一、引言近年來，自動駕駛汽車的自動化程度正逐漸提高，并引發(fā)對更高程度自動化水平的追求。自主性可以定義為一個智能化的系統(tǒng)在系統(tǒng)自身及其環(huán)境的不確定性下實現(xiàn)特定任務(wù)的能力。在實現(xiàn)特定任務(wù)過程中，通常也可認(rèn)為，系統(tǒng)自身在無/少干擾情況下對于不確定性處理能力越強，其自動化程度越高。目前對于自動駕駛汽車自動化程度的衡量標(biāo)準(zhǔn)多樣，而汽車工業(yè)界通常采用汽車工程師協(xié)會（SAEInternational）定義的從0級（完全手動）到5級（完全自主）的6級分級標(biāo)準(zhǔn)?，F(xiàn)有SAE對于L1~L5級自動駕駛的定義可以理解為：對于L1級別自動駕駛，可以完成在一個維度（橫向或縱向）的駕駛?cè)蝿?wù)；L2級別自動駕駛可以同時自動進(jìn)行多維度輔助（如加減速和轉(zhuǎn)向）；L3級別自動駕駛車輛在特定環(huán)境中可以實現(xiàn)自動加減速和轉(zhuǎn)向，無需駕駛?cè)烁深A(yù)；在L4級別自動駕駛中，在限定條件下如果車輛當(dāng)前處于自動駕駛狀態(tài)，則全程無需駕駛者接管方向盤；L5級別自動駕駛車輛可以在任何條件、任何場景下自動行駛，車輛的自動化系統(tǒng)完全替代了人類駕駛員，車輛達(dá)到完全自動化。在L1~L5級自動駕駛發(fā)展過程中，動態(tài)性、隨機性和多樣化的交通參與者，耦合化、時變化、復(fù)雜化的交通環(huán)境，以及非結(jié)構(gòu)化、模糊不明甚至不合理的道路基礎(chǔ)設(shè)施都是實現(xiàn)自動駕駛的潛在挑戰(zhàn)。三大主要挑戰(zhàn)可以概括為：①多場景疊加，如城市鬧區(qū)等多交通場景疊加情況等；②非理想環(huán)境適應(yīng)，如動態(tài)變化的天氣與路況條件等；③交通狀態(tài)不確定，如隨機突發(fā)的緊急事件等潛在難題。因此，為實現(xiàn)更高等級的自動駕駛，需要提出一套有效的自動駕駛汽車研發(fā)思路，讓高等級自動駕駛汽車具備在考慮其他道路使用者的意愿和決策機制的前提下，對交通環(huán)境中的風(fēng)險程度進(jìn)行估計、判斷和預(yù)測，規(guī)劃具體的駕駛策略和軌跡，實現(xiàn)智能車輛在復(fù)雜的不確定環(huán)境中的安全可靠的高等級自動駕駛。駕駛過程中人為失誤導(dǎo)致的交通事故比例已經(jīng)超過90%，包括駕駛?cè)嗽诟兄?、認(rèn)知、推理與決策各階段自身的局限性。應(yīng)用自動駕駛技術(shù)，逐步提高車輛駕駛的智能化水平，是解決交通安全問題的根本途徑。許多自動駕駛制造商都制定了各自研究路線，推動自動駕駛技術(shù)發(fā)展。目前主流自動駕駛技術(shù)路線有：①“漸進(jìn)演化”路線。從先進(jìn)駕駛?cè)溯o助系統(tǒng)（ADAS）產(chǎn)品開始生產(chǎn)并逐步研發(fā)到無人駕駛階段，大部分傳統(tǒng)車企和零部件企業(yè)一般采用這種相對保守的路線。②“革命性”路線。一開始就研發(fā)L4或者L5級自動駕駛，如谷歌、福特、通用（GM）、Momenta等公司。③“特斯拉”路線。在搭載自動駕駛系統(tǒng)硬件的汽車上，首先應(yīng)用輔助自動駕駛功能，不斷積累測試數(shù)據(jù)，通過軟件升級完善自動駕駛統(tǒng)，最終實現(xiàn)無人駕駛。但現(xiàn)有的技術(shù)路線在實施過程中都遇到了類似難題：①自動駕駛汽車會違反交通規(guī)則，頻繁制動，犧牲乘客舒適性，對交通造成負(fù)面影響；②安全算法考慮因素不足，難以準(zhǔn)確判別行車危險程度；③智能汽車在復(fù)雜環(huán)境陷入困境后，綜合判斷能力欠缺，易導(dǎo)致決策沖突等。