发生的可能性，而不是降低风险）。
L4 （“人类放松大脑”的高度自动驾驶）：AI可以在整个行车过程中完全接管车辆，但前提是车辆处于AI能够完全理解其状况并处理其问题的环境中，如被高精度地图覆盖的城市路面或者高速公路。
L5 （“不再需要方向盘”的完全自动驾驶）：无论车辆处于何种环境，都不再需要人类驾驶员参与驾驶操作。更具象地说，我们可以把从L0到L3的自动驾驶想象成一辆新车的附加功能，相当于人类驾驶员多了一种AI工具，不过，它对未来交通变革的作用有限。
从L4开始，车辆开始拥有自己的“大脑”，这将对人类的交通产生革命性的深远影响。可以想象，在未来，L4自动驾驶巴士会按照固定路线往返运送乘客；L5自动驾驶出租车能够让乘客通过打车软件（如“滴滴出行”）进行呼叫，而且很快到位。
真正的自动驾驶什么时候才会出现
如今，从L0到L3的自动驾驶已经在商用车辆上落地使用。从2018年末开始，部分L4自动驾驶车辆也在一些城市的限定区域内进行了路测和试验。但是，从目前来看，L5自动驾驶（以及受限制较少的L4自动驾驶）依然遥不可及。
实现L5自动驾驶的主要难题之一，是AI系统需要针对大量的数据进行训练，而且这些数据必须来源于千变万化的真实驾驶场景。如此一来，所需场景的类别非常多、数据量级非常大、数据维度非常广，但是把路面上的一切物体在所有情况下的数据（如放置方式、移动方向等）全都收集到手，是相当不现实的。
当然，有一些方法可以用来处理部分具有“长尾”特征的状况。比如，我们可以在不同场景中添加虚拟的正在追逐的孩童或缓步行进的老人，甚至突然窜出来的小狗等，借助合成模拟来扩大数据覆盖面及多样性，然后像《神圣车手》中恰马尔通过驾驶游戏练习车技一样，通过这些模拟场景来训练AI程序。我们还可以为AI系统提前指定某些规则（比如车辆遇到四向停车标示路口时，行进次序为先到先行），不必让AI系统从数据中去重新学习交通规则。不过，这些解决方案不是万能的，合成数据的质量无法与真实数据的质量相比，而人为制定的规则也可能会出错或者相互矛盾。
实现L5自动驾驶的最大挑战在于，一个小小的错误就可能造成难以挽回的后果。如果淘宝的AI没能准确地推荐一款产品，也没什么大不了的；但如果自动驾驶系统出了错，就可能要付出宝贵的生命。
面对这些客观存在的挑战与难题，许多专家认为，实现L5自动驾驶至少还需要20年的时间。我认为，要加速这一进程，更有效的办法是大胆改造现有的城市道路及相关的基础设施。在通常情况下，我们是在当前城市道路的基础上畅想L5自动驾驶的。但是，如果我们有可以嵌入传感器和无线通信设备的“增强版城市道路”，那么，道路是否就可以主动“告诉”车辆前方有危险，或者让车辆能“看到”其视野之外的路况？如果我们能把一座新城市的道路规划为两层——一层供车辆通行，一层供行人通行（以防车辆撞人），那么完全自动驾驶车辆的行车环境是否会截然不同？通过重建基础设施，我们可以通过尽量降低自动驾驶车辆附近有行人走动的可能性，从而大幅提升L5自动驾驶车辆的安全性，使其更早上路。
在升级后的增强版城市道路上，车辆的自动驾驶系统与真实环境的信息流能做到无缝通信，因此可以实时调度车辆，就像《神圣车手》里所描绘的，能够避开跑马拉松的人潮、飞驰的救护车等惊险场景。如果我们未来的城市道路构建了智能化交通网络，并且有与之相匹配的高性能自动驾驶车辆，L5自动驾驶时代就有可能更早到来。
