由人工智能驱动的自动驾驶出行，近些年发展明显加速，其潜力远不止于在道路上“自动行驶”。早在 2010 年代初，EPFL 校园就进行过一次面向公共区域的自动驾驶测试：一辆自动驾驶小巴在劳力士学习中心周围按预设路线缓慢行驶，车上还安排了一名学生以应对突发情况，全程仅以每小时几公里的低速完成了几百米的路段。

十五年后，情形已大不相同：从中国到阿布扎比，城市街头出现了越来越多的机器人出租车。Alphabet 旗下的 Waymo 已在加利福尼亚和亚利桑那的高速公路上运营自动驾驶出租车，并计划通过在伦敦落地进入欧洲市场。埃隆·马斯克则表示，只要监管许可，特斯拉的机器人出租车将在年底前覆盖美国 25%–50% 的地区。与此同时，欧盟和瑞士监管机构已经批准了“三级自动驾驶”，在特定条件下允许驾驶者双手离开方向盘。总体来看，自动驾驶车辆要么已经到来，要么即将进入我们的日常视野。

不过，这并不意味着它们马上就能无缝融入日常生活。EPFL 视觉智能交通（VITA）实验室的亚历山大·阿拉希（Alexandre Alahi）教授指出：“在一个新城市部署机器人出租车车队之前，必须先收集大量数据来训练和测试系统。因为每座城市都有独特的‘个性’，体现在城市外观、街道形态、道路标线、交通标志、当地驾驶习惯，以及行人和两轮车骑行者在各种静态与动态条件下的行为方式上。”因此，工程师们正尝试构建能够在任何城市、任何复杂环境中运行的模型，并且要能妥善应对突发和关键情境。

用生成式 AI 提升“预见未来”的能力

阿拉希介绍，他们正在研发所谓的“世界模型”（world models）：“这类模型可以生成在某个真实情境下，接下来可能发生的画面序列。借助生成式人工智能，我们可以模拟现实中几乎没有数据、甚至从未发生过的关键场景，并以极高逼真度重建这些情境。随后，我们就能在这些虚拟场景中测试算法，并对其进行训练，从而提升自动驾驶系统的表现。”

与大型语言模型不同，世界模型并不是围绕文本，而是从感知数据的内部表示中学习，具备对物理世界进行预测和直接模拟的能力，能够推断运动、受力和空间关系等动态因素。举例来说，当车辆遇到潜在异常情况时，世界模型会持续生成多个下一步行动方案：是立即制动、变换车道，还是采取其他预防性操作。

在此基础上，阿拉希团队还在探索如何让机器具备“社会智能”。“一个 18 岁的年轻人，大约只需 20 小时就能学会开车，因为他们早已理解周围的物理世界。”阿拉希说，“他们只需要在原有认知上‘加一层’驾驶相关的理解。但目前没有任何一种人工智能模型，能在 20 小时内学会在所有城市环境中安全驾驶。”

他同时强调，一旦训练完成，人工智能在驾驶上的某些能力会明显优于人类：它可以拥有 360 度视野，反应速度更快，也不会被手机分心。“我们的目标，是把这种社会智能编码进机器，让它能够在决策时模拟人类的行为模式。真正的难点在于：无论遇到什么情况——包括极小概率事件——模型都必须足够可靠。”

为自动化交通系统打基础

目前，自动驾驶汽车仍然会犯错，这往往成为媒体和竞争技术厂商关注甚至放大的焦点。但在阿拉希看来，这项技术从长远看将发挥关键作用。“自动驾驶车辆有潜力让车祸几乎消失。我说的并不仅是严重事故，还包括那些只造成轻微损伤、却能让交通瘫痪数小时的小碰撞。这类事件对社会和环境的影响巨大：时间损失、延误带来的连锁反应都不容忽视。此外，机器可以存储和处理远超人类的大量信息，从而做出更优的决策，例如在保证效率的前提下最大限度节能。”

在 EPFL 的面向人类的移动生态系统实验室（HOMES），张可楠教授则从整体交通系统的角度审视自动驾驶车辆的引入。“如果将自动驾驶车辆用作出租车，有望减少私人驾车出行，从而缓解城市交通压力。但前提是系统足够高效，让机器人出租车在灵活性上尽量接近私家车，否则人们不会愿意转而使用它们。”

她还认为，自动驾驶车辆可能催生一种新的汽车共享模式：“与其拥有一辆大部分时间都停在停车位上的汽车，不如在自己不用车的时候将其租给他人。”至于距离这种模式真正普及还需要多少年，目前仍是一个悬而未决的问题。