這些難題帶來了在現(xiàn)實行車過程中出現(xiàn)的一系列自動駕駛不合理現(xiàn)象：“路遇行人不停車”“一次跨越多個車道”“路遇車輛頻繁制動”“左轉(zhuǎn)時猶豫、起?！钡葐栴}，同時也造成了多起自動駕駛事故。例如，2016年，特斯拉ModelS電動汽車在途經(jīng)十字路口的時候，撞上了一輛正在左轉(zhuǎn)的卡車；2017年，自動駕駛汽車Waymo在測試時，發(fā)生了追尾事故；2018年，Uber自動駕駛測試車因系統(tǒng)無法準(zhǔn)確識別人行橫道以外的行人而造成事故。雖然各研究機構(gòu)的研究路線有所側(cè)重，但針對高等級自動駕駛汽車的研發(fā)思路主要是基于場景和任務(wù)驅(qū)動來進(jìn)行特定場景下的具體功能開發(fā)。這一思路對于L1~L3級的駕駛輔助系統(tǒng)開發(fā)有一定指導(dǎo)作用，可以在特定場景下完成指定功能；而L3~L4級自動駕駛屬于任務(wù)驅(qū)動，因此能夠?qū)崿F(xiàn)在限定條件下人機協(xié)同共駕。而對于L5級自動駕駛，場景驅(qū)動可能會帶來多類場景疊加難題，使得L5級自動駕駛汽車會為了能夠適應(yīng)這一功能而陷入困境；任務(wù)驅(qū)動則會導(dǎo)致自動駕駛時多任務(wù)沖突，難以讓L5級自動駕駛汽車無條件地自由行駛。例如，交通參與者（車輛、行人、騎行者）對交通規(guī)則的遵循意識觀念不強；行駛環(huán)境的道路結(jié)構(gòu)和交通設(shè)施都存在不合理、老舊不清晰等問題。這些特殊化的交通參與者行為和行車環(huán)境都大大增加了現(xiàn)有基于場景或任務(wù)驅(qū)動的研發(fā)思路的應(yīng)用挑戰(zhàn)。由此可見，L5級自動駕駛汽車需要實現(xiàn)超越駕駛?cè)说男阅埽轿惶岣咂囆旭傂阅?，從學(xué)習(xí)駕駛?cè)说鸟{駛方式到適應(yīng)駕駛?cè)笋{駛模式再到超越駕駛?cè)笋{駛局限。目前仍鮮有從一種全新的“系統(tǒng)、統(tǒng)一、均衡”的角度出發(fā)，探索高等級自動駕駛系統(tǒng)背后的物理機制，揭示駕駛本質(zhì)的研發(fā)范式。因此針對現(xiàn)有方法的局限性，本文突破傳統(tǒng)研發(fā)自動駕駛思想，采用推理演繹方式，提出“大腦-小腦-器官”協(xié)調(diào)平衡框架，探索“自主學(xué)習(xí)+先驗知識”的研究范式。通過開展開拓性研究，旨在實現(xiàn)自動駕駛汽車“自學(xué)習(xí)、自適應(yīng)、自超越”特性，為L5級自動駕駛汽車的開發(fā)提供新的研究思路和途徑。二、現(xiàn)有研發(fā)框架的局限性分析現(xiàn)有的自動駕駛汽車的常用開發(fā)思路是將整個系統(tǒng)劃分為獨立的層和功能。例如，智能車輛首先通過感知層感知駕駛環(huán)境參數(shù)，識別目標(biāo)類型。然后通過情景評估，提高對駕駛行為意圖等駕駛環(huán)境的了解，并估計和預(yù)測未來的駕駛風(fēng)險程度，評估其他道路使用者的風(fēng)險水平，正確認(rèn)識環(huán)境。最后，自動駕駛汽車通過決策和執(zhí)行控制系統(tǒng)完成行為和路徑規(guī)劃，從而實現(xiàn)駕駛操作任務(wù)。具體來說，現(xiàn)有與基于場景和任務(wù)驅(qū)動的研發(fā)思路對應(yīng)的自動駕駛汽車的開發(fā)途徑主要分為“感知-決策-控制”這一分層自動駕駛框架和端到端的整體學(xué)習(xí)框架。