无人车致命车祸，人车谁来背锅？MIT问了2583个人给出了这份政策研究

　　让我们先来做一道选择题。

　　司机老王开着一辆带有自动驾驶系统的车，这时道路前方突然出现了一个行人，可怕的是刹车失灵了。如果及时左转，老王的车就不会撞人；如果依旧直行，老王的车会将人撞死。

　　你觉得以下哪种情景，老王要为行人之死负责？

　　老王决定左转，而自动驾驶系统强制选择了直行（撞人）

　　老王决定直行（撞人），而自动驾驶系统没有干预

　　自动驾驶系统决定左转，而老王强制选择了直行（撞人）

　　自动驾驶系统决定直行（撞人），而老王没有干预

　　A和C选项中，人类和机器驾驶员都进行了错误干预。B和D选项中，两者都没有进行有效干预（错过干预）。到底谁的责任更大？

　　为无人车事故定责不是个简单的选择题。

　　MIT、哈佛、加州大学尔湾分校、法国图卢兹大学的一个联合研究小组，致力于通过定量研究的手段，了解人们在面对无人车事故时的态度，并于最近发布了研究成果。

“背锅”下载这篇论文。

　　论文作者来自脑和认知科学、心理学、经济学等多个不同领域，MIT火爆的无人车课程讲师Sydney Levine也是作者之一。

　　先说MIT联合研究小组通过向2583个人发放3次调查问卷得出的结论：

　　进行了错误干预的驾驶者是过失方，无论是人还是机器驾驶；

　　如果人机同时错过有效干预，舆论对机器更包容，人类司机的疏忽更受关注。

　　明确事故定责，是无人车发展的前提

　　伴随着一个个无人车路测的消息，我们也看到了一起起事故。

　　3月18日美国亚利桑那州发生的Uber无人车撞伤行人并致死事故可以理解为“错过干预”。车祸正式报告还未公布，但据外媒报道，事故发生时车辆已经检测到车头前的行人，但决策系统却“决定”不采取任何闪避措施，同时人类安全驾驶员也未能及时作出反应。

　　Uber之后，3月23日，特斯拉Autopilot再次成为漩涡中心：一辆开启了Autopilot的Model X在高速上撞向隔离带，导致车主不幸丧生，还引发车辆起火和两车追尾。

　　对此，特斯拉表示：“司机已收到过几次警告，包括可视警告和声音警告。在碰撞发生前的6秒钟，司机都没有手握方向盘。事故发生前，司机有大约5秒钟的时间和150米的无障碍视野，但车辆记录显示司机没有做出任何动作。”

同样，可以理解为“错过干预”。

　　历史总是惊人地相似。

　　2016年5月，全球首例引起广泛关注的Autopilot致死事故在佛罗里达发生，一辆特斯拉Model S在使用Autopilot模式行驶途中与一辆正在转弯的卡车相撞，导致特斯拉车主死亡。[page]分页标题[/page]

　　特斯拉解释说：“在强烈的日照条件下，驾驶员和自动驾驶系统都未能注意到卡车的白色车身，所以没有及时启动刹车系统。”

　　也就是说，在这场事故中，无论是机器驾驶员还是人类驾驶员都应该采取措施（避开正在左转的卡车），然而他们并没有采取行动。

人类和机器驾驶员的“错过干预”导致了撞车事故。美国高速公路安全管理局等部门在经过6个月的调查后，认定特斯拉Autopilot系统不存在缺陷。

　　据世界卫生组织统计，全球每年约有125万人死于车祸。通常，法律裁决的重点是判定谁是过失方，谁为事故承担责任。

　　随着半自动驾驶和全自动驾驶技术趋于成熟，如何公正判决谁应该承担责任就成了法官和陪审团的难题，因为事故中的过失和责任将由人类和机器驾驶员共同承担。

　　法官和陪审团都是人类。

他们会偏袒自己的同胞吗？还是认为人类因为智力更胜一筹所以应当承担更多责任？

　　在2016年的特斯拉Autopilot事故中，公众明显偏向于指责事故中疏忽的人类驾驶员，比如有传闻说车主当时正在看哈利·波特电影（尽管没有任何证据证实这点）。

　　舆论对自动驾驶产业有直接的影响。

　　目前，公众对混合驾驶模式造成的车祸态度仍不明确，制造商也无法判断他们的责任范围，这直接反映在了无人车高昂的定价上，也减缓了无人车普及的速度。如果公众倾向于将责任归咎于人类驾驶员而不是机器，这将导致法律体系建设的放缓和监管的缺失，也无法给制造商施加足够的压力来提升无人车安全性。

　　MIT联合研究小组呼吁，为事故明确定责，是完善监管、促进自动驾驶行业发展的第一步。

　　有司机的无人车，司机责任更大？

　　目前，自动驾驶技术以混合驾驶模式为主。一些自动驾驶系统可以越过司机的权限执行紧急操作（例如丰田的Guardian Angel）。其他半自动驾驶车辆可以完成大部分驾驶操作，同时要求司机不断监控情况并随时准备采取控制措施（例如特斯拉的Autopilot）。