需要说明的是，即便由AI驱动的L5自动驾驶更加成熟、安全了，也仍然有一些状况是AI无法完美处理的。例如，一起突发的爆炸事件摧毁了某条道路，未能实时更新的电子导航地图还在指示自动驾驶车辆继续前行，这时候，车辆该怎么办？
或者，在地震等极端自然灾害发生的瞬间，自动驾驶车辆该何去何从？在这些情况下，最好的解决方案是立即“召唤”一位专业的人类驾驶员来接管车辆。当然，把救兵跨时空瞬间移动到远处是不可能的，但如果我们把当前的交通场景“复制粘贴”到一个远程操作中心，人类驾驶员就可以在那里的独立“远程驾驶舱”中进行遥控操作。我们可以使用增强现实（AR）技术投射出车辆所处的环境（借助自动驾驶车辆上的摄像头来完成），并将这些远景画面发送到远程驾驶舱。
接下来，人类驾驶员根据远景画面所采取的操作行为（如转动方向盘或踩油门），将被传送给自动驾驶系统，进而控制车辆。这就是故事《神圣车手》中恰马尔身处远程驾驶舱，却能驾驶真实车辆的实现过程。在这一过程中，要想通过最小延迟的方式远程传输高保真视频画面，需要占用大量的带宽，不过这在未来将不是问题。
现在，5G网络已经开始展现这种潜力。按照10年一代的发展速度，到2030年，我们将进入6G网络时代，到那时，这种远程驾驶所要求的低延迟（low latency）将不再是门槛。L5自动驾驶、增强版城市道路、传输AR视频连接远程操作中心的6G网络等将实现技术融合，预计在2030年前后便能开展实验性部署。我们预测，随着技术的迭代升级，L5自动驾驶将在2040年左右实现大范围的安全落地。不过，需要说明的是，做出这一预测需建立在与伦理道德和责任义务相关的问题已有解决方案的假设之上。
- 中力的自动驾驶的叉车（AMR）可以在仓库或厂房里实现完全自主驾驶
（图片来源：中力叉车）
驭势科技的自动货运车在机场和客运码头之间完全使用无人驾驶运送行李
(图片来源：香港国际机场）
未来几年，从L0到L4的自动驾驶技术将逐步在愈发复杂的应用中落地，在这个过程中，AI系统将不断收集数据并进行改进，从而推动L5自动驾驶技术的成熟。
其实，最简单的自动驾驶技术已经应用于我们的生活之中。例如自动化仓库机器人、自动叉车和自动导航车辆，它们大部分在室内作业，应用于特定的工业场景，而自动货运卡车、固定路线的自动驾驶摆渡车也已经陆续部署在矿山和机场。
除此之外，在一些可预测性较高的环境中，自动驾驶技术的能力已经优于人类驾驶员。目前，已经采用这种技术的车辆，有在高速公路上运行的自动驾驶卡车、按固定路线行驶的机场至酒店接驳车或自动驾驶公交车。上面提及的每一种落地场景都将收集到更多的数据，用于改进AI算法、覆盖所有可能出现的算法路径，从而降低意外发生的概率，为未来L5自动驾驶时代的到来奠定更加坚实的基础。
目前现状部分可参考：
小结 | 由早期逐步向成熟市场转变 数据积累加速技术突破
✓电动化趋势已定，汽车行业下一阶段竞争将来自于智能化，且又以智能驾驶为核心：1）渐进式路线：L3功能初步导入，但目
前限于高速及城市快速路（高精地图覆盖区域），下一阶段主要拓展城市区域同时提升功能连续性；2）跨越式路线：商用场景
率先落地，运物快于运人，低速快于高速，头部企业开启技术方案输出降维赋能
✓看好渐进式硬件预埋+跨越式特定场景加速落地，我们认为法规滞后性影响有限，伴随车企、科技互联网巨头发力，智能驾驶