（一）“感知-決策-控制”分層框架分析在目前的自動駕駛系統(tǒng)中，感知系統(tǒng)、決策系統(tǒng)、控制系統(tǒng)、執(zhí)行系統(tǒng)多依賴功能疊加式的設(shè)計方案進(jìn)行獨立設(shè)計開發(fā)。當(dāng)自動駕駛汽車在向更高等級發(fā)展的過程中，就需要提供更高等級的功能，而現(xiàn)有的研究框架通常在原有系統(tǒng)基礎(chǔ)上，直接疊加新的系統(tǒng)，進(jìn)行功能集成，產(chǎn)生新的功能。這種“結(jié)構(gòu)分層設(shè)計，功能疊加產(chǎn)生”的集成架構(gòu)相對簡單，容易實現(xiàn)，在智能駕駛系統(tǒng)發(fā)展的初級階段發(fā)揮了重要作用。然而，隨著智能汽車的等級逐漸提高，功能需求不斷增多，子系統(tǒng)不斷集成，系統(tǒng)結(jié)構(gòu)愈發(fā)復(fù)雜，各系統(tǒng)功能與結(jié)構(gòu)存在相互的耦合與重疊，易造成結(jié)構(gòu)配置冗余、資源利用率不高和系統(tǒng)成本增加等問題。特別地，目前在分層式框架中，在決策過程中常采用基于規(guī)則的方法。該方法能夠有效實現(xiàn)L2~L4級的決策過程，是一種有效針對特定場景和具體任務(wù)驅(qū)動的自動駕駛模式的方法。該方法的代表性方法包括有限狀態(tài)機等，其規(guī)則直觀、可讀性較好、易實現(xiàn)，在簡單的場景中，適用性比較好。而這類方法的明顯缺點是缺乏概括未知情況的能力，這使其很難被擴(kuò)展到實際駕駛中，尤其是針對高等級自動駕駛。在分層框架中，具體各子系統(tǒng)的特點和存在的不足如表1所示。表1

“感知-決策-控制”分層框架特點（二）端到端學(xué)習(xí)框架分析目前很多創(chuàng)新公司或研究機構(gòu)都在研究并推廣，結(jié)合深度學(xué)習(xí)與增強學(xué)習(xí)的方法在自動駕駛領(lǐng)域進(jìn)行端到端的訓(xùn)練。端到端的學(xué)習(xí)方法可以直接將傳感器輸入端的信息導(dǎo)出，然后輸入車輛底層控制器中（剎車、油門、轉(zhuǎn)向等）進(jìn)行輸出。對于現(xiàn)有采用端到端的學(xué)習(xí)框架，其不斷探索、學(xué)習(xí)的屬性能夠讓自動駕駛汽車實現(xiàn)“自適應(yīng)、自學(xué)習(xí)”這一過程。然而由于端到端框架的中間環(huán)節(jié)的隱藏特性，最終導(dǎo)致在實際交通場景中，在面對未知不確定的情境時會出現(xiàn)“學(xué)習(xí)內(nèi)容不明確、學(xué)習(xí)方向不可控、學(xué)習(xí)策略不相關(guān)”等問題。由于端到端中間過程的“黑箱問題”會帶來透明性不高的問題，導(dǎo)致所對應(yīng)的功能和策略與預(yù)期不相符的程度會增加。同時，由于學(xué)習(xí)類方法背后潛在的物理機制不明晰，導(dǎo)致開發(fā)高等級自動駕駛車輛存在許多潛在風(fēng)險。此外，由于未能深刻揭示模型背后的物理機制所造成的可解釋性問題，將成為阻礙學(xué)習(xí)類方法進(jìn)一步發(fā)展應(yīng)用的瓶頸。而具體的問題如“難以與規(guī)則結(jié)合”“計算成本過高、硬件要求高”“樣本不夠多、完整性不足，高訓(xùn)練成本”等也進(jìn)一步讓端到端學(xué)習(xí)在實際應(yīng)用過程中受阻。因此，僅靠端到端的探索或現(xiàn)有的分層式框架，無法有效應(yīng)對這些非正常情況。復(fù)雜的交通場景通常具備這些不確定、不可測、非常規(guī)的元素。