一位年僅31歲的公司創始人，在駕駛蔚來汽車時候，因車禍死亡。車主的親屬在訃告中提及，在啟用自動駕駛功能（NOP領航狀態）後，車輛在瀋海高速涵江段發生交通事故。這則訃告引發了軒然大波，儘管並不清楚蔚來的NOP是否存在失靈等狀況，進而影響了行駛安全，但是針對於蔚來自動駕駛的撻伐已經紛至沓來。除了批評一些新興造車企業過分誇大現階段智慧駕駛的功能，將輔助智慧駕駛在宣傳中宣傳為“自動駕駛”，這使得消費者產生不恰當的信賴。
目前，可量產的智慧駕駛最高等級為L3級別，這是一個專業的劃分方式——從階段劃分來看還屬於輔助駕駛階段。小鵬汽車汽車副總裁、網際網路中心負責人紀宇在今年的一次講話中指出，在小鵬看來，目前量產車中，還沒有一家企業做到真正的L3。但橫向來看，一些車企，透過設定定語研發車了L2。5級自動駕駛，限定場景下的L4自動駕駛等，都使智慧駕駛的分級變得更加模糊，消費者對此產生了不恰當的理解。
比如，一位理想汽車的車主直接在車內躺平，而車還在高速路上行駛中。為了欺瞞車輛，其還在方向盤上使用壓力鉗——按照目前的法律，雙手是不能脫離方向，因而車輛也設定了報警系統。這使得理想趕緊在官微中釋出宣告，稱理想ONE所提供的是輔助駕駛功能而不是自動駕駛，請車主們正確使用，安全駕駛，珍愛生命。
而另一方面，由此引發了對自動駕駛深層次的討論。這包括自動駕駛的技術路線，智慧駕駛的事故責任劃分。這也引發了新興造車企業大佬紛紛表態，威馬汽車創始人沈暉針對責任主體的表態是：1。 L2級別輔助駕駛功能，駕駛員是功能操作主體，也是責任主體。2。 L4以上級別自動駕駛功能，車內無人狀態下，操作主體是車輛本身，責任主體當歸屬主機廠。3。 威馬L4級別無人駕駛功能，當時經過了N輪內部決策會議，最終選擇了高頻停車場景的原因，就在於相對封閉的環境、相對低速的狀態，安全性更高。
而理想汽車創始人李想則呼籲媒體和行業機構統一自動駕駛的中文名稱的標準，比如L2和L3什麼的使用者聽不懂，都是專業話術。建議採用統一名稱，比如L2=輔助駕駛，L3=自動輔助駕駛，L4=自動駕駛，L5=無人駕駛。一個多餘的中文字也不要有，避免誇張的宣傳造成使用者使用的誤解。在推廣上剋制，在技術上投入，對使用者、行業、企業都長期有利。蔚來儘管在產品介紹中，強調了輔助駕駛的界定，但這並沒有為消費者重視。
李想的表態正是本文題目的意思，儘管用殺人來形容被誇大的智慧駕駛有些過——上一次說自動駕駛殺人的是華為的蘇箐（華為自動駕駛一把手，後文會寫到）已經被調離崗位，華為對其言論表達了不認可的態度。但實際上，不成熟的技術確實變相造成了人員傷害。此外，同時還有一個老話題：自動駕駛的最高級別——無人駕駛（L5）是否真的實現？
對此，持悲觀態度大有人在，有人甚至指出，“不要用自己的生命來為自動駕駛續寫程式碼。”這並不是無知者的無知見解，實際上，一些業內的專家對此已經持續的發表過看法。
01
領軍企業放棄背後：知難而退？
從行業來看，智慧駕駛行業的工程師經常談論L5級的自動駕駛。在這一級別下，民眾可以在任何天氣下進入一輛車，告知自己的目的地，智慧駕駛汽車將把他們送到指定地點。但在2018年，谷歌旗下的著名無人駕駛公司Waymo執行長克拉克公開對外表示：“L5其實是不合理的期望，它其實上沒有必要，因為我們很少從舊金山開車到智利的聖地亞哥，我們不會做這樣的事情。”
