當前位置:
首頁 > 科技 > 自動駕駛殺了人,究竟誰該去坐牢?

自動駕駛殺了人,究竟誰該去坐牢?

任何非常先進的技術,初看都與魔法無異?

20世紀最有影響力的科幻小說家、經典巨著《2001太空漫遊》的作者亞瑟克拉克爵士提出過一個很有意思的「克拉克三定律」,其中第三條就是:任何非常先進的技術,初看都與魔法無異。

自動駕駛車也是如此,在它還未出市場前就有人將其奉為神物。但這個「魔法」也會引來殺身之禍:當地時間星期日晚,10 時許,美國亞利桑那州坦佩市發生史上第一起轟動全球的「自動駕駛汽車殺人事件」。

美國亞利桑那州坦佩市警方在周三公布了Uber自動駕駛汽車發生致命事故的車載視頻,視頻放大了人們對目前在全國範圍內正在進行自動駕駛測試的現狀和總體技術的質疑。

但實際上,並不只是Uber一家,風頭正盛的特斯拉也出過事故:2016年1月20日,特斯拉追尾撞上了一輛道路清掃車,導致特斯拉損毀嚴重,司機死亡。事故的主要責任方是廠家特斯拉。之後,特斯拉中文官網將「Autopilot自動駕駛」更正為了「自動輔助駕駛」並且推出新功能:當檢測不到司機雙手施加在方向盤上的力度時,便會向駕駛者發出警示。

一直致力於無人駕駛汽車研發的谷歌也陷入過「撞車門」。安全行駛220多萬公里後,其紀錄被終結——谷歌無人駕駛汽車在加州撞上一輛公交車,當時是為了躲避路邊下水道入口處的沙袋,先停下、再啟動,偏向了內側車道。這是首次由無人駕駛汽車引發的事故。

但剛剛發生的Uber的事故似乎並未影響到中國自動駕駛技術的推進——百度在一份聲明中稱,百度獲得了北京相關部門頒發的這允許在33條公路上測試自動駕駛車輛的許可證,當然這種路測需要再人口稀少的郊區進行。目前,該公司的自動駕駛路測範圍是105公里(65英里)。這也是第一家在北京進行公開道路測試的公司。

自動駕駛殺了人究竟誰該來坐牢?

摩根士丹利知名分析師亞當·喬納斯(Adam Jonas)表示,自動駕駛汽車發展所面臨的最大挑戰不是金錢或技術,而是法律和倫理問題。

這裡不得不得到一個經典的「電車難題」——電車難題最早是由哲學家Philippa Foot提出的,用來批判倫理哲學中的主要理論,特別是功利主義,其內容是:

五個無辜的人被綁在電車軌道上。一輛失控的電車朝他們駛來,並且片刻後就要碾壓到他們。幸運的是,你可以拉一個拉杆,讓電車開到另一條軌道上。但是在那另一條軌道上也綁了一個人。你有兩個選擇:1. 不拉杆,五人死於你手下。2. 拉杆,一人死亡。你會怎麼做呢?

此處,如果將電車化為一輛自動駕駛汽車呢?由於大部分道德決策都是根據「為最多的人提供最大的利益」的原則作出的,那這輛自動駕駛汽車毫無疑問會選擇放棄一個人而拯救五個人。但如果這單獨的一個人是我們的至親、摯友呢?

如果未來的有人駕駛完全被無人駕駛取代,那我們就必須接受這種刻板的社會道德準則。讓你眼睜睜地看著與你有直接關係的人的生死掌握在自動駕駛汽車的手中,你願意接受嗎?

還有一個自從自動駕駛出現在公眾視野時大家就開始討論的問題,在行人擔主責的情況下車主或者廠家需要賠償嗎?在車輛本身擔主責的情況下是司機承擔責任還是廠家承擔責任?如果廠家承擔責任,那麼又該去追究誰?法人、工程師還是質檢?如果車輛自動駕駛狀態下違規,那麼是誰的責任?如果事故的受害人是司機以及乘客,那麼誰又來擔負這個責任?

有觀點認為,有這樣或那樣的麻煩並不意味著我們應該禁止無人駕駛汽車上路,而是意味著我們應該為可能發生的情況早做準備。有時候,無人駕駛汽車可能會面臨兩難的選擇,這就給開發者帶來了潛在的困難和挑戰。

為了減少這種風險,行業應該在設置用戶期望和社會影響上做更多的工作,它們應該讓公眾明白無人駕駛汽車的能力和限制,這就意味著演算法透明,而不是讓我們無法理解計算機程序掌控我們的生命。

而演算法透明對生產商和服務提供商來說也是好事,當事故發生的時候,他們也能更好地面對法律和道德上的責難。

沒有任何技術是完美的,事故還將繼續發生。對待可能發生的問題,我們要保持開放和對話,就像斯坦福大學的「針對自動駕駛汽車的編程倫理學問題」做的那樣。因為無人駕駛是一件重要的造福大眾的事業,我們只有在確定可能存在的問題之後才能為之確定可能的解決方案。

但是很可惜,目前還沒有相應的法律法規出台。在一些已經發生的自動駕駛事故中我們使用的還是之前的法規來判定。在自動駕駛將成為未來的主流情況下,在這一過渡時期的悲劇不僅敦促著技術本身的優化,同時也顯示出了對於相關法律法規、政策引導以及行業自律的迫切需求。

