
从铁路到汽车,交通的技术创新重新塑造着城市面貌,带动着经济发展,然而也成为交通拥塞的“元凶”。而随着科技企业与汽车制造商纷纷推出自动驾驶解决方案,我们也迎来了新的问题:自动驾驶的到来能否改善交通拥堵问题?
一个观点是,当初铁轨与内燃机解决不了的问题,人工智能恐怕依然无能为力。
拥堵已经成为城市发展中无法避免的副产物——城市的存在为生活居民乃至周边人群带来巨大收益,吸引更多居民迁徙进来,他们能够轻松社交、讨论想法甚至完成商业交易(这就是专业化程度提升的好处)。但硬币的另一面是,这种聚焦会导致可怕的拥挤:单一区域内居住的人口数量越大,对稀缺资源的竞争就越激烈,比如餐厅排位、高峰期排队进地铁站。这种成本将持续增长,直到出现拐点并超越其收益。
对拥挤问题的解决只是一种暂时性缓和。因为当纽约地铁延伸至曼哈顿北部时,原本居住在肮脏、昂贵且拥挤的闹市区居民们多了一种生活空间选项,导致纽约的人口开始进一步增加,很快令各条线路再度爆满。再比如,美国战后公路建设的热潮也曾令城市郊区实现人口的爆发式增长,然而城市人口流动再次找到新的平衡点——因为郊区人口密集导致道路拥堵,并使得远离就业中心的生活成本大幅提升。
宾夕法尼亚大学的Gilles Duranton以及布朗大学的Matthew Turner于2011年发布了一篇题为《道路拥堵的基本规律》的论文,其中提到:“建造更多公路并不能缓解拥堵,相反只会吸引更多居民,并导致原住民越来越多地选择驾车出行——这种运输密集型经济活动最终将再次令道路的负载能力陷入崩溃”。
自动驾驶的出现在于削减交通流量,并带来一系列后续影响。
地铁至少需要1000亿美元。在这方面,自动驾驶车辆或许有望帮助政府以另辟蹊径的方式解决问题。
更低的事故率,意味着车辆的通行能力随之提升,然而交通流量的下降将使较为拥挤的地区吸引更多居民,而人口的增加终将再一次导致拥堵。
另外,自动驾驶技术允许司机在出行过程中工作或睡眠,因此人均乘坐里程数也可能随之增加。正如高速公路的修建会带来更为繁荣的运输密集型产业,自动驾驶车辆也会侧重出更多新型道路使用方式。举例来说,未来人们在上班之前可能会首先前往咖啡店,在这里拿到自己喜爱的饮品之后再惬意地赶赴上班地点,这意味着自动驾驶车辆技术也许能让我们的生活更安全、更高效,但却不一定会减少交通流量。
也不是绝对,自动驾驶技术仍有改善交通的希望,因为其能够降低行政层面的道路收费难度。发生拥堵的原因在于,公共道路拥有过低的使用成本,因此更多人倾向于选择驾车出行。相比之下,提高通行费则能够保证有出行需求的群体选择驾车。有些地方已经开始征收这类费用——伦敦与新加坡就是实例,但群众对这种政策抱有很强的抵触情绪,一部分驾驶者不愿为休闲性质的驾车兜风支付额外费用,另有些驾驶者无法接受这种追踪私人车辆并征求附加费的作法。
然而,人们似乎并不反对政府向优步及Lyft这样的车辆出租服务机构征收额外费用。目前Waymo与通用公司正在测试自动驾驶在这种新型模式中的表现。如果自动驾驶时代,人们需要购买的仅仅是出行能力而非车辆本身,那么征求出行费不仅能够减少不必要的驾车活动,也可有效降低道路收费政策的舆论阻力。
当然,通勤又是另一码事。
考虑到通勤背景,这种新模式可能导致另一种反乌托邦结果(同样拥有历史渊源)——即快速的功能性运输仅服务于那些承担得起费用的群体,幸运的是,历史也给我们带来了解决方案:公共交通。
未来的乘车服务可能引入拼车机制,并在乘客之间分摊出行费用。或者如耶鲁大学的Daniel Rauch与David Schleicher所言,政府可能会出于自身考量而建立起新的交通生态系统,政府可能会补贴低收入群体的通勤,甚至完全接管这类系统。
市政网络搭建的自动驾驶车辆可能效率不及私家车(特别是如果对运载能力采取先到先得而非按出价分配的机制),但根据以往的公共交通设计思路,市政机构明显认为为民众提供前往经济活动中心的机会才是最理想的方法。
如果事实证明自动驾驶时代下的拥堵问题仍然得不到解决,那么人们将会继续期待能够在技术层面迎来新的解决方案——例如大家睽违已久的飞行汽车。但到那个时候,飞行通道也将被严格限定,而这既意味着与地面交通系统一样良好的运作状态、也代表着新的拥堵难题再次出现。
来源:economist.com
编译:科技行者
好文章,需要你的鼓励
谷歌DeepMind等顶级机构联合研究揭示,当前12种主流AI安全防护系统在面对专业自适应攻击时几乎全部失效,成功率超过90%。研究团队通过强化学习、搜索算法和人类红队攻击等多种方法,系统性地突破了包括提示工程、对抗训练、输入过滤和秘密检测在内的各类防护技术,暴露了AI安全评估的根本缺陷。
西蒙弗雷泽大学和Adobe研究院联合开发的MultiCOIN技术,能够将两张静态图片转换为高质量的过渡视频。该技术支持轨迹、深度、文本和区域四种控制方式,可单独或组合使用。采用双分支架构和分阶段训练策略,在运动控制精度上比现有技术提升53%以上,为视频制作提供了前所未有的灵活性和精确度。
英国国王学院研究团队开发了潜在精炼解码(LRD)技术,解决了AI文本生成中的速度与准确性平衡难题。该方法通过两阶段设计模仿人类思考过程:先让AI在连续空间中"深思熟虑",保持多种可能性的混合状态,然后"果断行动",逐步确定答案。实验显示,LRD在编程和数学推理任务中准确性提升最高6.3个百分点,生成速度提升最高10.6倍,为AI并行文本生成开辟了新路径。
清华大学团队开发的ViSurf是一种创新的大型视觉语言模型训练方法,巧妙融合了督导式学习和强化学习的优势。该方法通过将标准答案整合到强化学习过程中,让AI既能从正确答案中学习又能保持自主推理能力。实验显示ViSurf在多个视觉任务上显著超越传统方法,特别是在处理模型知识盲区时表现突出,同时有效避免了灾难性遗忘问题,为AI训练提供了更高效稳定的新范式。