全球最大的汽車集團大眾汽車自動駕駛部門執行長亞歷克斯·希辛格（Alex Hitzinger）在2020年的也針對於此發表了幾乎一樣的表態，他認為“L5級全自動駕駛也許永遠都不會實現。”但是他對大眾製造L4級自動駕駛汽車的能力很有信心，他說即將到來的IDBuzz電動貨車將是第一輛應用這項技術的大眾汽車。今年7月，作為中國自動駕駛代表性公司華為的華為智慧駕駛產品線總裁、首席架構師蘇箐在一次論壇上也同樣判斷“L5級別自動駕駛永遠不可能達到。”
而一位AI從業者對明鏡pro表示，智慧駕駛最多隻能做到輔助人駕駛，因為安全性的問題永遠解決不了。這是因為，L5級別自動駕駛的定義是在任何時間、任何地點、全天候覆蓋應對所有場景——一些從業人員認為，在這個要求下沒有一位人類司機都做到，機器更無法做到。同樣是在2020年，沃爾沃表示，該公司也正放棄追求汽車實現完全自動駕駛的激進目標，重新定位對自動駕駛技術發展的看法。
L5無法實現的判斷是基於使用場景的無窮性和計算的有限性之間無法調和的矛盾。
“目前自動駕駛的難點主要在於感知和決策規劃，純視覺的路線基本上game over了，雖然以後，算力會越來越大，越來越便宜可以實時跑更復雜的神經網路模型，但是，這些模型，或者視覺這種手段本身就很有侷限性，並且，訓練成本也高，受環境影響大，造成基本不可能達到商用級別的魯棒性；而現實道路的複雜性，和真實世界近乎無窮無盡的變化，是很難利用有限的數學模型（神經網路模型）完全擬合出來的。”一位分析人士指出。
幾乎可以這麼說，除了特斯拉之外，沒有任何一家汽車廠商採用純影象識別的方案，採用的方案都大同小異，就是大家看到的車頂上頂了個雷達的方案。
當然可以透過一些技術手段，來解決視覺問題，比如鎖定搜尋區域，藉助V2X 5g車聯網等幫助，但是這已經不是一個純視覺的問題了。更難的是決策規劃，這屬於自動駕駛的深水區，已知的可能只有google開始觸及這個深度。決策規劃簡單來說就是人在駕車的時候，會實時的做出很多決策和預測，很多經驗判斷，做一些潛意識邏輯思考，目前深度學習也好，傳統的方案也好，都沒辦法做到人類思考，推理，類比，聯想的思考能力。
“你的決策規劃模組很難為每一種特殊場景都去寫一個if - else判斷，這樣的情況在現實中幾乎無窮無盡；此外還有，看到路邊的小動物是否減速，聽到警車或者救護車的警笛是否停車避讓，跟渣土車保持距離，甚至車上的乘客有異樣，是自動駕駛到最近的醫院還是派出所等等，難道全部寫成if-else判斷麼？”上述分析人士指出。
舉例來說，路上一個風吹上去的塑膠袋，或者一大堆飄落的樹葉，雷達，或者視覺看來就是一個障礙物，可能要停車或者做緊急避讓，但是，人就會認識這個東西，直接開過去，或者，目前經常會遇到的，一個小水窪，或者陰影，視覺可能錯誤認為是障礙物，當然，這個時候可能雷達告訴你這裡能通行，這個時候，你的環境融合建模邏輯怎麼寫呢？是更相信雷達，還是視覺？是走是停？
事實上，這次蔚來汽車事故的出現，可能也是與車輛無法判斷靜止物體而引發的災難性結果。有媒體援引事故駕駛員的朋友透露，當時林文欽駕駛蔚來ES8在瀋海高速福建莆田界涵江段上行駛，並開啟蔚來自動輔助駕駛系統NOP，可能因為該系統無法識別前面正在低速行駛的路政車輛，導致蔚來ES8追尾前車。根據網友拍到的現場照片來看，ES8的右前方嚴重受損，右前翼子板直接撞進駕駛艙，車輛發動機蓋大面積被掀起。已經看不出車輛A柱，頂棚也陷入車內，駕駛員位車門變形嚴重，兩前輪受損。