儘管國內在百度等大公司的推動下,國家的政策已經有了一定的放鬆,立法趨勢也日益明顯。但是軟體提升的同時,硬體的提升同樣必不可少,從監測系統、道路等等的硬體開始都將逐漸開啟一場變革。

相信技術,但是也不能無條件的相信技術

事實上,近些年來自動駕駛事故接連發生的一個很大原因,就是宣傳方及駕駛員本身對於自動駕駛以及無人駕駛的一個誤讀。

以谷歌母公司Alphabet旗下自動駕駛部門不久前發布的一段廣告片來看,這幾乎是人們對現階段技術的最大誤讀。

人們坐在自動駕駛的汽車上,有人刷手機、有人呵欠連天甚至還有人打了個盹。放任汽車自主行駛往目的地。

傳播角度看,這是一個很好的展示自動駕駛技術安全便捷的途徑。然而就是這種宣傳才造成了最大的不安全,因為目前為止的自動駕駛還遠遠未能達到可以脫離人類操控獨立運行的水平。

國內自動駕駛一詞的來源是由英文單詞AutoPilot翻譯而來,特斯拉在事故發生前最早的宣傳點就是「Autopilot自動駕駛」後來才變成了「自動輔助駕駛」。

但是事實上,Autopilot並不能完全直譯為自動駕駛,更準確一點的說法應該是輔助駕駛系統。它最早指的是飛機上輔助機長駕駛的飛行輔助系統,一般情況下這一套系統可以進行自動化準確的運行,但是這並不意味著系統就可以取代機長的存在。自動駕駛更不等同於無人駕駛。

在公路上的汽車駕駛也是如此,如果在現階段僅僅依靠自動駕駛系統來穿越人海,繞過車流,這不僅是對技術的不理解,同時也是對生命的不尊重。

關於自動駕駛技術的人工干預度,目前業界有一個相對認可的方法,就是由國際汽車工程師協會制定的SAE分級方式。這套分級方式將技術分成了六個階段:分別從L0到L5等級越高,人類的參與度就越低:Level 0(No Automation),Level 1(Driver Assistance),Level 2(Partial Automation),Level 3(Conditional Automation),Level 4(High Automation),Level 5(Full Automation)。

可以發現,從L3到L4是一個技術跨越的分水嶺,對於環境的觀察以及激烈駕駛狀況的應對究竟是由人來完成還是系統來完成這是一個質的飛躍。這其中對於系統的架構、底層設計以及魯棒性的要求具有很高的要求以應對急速剎車、轉彎、加速、減速等應急措施。但是可以看到就算是到了L4等級也依舊無法完全脫離人工的干預。而現如今的技術也還未曾達到L5的標準。

另外,現實場景相對實驗場景來說總是會多出許多不可測因素來,除了正常的車流、人流,還有突然的追尾、加塞、翻越護欄的行人,突然受驚的小動物,意外滾落的山石……對於這些,都是機器一時之間所無法解決的問題。所以本著對生命負責的態度,我們相信技術,但是也不能無條件的相信技術。

讀芯君開扒

自動駕駛的底層技術——計算機視覺與圖像識別

從技術角度來講,Uber以及大部分從事這一領域研發的公司,其基礎的模式都是依靠於計算機視覺來實現。這是人工智慧領域裡除了機器學習以外另一大主流方向。

通過大量感測器捕捉外界的信息進行3D成像,利用基於神經網路的計算機視覺,通過一些規則的搭建,邏輯的運行以及大量的統計結果與對人類信息處理的模擬,來對外界信息進行一套複雜的運算進而做出相應的操作。這一套操作儘管目前還不夠完善,但是卻絕對不會因為飲酒、疲勞、注意力分散、夜視等等原因而出現問題。

作為一個科學學科,計算機視覺研究相關的理論和技術,試圖建立能夠從圖像或者多維數據中獲取"信息"的人工智慧系統。這裡所 指的信息指Shannon定義的,可以用來幫助做一個"決定"的信息。因為感知可以看作是從感官信號中提取信息,所以計算機視覺也可以看作是研究如何使人工系統從圖像或多維數據中"感知"的科學。

這一科學在自動駕駛中的應用主要可以總結為兩點,其一是障礙物檢測,其二是自動導航。

對於障礙物的檢測一般用於應對一些突髮狀況。常用演算法分為三種一種為基於障礙物特徵的,一種是基於光流場的,最後一種則是基於立體式覺的。其中最後一種的應用更為廣泛一些。

自動導航則是自動駕駛最基礎的功能,無論是導航,路線、速度的制定,還是對汽車自身情況例如所處位置、速度、角度的評估,都是是自動駕駛的必要條件。但是由於實際情況的複雜多變目前還沒有一個相對統一的演算法。

留言 點贊 發個朋友圈

我們一起探討AI落地的最後一公里

作者:王俞羽

參考文獻鏈接:

http://www.sohu.com/a/225962192_100083734

http://www.sohu.com/a/225939686_99970711

https://zj.zjol.com.cn/news/898366.html

https://baijiahao.baidu.com/s?id=1593882665402342294&wfr=spider&for=pc

如需轉載,請後台留言,遵守轉載規範


喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 讀芯術 的精彩文章:

搞AI?先了解AI流派如何「抬杠」再說!
小心!入門機器學習,你可能遇到這些「陷阱」!

TAG:讀芯術 |