其次，探索新的人工智能方法

为什么人能够在驾校学习几十个小时、上路开了几千公里，就能够达到“L5”？如何让今天的弱人工智能去适应开放、动态、不确定的环境？如何提升人工智能对未知输入和欺骗性输入（或者更专业的“对抗输入”）的鲁棒性？要回答这些问题，必须在科技的前沿寻找思路。驭势科技跟包括加州大学伯克利分校在内的国际国内多所顶尖大学展开了合作，短短1年中，我们对未来的道路看得更加清晰了。不妨摘录一些加州大学伯克利分校的科研项目以飨读者。

方向在这些标题里面，全新场景的处理，对不确定性的容忍度，自我学习提升，和跨领域的迁移学习（比如不同城市，或从仿真环境向真实场景迁移）。

最后，假设有新的算法被不断研发出来，如何证明新算法是安全的呢？

有一段轶事，2016年5月的特斯拉致命车祸，导致了大众对自动驾驶的信任危机。马斯克颇为不忿，他指出Autopilot在此次事故之前安全行驶了1.3亿英里，而美国人类驾驶员的平均水平是9000万英里，已然超越了人类。他这个论证中有两个谬误。第一，是Autopilot是辅助驾驶，还有人类驾驶员在纠正Autopilot的错误，所以这个1.3亿英里是有水分的。第二，这个数据的统计置信度是不够的，因为里程样本实在太小了，如果把先前在中国邯郸发生的那起致命事故算上，其安全里程一下子从1.3亿降到了1.3亿除以二，6500万英里。

那么，到底需要多少里程，才能有足够的置信度做孰优孰劣的判断呢。美国著名的智库兰德公司做了几个数学模型，结论如下图：

挑其中1个结论来说，如果要有95%的置信度判断无人驾驶比人类水平（9000万英里/致命事故）好20%，需要跑110亿英里。如果说你有一个100辆车的车队来跑，平均40公里的时速，需要连续不停跑500年。考虑到全世界最大的车队Waymo去年也就600台车，9年跑了400万英里，这看起来是不可能实现的任务。况且，除了谷歌之外，常见的开放道路L4测试车在配全传感器后，要好几十万美元，100台车的车队已经是天价。

那么，只剩下1条路了，想办法把算法装到至少100万台不那么昂贵的车上，让每台车跑1.1万英里，110亿英里就实现了。

首先，这些车必须是增量的车，不可能找现有的车改装，因此算法公司必须与大车厂进行合作。

其次，这些车不可能无缘无故装一些还在验证的算法，必须是装了成熟的、有用的智能驾驶功能，这样才可能卖掉100万台。

再次，这个功能具备某些场景的智能驾驶能力，但在大量的场景仍然需要人来驾驶。那么，在有人驾驶状态下，系统切换到“影子模式”，用来跑新型算法、对其进行验证。算法在“影子”中持续做模拟决策，并且把决策与人的行为进行对比，如果两者显著不同，那么有两种情况：一，如果算法有高置信度的把握人开错了，将给予人警告（类似ADAS）；二，算法判断人做得更好，或场景数据在感知、定位方面也具有高价值，那么这些数据将自动传回，后台工程师判断是否有利于提升算法。

这里的核心问题是，车上装什么样有用的系统？而这个系统如何能够跑新型L4算法？在这一点上驭势的尝试是非常令人鼓舞的，上面我们展示的两个视频，自动代客泊车和L4城市开发道路都是基于同一个车型和系统配置，能够在两种模式之间切换。

今天多数L4系统采用昂贵的传感器和计算资源（最近百度Apollo在转向低成本方案），而且只适配少数几款车型（比如林肯MKZ加AutonomousStuff的线控）。我们从一开始选择低成本思路，不使用高线数激光雷达、高端GPS和惯导系统，攻坚关键零部件和底层线控能力（虽然执行器性能难称完美），坚持机器视觉为主、其他传感器为辅的思路，并且对算法和系统进行深度优化、使之能够运行在普通计算资源上。这意味着我们多数的无人驾驶SKU具备“影子模式”跑开放道路的能力。

未来的3-5年，我们期待与主机厂合作，将自动代客泊车和L3系统装在至少100万台车上，与此同时，下一代的驾驶智能算法将横空出世，以“影子模式”的验证方式快速迭代。

最后做个总结：

一，今天仅仅在大马路上跑L4，无法商业化，而且在大概率上是到达不了终局的；

二，在很多特殊场景中训练L4，不仅可以实现商业化，而且多种场景融合的泛化能力超预期，在开放道路L4上展现了巨大潜力；

三，需要研发适应开放、动态、不确定环境的新型L4算法；

四，新算法和商业化的算法（比如自动代客泊车和L3）必须能够同时跑在同一套系统上，装在至少100万台车上，通过“影子模式”实现高置信度的快速验证。