為什么今天的L4無人駕駛無法達到終局？

　　很多場合，“智能駕駛”和“無人駕駛”被混為一談，而后者顯然更為大眾所喜聞樂見。更加專業的群眾，愿意用“L4”、“L5”來說事。“L5”的車就像變形金剛汽車人，降落到世界任何一個地方，馬上能熟練地匯入滾滾車流，這顯然仍是遙遠的傳奇。于是“L4”成了圈子里所有人的寄托。當然，每個圈子里都有所謂的鄙視鏈，比如這個圈子里：

　　L4的看不起L3，殊不知L3的極限能力與L4相差無幾，從L3出現意外狀況、到駕駛員接管前的10幾秒，需要無人狀態的fail operation(比如減速靠邊、停到安全區域)，這種能力已經非常接近L4。

　　在大馬路上練的L4，看不起各種特殊場景的L4。這里也有幾個誤解：

　　第一，如果跑來跑去只在幾條大馬路上，那幾條大馬路也與“限定場景”無異(機器學習里叫overfit)。你馬上挑出幾條新的馬路來，估計谷歌Waymo也夠嗆。

　　第二，很多特殊場景也是開放環境。比如大商場的停車場有社會車輛、出沒不定的行人和擁擠的十字路口，與大馬路相比，主體算法的難度是類似的，差別只是在于訓練數據和反應速度(這又取決于傳感器的工作距離、分辨率和計算芯片的處理速度)。

　　第三，很多特殊場景是需要A照司機的，這些場景需要“C照馬路小白”所不具備的駕駛技巧。

　　第四，很多人看好的大馬路L4，卻是在3、5年內很難真正無人駕駛的(需要坐安全測試員)，而很多特殊場景的L4，卻是在1、2年內可以商業化的。

　　更要命的是，今天的L4算法(包括大馬路和特殊場景)，很可能都無法到達終局。換言之，滿城盡跑無人車時，他們大概率是不同的物種，跑不同的人工智能算法。

　　最后一點似乎是故作驚人之語，這里不妨科學論證一下。

　　且看這張圖。

　　圖中X軸是需要干預或出現事故的平均里程數。Waymo在2017年的水平是每自動駕駛5596英里(9006公里)才有1次人的干預，遙遙領先于其他選手。然而再推敲下去，細思極恐。

　　第一，Waymo的水平離美國人類駕駛員的平均水平，差距巨大。后者是每16.5萬英里出一次普通事故，每9000萬英里才出一次致命事故。這個數據是基于加州城郊公路的30多萬英里，交通場景總體不算特別難。

　　第二，Waymo的提升速度在減緩。其2015年的水準是1300英里一次干預，到2016年提升了近3倍，但2017年相較去年只提升了10%出頭。再看月度的數據，2017年除了年底出現了令人驚異的增長，其他月度還是起伏不定。年底出現躍升，前年也有過，也許跟假期車少有關?無論怎樣，2018年是否能有顯著增長，還不好說。

　　第三，Waymo的算法(以及今天幾乎所有L4的算法)都是數據驅動的，見過的大概率會，沒見過的大概率不會，所以Waymo領先主要是領先在數據積累，去年底的時候已經有640萬公里的實測數據。然而，對Waymo來說，通過路測方法收集數據已經變得異常昂貴：2017年的63次干預中大致有2/3是因為算法問題，而針對每個問題，要花1萬多公里的油費和測試駕駛員人工費用，才能獲得1個高價值數據。