自动驾驶会导致AI“奇点”后的失控吗？

自动驾驶的终极解决方案是强AI，但有远见的学者都对此表示强烈的担忧。这是否意味着我们应该在此之前“踩刹车”或者另辟蹊径？一条风景极佳的道路尽头是否深渊？最糟糕的预期，很可能来自我们恐惧的源头——人类从未面对过比自己更聪明的实体。



7月4日，李彦宏在百度AI开发者大会上实现了“吹过的牛B”，L4级自动驾驶商用车阿波龙的商业化量产，成为自动驾驶领域最新的重磅新闻。

同时发布的还有AI芯片“昆仑”，李彦宏也对“昆仑”不惜溢美之词，声称其能在100W的功耗上实现260Tops性能（1Tops=1012次/秒运算）。

可以预见，无论被视为一套系统的自动驾驶技术，还是其中作为“驾驶员”这个关键决策角色的AI技术，将以超出公众想象的速度快速迭代进化。

但随着自动驾驶技术的逐步成熟和商业化应用，其背后人工智能技术的快速迭代，也引起更多对未来的担忧和伦理探讨。毕竟在高速行驶的汽车上，一旦面对最糟糕的结果选择，人类并不信任机器能做出合适的判断。

推理至上与快速迭代

众所周知，L4级被视为自动驾驶的一个关键节点，AI全面接管驾驶工作，人类对驾驶行为的干预不再是必须而实时的。
昆仑芯片在自动驾驶场景中，最重要的工作就是根据传感器数据，满足训练和推断的需求，根据路况不断预测未来0.1-10秒的路面局势变化，这是高等级自动驾驶独特的能力。

换言之，只有经过训练的强AI才能独立处理未知局势。
例如谷歌的AlphaGo，在CPU之外采用了用于评估局面的4TPU。实际上是卷积神经网络的应用。它的分支有两个：价值和策略。不必每一步都穷举到最后，它就能推断每一步的价值和对最终获胜的影响。
按照谷歌首席工程师的说法，在任何一步，AlphaGo都会准确预测如何能赢。

这不是在跳大神，而是自我监督下的AI展现出强大的推理和预测能力。如果采用云端算法，很可能实现强AI。
仅仅过了一年时间，战胜过李世石和柯洁的AlphaGo，已经没有任何一个活着的人类可以匹敌了。它拥有40层神经网络和“足够视野的前瞻性”，能够看到未来的危险和价值，并采取最优策略。



尽管因为应用场景只局限于园区等固定区域，阿波龙的L4级自动驾驶仍有争议，但在开放道路上的L4级自动驾驶，强化AI是其中最可能的途径。它可以避免优步在今年早些时候、在凤凰城路测发生的悲剧。

此前，在量产车上搭载的行车电脑ECU（包含微处理器、外围电路、存储器和接口等）可以做之前人类才能做的事。
在它的指挥下，自动变速箱通过液力变矩器调整传动比，轻松换挡。而转向机构则会感知方向盘的动作，产生助力。在高速行驶中遇到变道行驶或侧风、路面倾斜等外部干扰时，驾驶人可以自如操纵方向。低速转弯时前后轮转动方向相反，可以轻松通过以前需要多次转弯才能通过的小弯。

尽管现在ECU能做这么聪明的事，但它仍然不被看做AI。因为真正的AI核心在于推理能力，这一点也正以肉眼可见的速度飞快迭代和进化，就像AlphaGo每晚与自己对弈数百万盘，而人类通常在睡大觉。
如何满足不知满足的人类呢？AI需要超越现有人类认知水平和能力，如同围棋比赛中那样，被惊倒的人们自然将王冠奉上，并日益依赖更聪明的AI。



通用AI的再进化

如果计算机有情感，它会发现人类的推理能力实在是弱爆了。逻辑的层级和旁路拓展多到一定地步，人类就无法记住众多的信息和它们彼此的关联，更别提放在一起分析了。

但人类也有AI无法企及的地方，人类的直觉值得肃然起敬，并善于将复杂问题简化，然后用直观判断的方式直趋答案。隐藏的信息是否足以支持做出精准的判断？虽然不总是正确，但这样耗费的时间和精力都是可接受的。我们放弃了一些表象，捕捉隐含信息（学术上称为“次表征”），从而追求更快地解决问题。

人们期待计算机的“思考”方式能够模拟大脑结构。但是，无论谷歌的TPU，还是百度的昆仑，都只能针对限定输入给出结论。
如果围棋的棋盘变成20×19，人类棋手稳赢，而AlphaGo则可能不知所措。如果道路标线模糊不清，AI可能选择让汽车停下来，而人类驾驶员则可以大致“循迹”行驶，基本不受影响。