02
現階段不適合工程化和商業化
“實際上這並不是影象識別的模型不行，而是模型沒有辦法覆蓋到所有的情況，實際上工程師也不可能預料到公路上可能出現的所有情況，既然如此我們就不能保證系統一定一定是安全的。”工程師指出。
而上面提到的這些問題目前幾乎看不到存在能夠良好的，徹底的解決的工程化方法。可能的方法是依賴大資料，收集非常非常多的駕駛經驗資料，透過雲端大資料來進行判斷，這相當於我們擁有一個全世界優秀司機的經驗池，自動駕駛汽車完全不必理解這些行為的原因，只需根據場景進行最合理的引用。這實際上也就是車路協同，純車端智慧遇到的各種瓶頸，靠智慧的道路去突破，車端智慧的侷限靠智慧的城市智慧的道路去彌補。
比如，目前到處存在的監控攝像頭，以及可以暢享的未來可能出現的更加多種多樣的佈設在道路，城市的感測器，可以幫車輛提前並且更大範圍，更加準確的感知周圍的環境，透過更加實時的網路將資訊傳送到車端；路上車輛相互之間可以自組網，互相告知大家自己位置和行駛狀態，相互協同，前車為後車分享經驗，比如前面可能出現的擁堵，或者避開維修的路段等；資料中心將協調車流，這樣像目前過十字路口，環島等難題也會變得非常簡單；
當然這是一個非常美好的憧憬；那麼你可能也意識到了，要做到這個程度可能比目前最樂觀的自動駕駛落地時間還要久遠的多，所需要的投入也是天量的。這意味著，我們幾乎要翻新整個城市交通的基礎設施，變更整個城市的設計建造思路；中間可能還會遇到目前難以想像的技術和工程難題，全都需要時間和巨大的投入去解決。
還有一種思路是讓車躲避一切可能的碰撞。目前依靠多種雷達的組合，利用目前已知的技術手段，基本上是可以做到檢測出車輛周圍幾乎所有可能構成危險的障礙物的，一些企業採用了最簡單的邏輯判斷，不管是樹葉，還是行人，車輛全都躲開，利用算力強大的計算機，做到天下武功為快不破。事實上這種設計應該是已經存在了，用來躲避潛在的外來撞擊，以及不去主動撞擊別人。
但是無人駕駛上路終究還是需要與其他車輛存在一定的互動，並且這種互動必須是遵循交通規則，而具體到規則實現，規則遵守運用，就又回到上面的提出的行為決策的問題了。一些公司的無人駕駛基本沒有聽說有撞車發生的，但會表現的很傻，尤其是透過路口的時候，過於謹慎；（特斯拉的設計非常激進，不用鐳射雷達，只有一個毫米波和一些攝像頭，並且看上去決策規劃模組的駕駛策略設計也比較激進，所以總是撞）。
“我們在享受自動或者是輔助駕駛的便利時也需要時刻保持安全警惕，技術的迭代和升級是需要代價的，一個產品從實驗室裡誕生之初一定不可能覆蓋到所有的case，誰也不能保證你不會遇到系統意料之外的突發情況，所以一定要小心，享受科技，但也別過度相信科技。”有行業從業人員著重指出。
所以，總結下來就是感知能力有限，不具有真正意義上的思考和判斷能力；其實這也是目前所有人工智慧的侷限所在。真正能大規模應用的，能讓人完全放開手腳的無人駕駛在目前這個階段很可能並不是一個很好的商業嘗試。或者說通用無人駕駛技術（注意是排除了限定場景的通用無人駕駛）現階段不適合工程化和商業化。
03
5-10年內泡沫破滅
