人类在上百年汽车时代所积累并奉为圭臬的准则，很可能被替代。但这不是令人悲伤的故事。就像人类最终不再掌握方向盘一样。
在高速公路上，按照美国国家公路交通安全管理局（NHTSA）划分的标准，拥有L1、L2级辅助驾驶的车辆，看起来和其他车辆没什么区别。L4级则完全无须人工干预，自主驶向目的地。所有自动驾驶项目的终极目标都是L4级无人驾驶系统。
不过，指望无人系统“无师自通”是难以如愿的。无人系统就像刚出生的婴儿一样，拥有用于感知外界环境的“感官”（摄像头、毫米波雷达、激光雷达），也拥有高速大脑（计算单元、图像处理单元），但“大脑”功能尚在分化中，需要教它识别环境中一切可能出现的人和物体。是的，你没看错，是一切可能。
如何识别
教无人系统分辨道路和其他可能遇到的一切，是训练的第一步。就像教婴儿看图识物一样。因为图像的信息太丰富，难以建模，深度学习似乎能发挥特殊优势。
深度学习既可以用于感知，也可以用于决策。比如AlphaGo的走子网络，就是一套DNN训练系统。用最简单的话说，就是根据当前状态做出决策。它的设计者和训练师不是要教它决策（事实上人类不知道系统将如何决策），而是教它一些基本知识。
首先，在一大批车的图像中提取基本特征，比如车的正面和侧面大致的几何形状，令系统分辨出车的左侧和右侧（用不同特征标记）。
有了连续多帧的图像，根据其间的连续变化，可以分辨车的行驶方向。并可以辨识出远处视野中很小的车辆，比任何人类都看得远、看得清楚。如何评估它们对自身的影响，将放在后面训练。
其次，传统图像中，路肩和马路本身颜色难以区分、立体视觉也很难辨别（毕竟高程差太小）。人类是如何轻易识别的？靠阴影。区区10厘米的路肩，将形成一条连续暗色的窄带区域。系统，你学会了吗？
用连续窄带阴影（断开的个别路段，正好可以做高危提醒信号），结合道线识别，勾勒出可行驶区域。
看上去很完美，可是有时候没有道线，或者由于天气原因道线难以识别，可以用人类在缺乏道线标识的情景下开车图像，来让系统学习人类是如何驾驶的，系统可以从大量的视频中（实际上是多帧图像）提取出人类策略，并加以优化。
因此，我们看到系统和明智的人类驾驶员，采取几乎相同的步骤，只不过判断更果断迅捷。
训练开始
当无人系统具备了辨识能力之后，它需要面对两类场景：一类是真实世界，另一类是数字世界。从前者取得“实操”经验后，在后者里面变换各种条件（比如将障碍物移动位置、让行人的行为更加不可预测），不断磨练应对策略，直到最优。
我们可能需要从更简单的情况开始，譬如在高速路上超车和并道，只涉及两辆车。A车搭载无人系统，B车将作为阻碍出现。
当A车以90公里的速度在内侧道路直行，右侧B车猛然超车并到A车前方，并且紧接着刹车。A车能否迅速、平稳地刹车，同时还要给后面车辆留出足够的刹车时间？
让我们将情况复杂一点：高速多车并道，遇到在车道上后退车辆、路上突然出现滚动的篮球或者从隔离带上突然蹿出行人，以考核无人系统的应对是否得当。
值得指出的是，软件设计师并不预先设定无人系统将如何应对，他们也无法在程序中穷尽所有情景。他们只希望无人系统在数万种情景中提炼出方法，以便在“超纲”情景中也能做出理智决策。
逐渐扩张
为了加速训练，有必要创造出虚拟世界（城市），模拟数万个无人系统在其中日夜奔跑。软件完善后，虚拟空间的设定越来越宏大、场景越来越复杂，直到像一个真实的城市。
一方面，训练师可以看到无人系统所能“看”到的一切，另一种视角下，人类也能俯瞰整个数字世界，监视无人系统之间的复杂互动。真实场景以数字化方式呈现在无人系统感官世界里，从人类的角度看，不能分辨是虚拟的场景，还是无人系统真的“看”到了这一切。
Waymo的专家们吹嘘他们是惟一一个采用“加速训练系统”的公司，实际上，福特、优步和通用也都在硅谷建立了类似的训练系统。Waymo只不过是开始得最早的一个。当然，他们取得的数据也是最多的。不过，大家对各自的训练效果以及如何改进，都秘而不宣。
有人认为，一旦无人系统在虚拟城市中的数量达到数百万个，其群体行为模式，已经非常接近真实的超级城市日常。而在其背后，必须部署足够的实际车辆和传感器，建立公路数据库。完全依靠虚拟场景训练出来的无人系统，可能面对真实路况时表现“不大一样”。
训练虽然开始时借鉴了人类司机应对的场景，但最终人工智能可能会采取不同的策略。无人系统对人类行为理解得更深刻，反过来促使它形成自己的驾驶风格。令人吃惊的是，无人系统面对另一个无人系统时采取的策略，与它面对人类驾驶车辆时不一样，虽然都以乘客的安全作为最高准则。
这意味着，无人系统统治整个城市的时候，可能自发形成全新的交通准则，且更高效、更默契。人类在上百年汽车时代所积累并奉为圭臬的准则，很可能被替代。但这不是令人悲伤的故事。就像人类最终不再掌握方向盘一样。
