关于自动驾驶，我们是否在刻意回避这三大关键问题？

【编者按】当下依赖多种传感器的人工智能架构是否是最高效的？DSRC基础设施是否管用？运输变革的重点是否会从人转变为虚拟系统？这三大问题值得深思。

本文转载自新智驾，原作者大壮旅；由亿欧汽车整理，供业内人士参考。

“房间里的大象”这个外国成语跟“鳄鱼的眼泪”一样出名，它形容明明存在的问题却被人刻意回避，因为讨论这个问题会让人不爽。如今，在自动驾驶领域，房间里也站着三头大象，它们绝对值得我们正视。

下面，我们就一同来看看这三个被人刻意回避的关键问题：

世纪初的 DARPA 自动驾驶挑战赛后，自动驾驶技术就受到了各方关注，数十亿美元的热钱更是大肆涌入，为的就是尽早实现自动驾驶技术的商业化落地。通常来说，自动驾驶汽车架构中的一大核心是传感器阵列（雷达、LiDAR、摄像头），它们负责采集数据“喂”给感知系统以帮助车辆建立对外部环境的精确视角。基于该视角与任务，自动驾驶汽车就能自主导航到目的地。

详细来说，三大传感器中，LiDAR 负责精确的距离计算，雷达负责提供精确的速度（带运动方向）信息，而摄像头是目标识别的核心。

一般来说，人工智能算法会选择一个类似于知识信息库的模型，车辆在该模型中，会不断且详尽地观察其整个环境。实际上，这是自动驾驶汽车为解决分心驾驶问题而提供安全价值主张的关键部分。

按照现有方案，工程人员会借助数据库对人工智能引擎进行训练，让它们学会识别打了标签的物体。当然，通过像素、点云或图像雷达识别来自四面八方的物体是个困难事情。因为总是有物体会让自动驾驶汽车感觉困惑，例如将人的图像粘贴在车上的小货车或推着自行车步行的人（当年的Uber的亚利桑那的案件）。这种解决问题的“数据向上”方案存在严重的稳健性问题，因为总是缺少下一个有趣的训练集，而核心识别系统似乎对像素级细节很敏感。

关键问题在于，这种方法能穷尽吗？还是说相对于工程稳健性有根本缺陷？我们是否需要一种不那么依赖训练和高精度传感器的新架构？100 年前，尼古拉·特斯拉发明了交流电，而当时市场上的正统可是爱迪生的直流电。现在，我们是否需要新的特斯拉来发明新的“交流电”？

DSRC 诞生已经 20 多年了，在此期间，主流交通行业均认为，DSRC 将成为下一代交通基础设施的基础。各种公共机构对 DSRC 所推动的技术浪潮完备度，更是进行了无数的咨询研究。然而，随着 5G 技术的发展，是否有理由在技术和商业两大层面对这一浪潮持怀疑态度呢?

从技术角度来看，如果站在自动驾驶提供商的角度，肯定不会将宝都压在 DSRC 基础设施的普及度上。在这样的背景下，构建方案时就要假设 DSRC 完全不可用。除此之外，DSRC 的特殊技术优势在各种权衡与替代方案出现时可能就不那么引人注目了。

从商业角度考虑，谁愿意在 DSRC 基础设施上砸数十亿美元（或更多）资金呢？从现在的情况来看，5G 有完整的商业盈利模型，但 DSRC 没有。考虑到 FCC 最近针对 WiFi 频谱使用所采取的行动，DSRC 是否真的可行呢？

计算机技术诞生初期，对其接受度最高的其实是零售商，他们用计算机来统计库存和账单。对零售商来说这些功能确实实用，但实体零售近些年来却被电子商务打的毫无还手之力。

自动驾驶技术是否会成为交通行业的“库存管理”呢？也就是说，自动驾驶确实非常有用，但“移动”人员的最有效方法不应该是虚拟会议吗？主要的经济功能，如教育，工作，娱乐，医药和购物，都在向网上转移，这种趋势对传统运输的影响是深远的。如果变革持续下去，传统运输的重点将由个人拥有的乘用车转向：

1. 电子商务推动的自动化物流；

2. 公共交通或出行即服务推动的最后一公里共享方案；

3. 递送机器人主导的最后 100 米解决方案。

有趣的是，似乎 FCC 将 DSRC 频谱让给 WiFi 使用反而会使最安全的运输形式成为可能。

“谁动了我的奶酪？” 是一个著名的激励寓言，从本质上来讲，它是管理形式的变革。一些社区和组织处理得当，而另一些社区和组织则继续回到原本存奶酪的旧地方，并想知道奶酪的去向。

运输业正在发生巨大变化，而大象大小的奶酪在四处移动。