技术突破有望快于预期，2022年将成为L3落地关键年份：
看点一：海量数据积累，软件快速迭代，覆盖Corner Case长尾场景
1）软件开发方式由1.0时代逻辑驱动逐渐转向2.0时代数据驱动，数据（高质量+多维度）成为智能汽车新“化石燃料”
2）算力、算法、数据之外，自动标注+数据闭环能力亦为核心
看点二：深度硬件预埋，芯片算力升级，激光雷达前装量产
1）高性能感知传感器：激光雷达+高清摄像头+4D毫米波雷达+高精定位，感知方案与跨越式自动驾驶逐步趋同
2）大算力芯片及计算平台：智能驾驶“数字发动机” ，英伟达凭借较高开放程度及稳定工具链，短期相对竞争优势明显
看点三：高低阶双向互动，高阶降维赋能，低阶数据反哺
看点四：软件收费，服务订阅，商业模式变革
服务贯穿汽车全生命周期，据特斯拉2020年年报，相关递延收益19.3亿美元，小鹏Xpilot3.0订阅收入预计也已达5,000万元
以上，软件收入未来将成为车企营收重要构成
回归L5自动驾驶车辆将带来的影响
L5自动驾驶车辆成功上路，将带来一场颠覆性的交通革命⸺随需应变的车辆将以更大的便利性、更低的成本和更高的安全性把乘客送到目的地。我们可以设想以下场景。你的日程表显示，你需要在一小时后出门去参加一个会议，那么你完全可以在手机软件上预约“滴滴出行”的自动驾驶出租车。滴滴出行的AI算法会提前把自动驾驶车队派到预测将有搭车需求的人流附近。
例如，在一场音乐会即将结束的时候，将车队派到音乐会现场附近。智能调度系统会用算法求出使自动驾驶车队空载率最小化的最优解（兼顾了用户等车时间、车辆空载时间和充电补能时间）。没有了人类驾驶员，由AI管理的全自动驾驶车队将实现绝佳的利用率。共享汽车实现自动驾驶，将省下大笔用于雇用人类驾驶员的资金，这将为消费者降低近75%的成本，从而进一步吸引消费者选择自动驾驶共享汽车出行，不必再自己买车。人类驾驶员要成为一名熟练的老司机，可能需要积累1万小时的驾驶经验，但一辆自动驾驶车辆可能拥有1万亿小时的驾驶经验，因为它可以从每一辆车那里学习，而且永远不会忘记，也不会疲倦。所以，从长远来看，我们确实可以期待自动驾驶带来更高的安全性。但在短期内，自动驾驶车辆如何才能合法上路呢？只有在“比人类驾驶更安全”的大前提下，政府才会批准普及自动驾驶。如今全球每年有约135万人死于车祸，在中国就有近10万人。
因此，任何自动驾驶技术都必须有理有据地证明它们至少和人类驾驶一样安全。当第一辆“比人类驾驶更安全”的自动驾驶车辆推出之后，AI将继续学习更多的数据，不断改进自己。10年后，预计因车祸身亡的人数有望大幅下降。
据统计，美国人平均每周要在开车这件事上花费8.5小时，而在未来的自动驾驶时代，人们将额外获得这8.5小时的宝贵时光：自动驾驶车辆的内饰会重新配置，人们在车内可以工作、通信、娱乐，甚至睡觉。由于许多日常出行是一人出行或两人出行，所以共享的自动驾驶车辆可以被设计成小型车。但即使是小型车也能配备舒适的躺椅，在冰箱里装好饮料零食，还有一块大屏幕，便于视频通话或娱乐。AI的特点是它的良性循环：更多的数据带来更好的AI，更有效的自动化带来更高的效率，更频繁地使用带来更低的成本，更多的时间带来更高的生产力。这些将发展成一个相辅相成的良性循环，并加速推动自动驾驶技术更快地普及。
