微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 我方无责,对方无责,车全责?

我方无责,对方无责,车全责?

2021-04-30 17:30
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2021-04-30 17:30 高飞 奇客故事(ID:cybergushi)

有模糊地带的地方,就是容易发生争执的地方。

好比说城市“耶稣撒冷”吧,它是重要的宗教圣地,但更准确的说,是几个重要宗教的共同圣地。这片土地的荣耀归属,也就成了一个模糊地带,无数的战火就因为这份“模糊”而引燃。

现在看起来,智能汽车,正在创造数字经济时代一个的模糊地带,一个新时代的“耶路撒冷”,那就是事故责任的认定。

我方无责,对方无责,车全责?

汽车只要上路,就难免发生交通事故,而交通事故的定责过程,就是厘清模糊地带的过程。

早些年间,在马路上经常会看到事故车主双方,在街上吵架的场面。到底是你先压了线,还是我没躲开,其中确实有很多可以争论的地方。

无论怎么争,最后肯定要得出一个结论,或者是你方全责,或者是我方全责,或者责任均沾,总有一个车是有责任的。

但是在智能驾驶时代,责任的认定方却多了一个,那就是车本身。

《蜘蛛侠》中有句台词,能力越大,责任越大。当人工智能赋予车驾驶权的时候,事故的责任方,就多了一位,那就是——车自己。

最近的特斯拉事件,就把“车有责”的可能性,以及它可以创造的混乱,史无前例的在全社会做了一次知识科普。

无论大家喜欢或不喜欢,无论特斯拉的公关顽固或无脑,有一件事是确定的,那就是车的智能化过程,已经是不可逆的产业升级过程。

假设特斯拉退出了中国市场,我们也一定会看到“其他斯拉”智能汽车遇到同类事件。

尽管他们的公关可能会比特斯拉聪明,但是责任的认定过程,却依然不见得简单。

所以,当下一次涉及“车有责”嫌疑的事故发生后,我们应该怎么办?

当人们遇到关于未来的问题时,经常会发现,历史能告诉我们答案。

不知道大家有没有注意到,不经意间,现在马路上因为交通事故吵架的事儿越来越少了。

这肯定不是交通事故本身变少了,也不是司机文明程度提高了,答案在问题之外,是“保险”和“摄像头”的普及,让吵架变得没有意义。

交通摄像头的普及,让责任的认定变得清楚,责任的模糊地带变清晰了。

保险的普及,则让有责方的压力变小,吵架也就变得没有必要了,反正有人兜底(当然,路怒症除外)。

在智能驾驶时代,情况会变得有所不同。

由于人工智能的黑盒问题(外人无法完全窥探其内部规则),马路上的摄像头,能看清楚人类车主的相互责任,但是看不清“车”本身的责任。

所以,在智能驾驶时代,解决答案的途径看起来就只剩下一个了,那就是“保险”。用保险降低“定责”的压力,是解决问题的唯一途径。

但是应该说,在智能驾驶时代,“保险”还没有做好自己的准备。

现在的车保服务,是传统驾驶时代的产物,是决定驾驶员——“人”责的产品,全然没有考虑到“车”责的出现。

这也不能完全责怪保险公司,“车厂”本身也忽视了自己这份责任。

当任何一个具备理性的驾驶员,都不会在没有保险的情况,开车上路的时候。间接拥有“驾驶权”的车厂,却没有想到为自己的“汽车人”上一份保险。

我方无责,对方无责,车全责真发生的时候,没有一份保险的“车厂”,能完全负的起自己的责任吗,还是坚持说,自己一定没有责任?

有了碎屏险之后,手机厂商和手机用户也就不再纠结到底自己手机设计的太光滑,还是用户自己使用不当了。

如果责任的认定过程只能像一部阿加莎·克里斯蒂的小说,“汽车”自己本身有一份保险,则可以让猜测嫌疑犯先放在一边。

汽车,已经成为数字经济文明的下一个战略高地,无数的力量正在向它冲锋,有传统车厂,有科技公司,有互联网公司,有地产公司。

智能汽车天赐良机,人人都有把这事做成的理由。

从舆论场和商战的角度,智能汽车自己也是一个商业机遇的“耶路撒冷”。

《耶路撒冷三千年》写到,这片土地是三大宗教(各种产业力量)的圣地(新蓝海),更是文明冲突的战略要冲,她是让世人魂牵梦绕的去处,也是惑人的阴谋与虚构的网络传说和二十四小时新闻发生的地方。

这段话,确实也很像写给智能汽车的“最近三个月的”的历史的。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。

  • 香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。

  • 中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。

  • 字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-