根據以往的經驗，能夠大規模鋪開，大規模商用的東西，必然能夠較為容易的利用現有的技術和工業基礎，首先進行工程化，然後，透過大規模的工業化生產壓低成本，進而廣泛應用，並且創造利潤。而能夠工業化生產的前提是，技術本身已經完整的走完了三個準備階段：
1. 理論突破，就是一件事情，科學家很早的就從理論上預見，並且證明了其可行性。
2. 技術突破，這一階段基本上是在研究機構以非常精英化專業化的團隊突破了技術實現上的壁壘，做出達到或者接近理論預期的Demo樣品；
3. 工程化，主要解決產品設計，方案最佳化，功能完備，效能提升，良品率，魯棒性，可用性提升，大規模複製的技術準備，成本降低等工程問題。
比如手機，無線通訊相關的理論和嘗試大概100年前就開始了，然後，三元電池大概80年代做出目前的原型，低功耗晶片也基本在90年代就出現了，其他的射頻，組網之類理論和技術儲備也都有好幾十年的歷史。從理論到概念設想到成品經歷了相當漫長的時間。事實上，目前能看到的工業化，工程化的高科技產品，大規模積體電路，OLED，量子點，其對應的理論和技術儲備從實驗室走向實用通常都會經歷20年甚至更長的時間。
“在任何其他領域的工程師熟練的運用著成熟的方法進行著產品開發的時候，只有無人駕駛工程師們成天緊緊盯著行業頂級會議，知名期刊上發表的所謂最新進展在幹活，我甚至看到某大廠招聘無人駕駛相關工程師明確要求要熟知各種state of the art的研究最好發過頂刊，投過頂會，簡直有點可笑。”有人士指出。
正常來說，工程領域更傾向於成熟穩健經過實踐，經過產品檢驗的方案，而這些在無人駕駛恰恰是不存在的。最關鍵的，人家的理論從最開始就能清楚的證明，這些產品要達到一個什麼樣的效能，在技術上是一定可以實現的；而通用無人駕駛，實際上，在第一，第二階段都還沒有完全走完的情況下，就在資本的驅動下直接進入了第三階段；
目前沒有理論證明，前面提到的問題是能夠完備的解決的，這涉及回答目前的人工智慧，機器學習技術（包括但不限於深度神經網路）所能達到的能力極限。或者更明確的，能夠證明通用無人駕駛所需要的智慧程度是在目前已知技術的能力邊界內的。通用無人駕駛所需要的在各種真實世界複雜場景下，全面超過人類的駕駛能力和行為能力。不過，在低速跑個園區，跑個倉庫這種限定場景目前很多方案都是可以的。
通用無人駕駛最好還是老老實實待在大學或者研究機構裡面，進行基礎性工作的探索，當基本理論，技術，能力積累到一定程度的時候，工程化，商業化落地就是自然而然的事情了。而投資無人駕駛的人，目前其實都是在賭博，都在賭目前欠缺的這一點理論，技術的突破在近期就能突然冒出來，當然存在這種可能性，但是，這種突破也可能姍姍來遲到幾十年之後，這都是未知的。
未來，甚至都用不了10年，最多5年之內，如果還是突破不了目前的瓶頸，投資就會大規模撤出這一個領域，也就是無人駕駛涼涼的那一天。但是這並不意味著無人駕駛技術研究的終結這條道路還會持續前進，只是會作為基礎性工作而探索，直到能夠通用化的一天。想起一句話，無人駕駛的難度比登上火星還難。這大概說明了這場商業競爭面臨著什麼。
參考資料：
1、自動駕駛技術-環境感知篇：V2X技術的介紹
2、自動駕駛網路系列四：我們談自動駕駛網路到底在談什麼？
3、為什麼不能完全相信自動駕駛？
4、自動駕駛什麼時候才會涼涼，估計還要多久？