随着自动化程度与通信技术水平的提升，自动驾驶车辆将能迅速、准确、轻松地相互通信，例如，一辆爆胎的车辆可以告诉附近的车辆不要靠近；一辆正在超车的车辆可以将其行进轨迹精确地传递给附近的车辆，所以两辆车可以仅仅相距5厘米却不会造成任何刮擦；当乘客赶时间时，他所搭乘的车辆可以向其他车辆提供减速和让行的奖励（比如付给对方1元钱），争取让对方允许自己超车。在这些出行变革的过程中，将创造由AI驾驶主导的新型交通基础设施，人类驾驶反而会变成路面上的安全隐患。几十年后，人类驾驶说不定会成为一种违规行为。也许从禁止在高速公路上驾驶车辆开始，最终人类将被法律禁止在所有公共道路上驾驶车辆，到那时，爱车人士可能不得不像马术爱好者一样，只有去私人娱乐区域或者赛车场，才能摸到方向盘。
在自动驾驶车辆及技术、共享用车服务越来越成熟的同时，买车的人会越来越少（这实际上减少了家庭开支）。未来的共享自动驾驶车辆可以全天候高效运行，不需要停车，而且车辆的总数也将显著减少，因此我们几乎不再需要停车场了。据统计，目前，车辆有95%的时间都闲置在停车场里，在这种情况下，很多停车场的存在，其实是对土地资源的一种很严重的浪费。总的来说，共享自动驾驶车辆所带来的这些变化，将减少交通拥堵，降低燃料消耗，改善空气污染，节约城市空间，使人们的生活和地球环境更为美好。当然，在提高生产力的同时，人类社会的其他方面也将受到剧烈冲击。首先，在自动驾驶时代，出租车、卡车、公共汽车和送货车等车辆的驾驶员在很大程度上会“怀才不遇”。
目前，中国有数百万人以开出租车或卡车为生，有许多人在快递、物流等行业做兼职驾驶员，而从事这些工作的人都将逐渐被AI取代。其次，还有一些传统职业也将因为自动驾驶而被颠覆。由于新一代汽车将由电子和软件驱动，不再完全依赖机械零件，从事汽车机械维修的员工将需要重新学习电子和软件方面的专业知识；加油站、停车场和汽车经销商会明显减少，与之相关的员工将被大幅缩编。总之，许多人赖以养家糊口的工作模式将被彻底改变，其情形犹如当年人们的出行方式从乘坐马车演进到乘坐汽车时一样。
阻碍L5自动驾驶的非技术性难题
在自动驾驶普及的过程中，我们需要解决许多极具挑战性的非技术性难题，如伦理道德、责任义务以及大众舆论等。这是意料之中的，因为有超百万人的生命与此息息相关，更不用说自动驾驶将给各行各业带来改变，并影响数亿人的工作了。
在某些情况下，车辆可能也需要被迫做出痛苦的伦理抉择。最著名的伦理困境莫过于“电车难题”：一辆电车失控了，即将撞死A和B两人，作为驾驶员的你是否应该拉一下拉杆让失控的电车转换轨道，撞死另一条轨道上的C呢？如果你认为答案是显而易见的，那么如果C是个孩子呢？如果C是你的孩子呢？如果这辆车是你的车，而且C是你的孩子呢？现在，如果人类驾驶员的行为导致车祸造成死亡，他们需要对司法程序做出回应，由司法程序判定他们是否行为得当，如果他们被判定行为不得当，那么后果可想而知。
但如果是AI导致了死亡的发生呢？AI自己能用可以被人类理解的、合理合法的理由来解释它的决策吗？要知道，“可解释的AI”是很难实现的，因为AI往往是通过数据训练出来的，AI的答案是一个复杂的数学方程组，需要高度简化后才能被人类理解。