那么如何让计算机看起来不那么蠢呢？

人类需要的是“通用AI（General AI）”，可以下棋、聊天、认识朋友、开车。人类可能很难猜到它下一步将会如何，就像很难洞察另一个人类一样。但它的行为，按照人类行为准则，一定是明智、合理的。
这样的AI必然立足于“机器学习”。本地算法无法涵盖所有路况，设计者必须赋予无人驾驶系统一定的自主权，避免在特殊路况下该系统不知所措。和人类一样，计算机仍然要先搜集大量数据样本，也就是各种路况下的驾驶行为，就像人类也需要反复练习驾驶技能，锻炼预见性和形成固定的肌肉记忆。

机器学习，实际上是将人类学习过程“外化”。选择合适的模型，让模型学习样本，从而找出数据的内在规律，从而形成对未知路况的“经验”。

面对复杂外界条件，AI仍然需要基本的预设应对策略。在人类无法厘清复杂的因果关系时，不需要也无法为AI设立先决条件和成熟策略。事实证明，机器学习，更善于从海量数据中抽象出若干有价值的因素，同时确定因素之间的相关性。从而确立应对策略。



比如，在城市快速路上行驶的驾驶员，主观上对突然出现的行人缺乏预期，因为法律上禁止行人穿行。AI也同样很难从样本中学到，如何在封闭道路上应对突然出现的障碍。

这也就是“逾规则”状态下的应对能力。理论上，自动驾驶系统的传感器（比如激光雷达）可以比人类驾驶员更早地发现违规行人，即环境感知。

假设行人采取不明智的做法，如加速奔跑、快速从车前穿行等。人类驾驶员如果发现刹车距离不够，将面临两难，如果直接将刹车踩到底，有很大概率发生碰撞；如果一边变线一边刹车，很可能与同向车辆发生碰撞，引发更严重的事故。而观察相邻车道的情况则导致更多的时间延迟，这种情况下，人类很难做出最佳选择。

AI系统则会对行人行为模式建立模型，根据其肢体动作，预估其下一步的位置，同时收集相邻车道和交通标志线信息。在20ms内计算出，多少转向力度和刹车力，才能保证自身安全和避免碰撞，即决策协同。
最后的动作，则驱动车辆完全实现此前的计算，即控制执行。

其中的核心在于预估对方的行为。只有“强AI”才有可能做到这一点。赋权不够或者学习能力不足的本地计算机，将无法胜任。这也是未来的无人驾驶系统必然是“强AI”的原因，虽然这个概念备受争议。



未知导致恐惧

但由此带来的问题是，在汽车自动驾驶这个关于人类生命安全的应用场景中，如果交通网络完全由无人驾驶车辆组成，AI本身将形成另一套交通规则，无须而且排斥人类的参与。

比如，人类驾驶车辆在时速120公里时，通常要保持100米以上间距。而无人驾驶车辆则可以形成紧密的车队，以减少风阻，间距可以减少到数米，时速则可以提升到200公里以上。同时，一辆车所见的场景，也会被其他车辆所见。它们的感官由于高速通讯而得到延伸。

这样的强AI应用场景一旦实现，人类将陷入更深的担忧。因为其强大的学习能力，自我进化速度极快，很可能产生自我意识，不愿意被人类束缚。而人类对其思维和执行缺乏预见，一旦失控，相比于人类驾驶的场景，后果更加是灾难性的。
无知导致恐惧，即便可以执行完全无害的任务，也会因为不可预知性而让人类害怕。因为强AI的决策过程，基本上是个“黑盒子”。



马斯克和今年去世的霍金都曾发出严厉警告，强AI实现之日，被称为“奇点”，可能会导致凯文·凯利所称的“失控”。
马斯克还举过一个例子，“比如你创建了一个可以自我完善的AI来摘草莓，这个AI可以干得越来越好，摘得越来越多。不过，这个系统想做的事情就是摘草莓，所以它可能会把全世界都变成草莓园，永远都是草莓园。”

这也是被视为科学前瞻的科幻小说中，几乎永远对人工智能表达出忧患意识甚至末日情绪的根本来源。
但在现实中，面对AI可能的自我意识觉醒，拉里·佩奇表示并不担心，他认为AI的善恶取决于创造者，眼下的科技公司们仍然普遍致力于增强型AI的研究。

毫无疑问，自动驾驶的终极解决方案是强AI，但有远见的学者都对此表示强烈的担忧。这是否意味着我们应该在此之前“踩刹车”或者另辟蹊径？一条风景极佳的道路尽头是否深渊？

最糟糕的预期，很可能来自我们恐惧的源头——人类从未面对过比自己更聪明的实体。
从上帝视角来看，我们是否正不遗余力地奔向悬崖？强AI能解决自动驾驶场景的诱惑，让我们无暇顾忌可怕的后果。实在不行，拔掉电源插头总可以吧？

基于过去的经验，没有任何一台机器可以在人类理智时作乱。但眼见着AI一天比一天强大，它在解决困扰人类上百年的交通问题的时候，会不会带来一系列更大的麻烦？
至少眼下，没人能回答这个问题。无论承认或者否认，都无法预测AI的进化速度是否始终受控。