司機的駕駛經驗越豐富，在行駛過程中引發風險的幾率就越低。有研究表明，人類駕駛員往往需要經過多年的實操，才能成長為膽大心細、盡職盡責的交通參與者。同樣的，卡車司機們的見聞越廣博，引發嚴重交通事故的可能性也越小。
同樣的道理，也適用於自動駕駛系統。哪種自動駕駛平台的經驗更豐富，它的駕駛安全性也就更出色。
既然駕駛經驗如此重要，技術人員要怎麼保證自己打造的計算機駕駛系統，能夠充分積累起來自美國常規道路及高速公路的一手訓練素材?
這個問題的答案，也許就是開創自動駕駛新時代的核心所在。
半拖卡車——計算機的學習之路
得益於傳感器技術與人工智能(AI)的快速發展，自動駕駛卡車如今已經能夠分析道路上的各種物體並快速做出響應決策。
這一切，在很大程度上是由訓練出的深度學習算法所達成。通過不斷向自動駕駛系統展示其他車輛、行人乃至障礙物等，我們的自動駕駛方案也一步步學會該如何做出適應反應。
這裏需要注意的是，與人類不同，機器往往缺乏基本常識、無法處理前所未見的新狀況。人類駕駛員在遇到意外障礙(例如突然竄出的野生動物)時會立即減速，這種決策源自我們以往經歷過的類似情況或者基本推斷，但計算機在這方面卻總是顯得“智商捉急”。
具體來講，深度神經網絡只能從訓練時接觸過的數據中學習，因此只要當前情況尚未出現在公共道路、封閉道路或者計算機模擬當中，算法就會瞬間陷入慌亂。
所以這就又回到了最初的問題：我們該怎麼訓練機器，保證它們能全面接觸並積累起駕駛經驗?
數據、數據、更多數據
Plus公司的目標，是幫助卡車自動駕駛系統從容處理長途道路上常見的各類交通與天氣情況。除了封閉道路測試與計算機模擬之外，該公司的PlusDrive系統還在空曠道路上進行學習，引導卡車解決現實道路上可能遇到的障礙與突發狀況。空中飛舞的垃圾、地面結冰、路邊轉動的風機葉片乃至左衝右突的摩托車，一切都得在系統的應對範圍之內。
雖然這些所謂“拖尾”狀況僅佔全部路況中不足1%的比例，但卻是決定整個自動行駛流程能否安全完成的關鍵。目前，全社會對計算機操作機器的安全期望或者説要求，也遠遠高於人類駕駛員。
數十億英里的道路測試
從今年夏季開始，Plus會將其監督型自動駕駛系統投入工廠生產，並着手使用這套系統翻新現有卡車。到明年夏季，由PlusDrive驅動的數百輛自動卡車將正式上路拖運商業貨物。
在整個訓練期間，人類駕駛員同樣需要坐在駕駛室內。類似於老司機帶新手，Plus僱用的人類駕駛員會持續監督自動駕駛卡車的行駛方式，並在必要時快速介入以展示如何處理意外障礙。
Plus公司預計，在全面部署全自動駕駛汽車之前，其卡車車隊將累積數十億英里的總體行駛里程。憑藉這種由專業駕駛員訓練並驗證自動系統的革命性實現方案，該公司有望更快累積起可觀的學習里程。
卡車司機仍將存在，車隊碳排放將顯著降低
人類駕駛員同樣能夠從中獲益。Plus監督下的自動駕駛卡車解決方案實際上提升了卡車司機的作用，可幫助他們快速提升技能，併為未來的自動駕駛技術做好準備。此外，這位數字化隨車“大副”將幫助司機緩解長途路線上的駕駛疲勞感，讓車隊更容易招募到貨運司機。
這套系統還有其他助益。目前，燃油消耗約佔貨運企業整體運營預算的三分之一，也是目前重型卡車中的開銷大頭。未來上線的自動駕駛系統將更瞭解道路情況，可實時獲取GPS與天氣數據，預先優化換擋與制動操作。Plus還建立起試點項目，證明即使是最出色的人類駕駛員相比，PlusDrive也能夠將車輛油耗進一步降低10%——這將是經濟效益與環境保護方面的雙重勝利。
自動駕駛卡車的未來，在於當下
商業太空旅行、太陽能城市與自動駕駛汽車——作為影響未來生活形態的三大變量，前兩種取決於經濟性拐點何時到來，而第三種則完全取決於我們何時能為系統積累起充足的數據量。
Plus公司正努力構建起必要的信息反饋循環，他們旗下的卡車也在一刻不停地累積數據。眾多安全意識最強、駕駛效率最高的頂尖人類駕駛員正用自己的反應為系統提供訓練素材;工程師們則不斷微調PlusDrive的算法與決策機制。也許， PlusDrive最終也將成為這批頂尖駕駛者中的一員。