近日，上海車展維權、廣州一輛特斯拉撞到水泥隔離墻后致一人死亡等事件，一時間將特斯拉推向輿論的風口浪尖。27日，“江蘇一特斯拉沖進包子店”的話題又沖上微博熱搜。無獨有偶，最近在美國，也發生了一起特斯拉汽車撞車事故，造成兩人死亡的悲劇。

無論原因如何，沉痛之余，幾起事件都引發了人們對當今自動駕駛技術的質疑和爭論：它的安全性如何，需要駕駛員多大的關注?未來還能買自動駕駛汽車嗎?

澳大利亞《對話》雜志近日發表的文章認為，盡管實現更高水平自動化所需的技術正在迅速發展，但生產一輛無需駕駛員投入關注就能安全、合法地行駛整個旅途的汽車，仍然是一個巨大挑戰。在它們能夠安全地進入市場之前，必須克服3個關鍵障礙：技術、法規和公眾接受度。

如何理解“自動駕駛”技術

首先，要了解什么是“自動駕駛”技術。自動駕駛汽車的技術有6個級別，從0級“無自動化”，即沒有自動駕駛功能的傳統車輛，到5級“完全自動化”，即能夠獨立完成人類駕駛員所能完成的任何事情的車輛。

目前市場上的大多數自動駕駛汽車操作都需要人工干預。例如1級車輛“駕駛員輔助”，保持車輛在車道上或控制其速度，或2級車輛“部分自動化”，駕駛員必須隨時進行轉向和控制速度。

3級車輛擁有更多的自主性，汽車可自行作出一些決定。但如果系統無法駕駛，司機仍必須保持警惕并進行車輛控制。

4級和5級的車輛自動化級別更高，人類駕駛員不一定會參與駕駛任務。這兩個級別的車輛能夠轉向、制動、加速、監控車輛和道路以及響應事件，確定何時變道和轉彎。

但4級車輛行駛地點和時間有限。5級則代表了真正意義上的自動駕駛汽車，它可以在任何時間、任何地點行駛，類似于人類駕駛。然而，從第4級到第5級的過渡比其他級別之間的過渡困難更大，可能需要數年才能實現。

機器應大量“學習”實際駕駛場景

自動駕駛軟件是高度自動化車輛區別于其他車輛的關鍵特征。該軟件基于機器學習算法和深度學習神經網絡，其中包括數百萬個模擬人類大腦的虛擬神經元。

神經網絡需要接受訓練，通過使用來自實際駕駛條件的數百萬個視頻和圖像的例子，學習對物體進行識別和分類。數據越多樣化、越有代表性，神經網絡就越能更好地識別和應對不同的情況。訓練神經網絡有點像在過馬路時牽著孩子的手，教他們通過不斷經歷、反復訓練來耐心學習。

盡管這些算法可以非常精確地檢測和分類對象，但是神經網絡仍然無法模仿實際駕駛的復雜性。自動駕駛汽車不僅需要檢測并識別人和其他物體，還必須與這些物體的行為進行交互，理解并作出反應。它們還需要知道在陌生的路況下該怎么做。如果沒有針對所有可能的駕駛場景的大量實例，那么應對突發事件的深度學習和訓練相對來說就會變得更困難。

車輛上路前應接受嚴格評估

世界各地的政策制定者和監管機構都在努力跟上自動駕駛汽車技術發展的腳步。如今，該行業在很大程度上仍處于自律狀態，特別是在確定該技術是否足夠安全、是否適用于開放道路方面。《對話》雜志文章稱，監管機構在很大程度上未能提供這些方面的標準。

在現實條件下，測試自動駕駛軟件的性能是有必要的，首先應該做的是對其全面的安全測試和評估。監管機構應該制定一套標準測試方案，讓企業在其車輛獲準上路之前，根據標準數據集對其算法進行基準測試。

在澳大利亞，現行法律不支持自動駕駛車輛的安全商業部署和運營。澳大利亞國家運輸委員會正牽頭開展一項全國性改革，支持自動駕駛技術的創新和安全，讓澳大利亞人能夠享受到這項技術的好處。

文章認為，在自動駕駛技術的規章制度方面，需要一種漸進的認證方法。這種方法應要求首先在模擬中評估自動駕駛系統，然后在受控的實際環境中對其進行評估。只有車輛通過了特定的基準測試，監管機構才能允許它們在開放的道路上行駛。

公眾接受度是技術信任的關鍵

對于自動駕駛車輛的部署和采用決策，公眾也需要參與其中。如果不對自動駕駛技術進行監管以確保公共安全，那么公眾信任就會被破壞，這才是真正的風險。缺乏信任不僅會影響那些想要購買自動駕駛汽車的人，還會影響與這些人共享同一道路的人。

最后，近期的幾起事件應該成為促使監管機構和行業建立強有力安全文化，指導自動駕駛技術創新的催化劑，否則自動駕駛汽車可能前途坎坷，難以走遠。

關鍵詞： 特斯拉 自動駕駛