而且，有些AI的决策在人类看来其实是彻头彻尾的“昏招”（因为AI缺乏人类的常识），反过来说，有些人类的决策在AI看来也是“愚不可及”的（因为AI无法理解，为什么人类会做出酒后驾驶或疲劳驾驶这类害人害己的愚蠢行为）。这里还涉及其他一些问题，包括自动驾驶为人们节省了数百万小时的开车时间，可是同时使数百万人类“职业驾驶员”的生计受到影响，在这两者之间，我们应该如何做好平衡？也许5年后，AI积累了数十亿公里的驾驶经验，自动驾驶的安全性有所提高，车祸导致的135万死亡人数由此可以减半，但在过渡期，AI可能会犯一些人类驾驶员不会犯的错误，这是可以被接受的吗？
这里，最根本的问题在于，我们是否应该让一台机器做出可能危害人类生命的决定？如果答案是绝对否定的，那么，也许我们应该彻底结束对自动驾驶的研究。生命可贵。显然，每个身处自动驾驶领域的公司都必须谨慎行事。
针对这个问题，目前有两种典型的做法。其一，在推出自动驾驶产品之前保持谨小慎微，在绝对安全的环境中缓慢收集数据，以避免任何死亡事故。这是谷歌旗下的自动驾驶公司Waymo的做法。其二，在只能说还算安全的情况下尽快推出自动驾驶产品，以扩大所收集的真实数据的规模——要知道，虽然这种做法在开始的时候可能会导致较多的死亡事故，但在未来，AI系统势必会挽救更多的生命。这是特斯拉的做法。这两种做法哪一种更好？就算由两位非常理性的人来评价，他们也可能各持己见。
还有一个重要问题：如果车祸中有人死亡，谁来负责？是汽车制造商？是AI算法软件的供应商？是编写算法的工程师？还是在必要时接管车辆的人类驾驶员？我们现在得不到明确的答案，但需要尽快明确。纵观历史，我们知道，只有明确责任归属，才能围绕责任归属建立新的行业规则。例如，信用卡公司应该对欺诈造成的损失负责，而非银行、商店或信用卡持有者；基于这个规则，信用卡公司得以向其他方收取费用，并将此类收入用于防止欺诈，从而成功地建立起信用卡的生态体系和商业模式。
同理，自动驾驶时代即将来临，对于交通事故的责任归属，需要各相关机构尽快明确。假设责任由AI算法软件的供应商承担，那么如果Waymo开发的软件导致了一场死亡事故，死者家属能向Waymo的母公司Alphabet（谷歌的母公司）提出多少金额的索赔要求？要知道后者的市值已经超过1万亿美元，在不排除有人漫天要价的前提下，问题会变得非常棘手。因此，我们一方面需要明确保护软件缺陷受害者权益的法律条款，另一方面需要确保技术进步不会因过度索赔而停滞不前。最后，交通事故（恶性事故除外）如今很少会成为头条新闻，可是，当2018年Uber的自动驾驶车辆在美国凤凰城造成一名行人死亡后，这起事故在几天之内就迅速成为全球各大媒体的头版头条新闻。
不否认Uber的自动驾驶系统可能存在问题，但是，如果媒体对未来的每一起由自动驾驶导致的死亡事故都大肆报道，则可能对新技术造成极大的舆论压力。
另外，如果媒体对每一起由自动驾驶导致的死亡事故的报道都使用谴责性的标题，那么可能会在短期内彻底摧毁公众对自动驾驶产业的信心，即使在长远的未来，自动驾驶有望拯救上百万人的生命。事实上，上面这些问题都有可能引起公众的恐慌，促使政府对新技术加强监管，或者使政府推行新技术的策略趋于保守，并且有可能推迟我之前所预测的自动驾驶落地的时间表。
上述关于职业淘汰、伦理道德、法律问责、公众舆论等方面的议题，都是合情合理的难题。我认为，我们需要提高认识，鼓励有关各方进行充分讨论，并尽快就这些难题制定可行的解决方案。只有这样，在自动驾驶技术成熟的那一天，我们才能在非技术的各个层面做好准备，迎接它的到来。