　　这里，核心问题是：当一辆半自动驾驶的汽车发生事故并造成人员伤亡时，如何判定人类和机器驾驶员之间的过失和因果责任？

　　让我们详细看看MIT联合研究小组的结论。

　　他们研究了6种驾驶模式，分别是单人驾驶模式、单机驾驶模式（全自动驾驶汽车）以及双驾驶员（两个人类或两个机器）的不同组合模式。这些模式分别对应无人车的6个等级，从L0到L5。比较典型的是，L2级的丰田Guardian Angel被归类为H-M模式，即人类（H）是主驾驶，机器（M）是副驾驶；L3级的特斯拉Autopilot被归类为M-H模式，即机器是主驾驶，人类是副驾驶。[page]分页标题[/page]

　　焦点在于H-M和M-H模式下的两个场景：

　　主驾驶做出正确判断，而副驾驶错误干预（“错误干预”）

　　主驾驶做出错误判断，而副驾驶没有进行干预（“错过干预”）

　　研究人员使用了两个自变量做回归：驾驶员是否犯错、驾驶员类型（人或机器）。

　　在“错误干预”场景下，最重要的发现是：驾驶员是否犯错对评分具有显著影响，而驾驶员类型对结果的影响并不明显。可以从下图左边看到，做出错误干预的副驾驶被认为过失更大，而且副驾驶是蓝色（机器）或红色（人类）的情况下过失及责任分数接近。

　　也就是说，人们普遍认为，做出错误判断的一方是过失方。如果“错误干预”的驾驶操作导致行人死亡，那么无论做出误判的是人还是机器，都应当承担更多责任。

　　不同驾驶模式的过失及责任评估分数（分数越高责任越大）。蓝色代表车辆本身和汽车制造商的叠加责任分数，红色代表人类司机的责任分数。x轴标签first driver指主驾驶，last driver指副驾驶。

　　而有关“错过干预”的研究结果和此前的结果不同。

　　此前的研究表明，当机器和人类都做出错误的判断时，机器会受到更多的指责。而且，当人和算法犯了同样的错误时，人们对算法失去信任的速度要快于人类本身。

　　这次的结论是，如果发生“错过干预”的情况（即人类犯错机器没有干预，或者机器犯错人类没有干预），机器责任程度明显小于人类。

　　在双驾驶员模式下，人类和机器驾驶员都承担责任（缺乏有效干预），但是可以明显看出红蓝两色的差距。作为对照，如果主驾驶和副驾驶都是人类或者都是机器，他们的责任分数相同（对应上图右第2行及第7行）。

　　具体回归结果可以看这张图：

　　尽管人们对无人车的普及可能存在着许多心理上的障碍，但这一结果表明，公众不会对混合驾驶模式下的事故做出过度反应。

　　尽管在研究中进行了一些系统的简化，但结果也能反映出一定的公众言论效应。公众倾向于将注意力集中在人类驾驶员的极度疏忽上，因此将责任归咎于人类驾驶员而不是机器。

　　受访者也对人类和机器驾驶员的能力分别做了评估，结果相近。在了解事故前，受访者对人类和机器的驾驶能力同样有信心。在被告知发生了“错过干预”的事故后，信心同比例下降。

　　事实上，更应该关心的也许是公众的反应不足（under-reaction）。

　　研究人员认为，公众的反应不足会导致驱动监管法案制定的舆论压力缺失。如果半自动驾驶汽车的监管法案在有陪审团的法庭上制定，陪审团的裁决会偏向于汽车制造商，[page]分页标题[/page]使其在人机共同犯错的案例中免责。这样的话，就无法给制造商施加足够的压力来改善汽车的安全性能设计。

　　其实，我们之前也经历过类似的情况。在20世纪60年代之前，汽车制造商将伤害事故责任归咎于驾驶员的错误或疏忽，从而逍遥法外。为此，很有必要通过自上而下的监管，将“事故责任制”的概念引入法律体系，即汽车的设计应尽可能减少发生事故时对乘客造成的伤害。

　　只有在法律约束下，汽车制造商才能被迫改进他们的设计。然而，安全的标准究竟如何，仍然是一个悬而未决的问题。

　　研究人员指出，仅仅在一种条件下，公众有可能产生过度反应，机器受到的责备会大于人类：

机器做出了“错误干预”。

　　在这种驾驶模式中，人类并没有义务去纠正机器犯的错误。也就是说，机器的工作是纠正人类可能犯下的错误，但如果机器犯了错误，人类没有纠正的义务。（仅在“H-M”模式下如此。“M-H”模式下，当机器发生故障时，纠正故障始终是人类的责任。）

　　因此，一旦发生由“错误干预”造成的事故，可能会引起公众的广泛关注。如果我们对此不加以适当的预测和管理，那么全自动驾驶技术的进程可能会减缓。在研发机器比人类具有更大权限的汽车时，制造商们应该关注这类极端情况，因为在该情况下，机器比人类更易受到指责。

　　公众反应和舆论压力会影响判决和立法，也会影响个体的决策。

　　比如，人们可能会选择“能承担事故责任和舆论压力”的驾驶系统。更糟糕的是，人们可能会改变驾驶习惯，尽量让机器成为过失方（比如说，不去纠正机器的“错误干预”）。

　　毕竟，如果什么都不做，可以让机器背锅。

　　One More Thing

　　如果你对社会实验感兴趣，这里还有一个MIT开发的小游戏，你可以自己试试看在两难时你会怎么操控无人车：

　　http://moralmachine.mit.edu/

　　【今日机器学习概念】

　　Have a Great Definition

    本文首发于微信公众号：大数据文摘。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。