如果高等級自動駕駛汽車按照目前的單一功能、特定場景、任務(wù)驅(qū)使的發(fā)展趨勢，將無法有效處理交通不正常的情況。針對特定場景與單一交通環(huán)境的傳統(tǒng)研發(fā)方法，不能全面反映駕駛?cè)嗽谡鎸嵔煌ōh(huán)境中的決策操控能力，很難為開發(fā)高等級智能汽車的擬人化駕駛算法提供指導(dǎo)依據(jù)。三、L4級與L5級自動駕駛的差異性（一）L5級自動駕駛目標(biāo)根據(jù)已有的定義，L5級和L4級之間存在本質(zhì)區(qū)別，L4級可以實現(xiàn)高度智能的無人駕駛，但其限定條件使得L4級只能在盡量覆蓋各種場景的前提下趨近于人類駕駛行為，無法實現(xiàn)100%的實用化和L5級下的無條件普適性要求。而根據(jù)SAE分級標(biāo)準(zhǔn)，在目前的自動駕駛等級分級中，L4與L5級別的自動駕駛汽車的區(qū)別在于運行設(shè)計域（ODD），L4級的自動駕駛汽車只能在給定工況范圍內(nèi)運行，而L5級則是可以在符合道德規(guī)范的任意工況下運行。但究其根本，如果從場景的覆蓋范圍及運行工況角度對L4級和L5級進(jìn)行區(qū)分，則很容易造成L5級自身的定義模糊化，且?guī)硎欠裼斜匾l(fā)展L5級的系列討論。本文在SAE標(biāo)準(zhǔn)和其他自動駕駛分類標(biāo)準(zhǔn)的基礎(chǔ)上，重新對L5級自動駕駛的本質(zhì)進(jìn)行闡明。L5級自動駕駛汽車將不再是傳統(tǒng)意義上的一輛汽車，而是一個具有“自學(xué)習(xí)、自修復(fù)、軟件自配置、自主社交、自主駕駛能力”的連接不同場景的移動生活載體。其“自學(xué)習(xí)、自適應(yīng)、自超越”的特性可以應(yīng)用于L2~L4級自動駕駛，但這一過程只是單向的。而L1~L4級自動駕駛只是L5級的一種特例。進(jìn)一步分析，在L1~L5級自動駕駛發(fā)展過程中，L1~L3級自動駕駛聚焦于感知層面的任務(wù)代理；L4級實現(xiàn)給定復(fù)雜場景內(nèi)的決策任務(wù)，存在一定的任務(wù)處理邊界，該任務(wù)邊界出現(xiàn)的主要原因是L4級自動駕駛系統(tǒng)生成決策的方法是基于統(tǒng)計信息的決策搜索，而非基于邏輯的決策生成。我們也可以將L4級自動駕駛理解為部分樣本，在達(dá)到L4級技術(shù)后即實現(xiàn)了部分樣本的驗證，但部分樣本無法覆蓋全部樣本。L4級自動駕駛汽車可理解為能在有限性工況下運行，但對于無限的不確定場景難以以單純列舉的方式實現(xiàn)，更多的是需要具有自主探索能力。因此，L5級要求自動駕駛系統(tǒng)在未知駕駛場景內(nèi)具備決策生成的能力，相較于L4級的主要差異在于其具備了基于邏輯的推理學(xué)習(xí)能力，亦可稱為自修正能力。不同于簡單的機器學(xué)習(xí)模式，這種能力不僅使自動駕駛系統(tǒng)可以采用統(tǒng)計學(xué)的方法對駕駛經(jīng)歷進(jìn)行特征提取，而且有助于進(jìn)一步提煉受控車輛與交通環(huán)境的交互機制，從而形成一種能夠系統(tǒng)性調(diào)整自動駕駛系統(tǒng)（相較于對單一模塊的調(diào)整）的修正邏輯。（二）難實現(xiàn)L5級自動駕駛的原因真實的交通環(huán)境由于存在各種道路使用者，且各道路使用者的時變和行為不確定性造成了交通系統(tǒng)的復(fù)雜性。如文獻(xiàn)[26]所述，自動駕駛汽車發(fā)展過程中存在一些共性問題，主要包括現(xiàn)有各項技術(shù)發(fā)展存在瓶頸和現(xiàn)有基礎(chǔ)設(shè)施不夠完善。如先前的研究所述，針對目前的感知、決策、控制技術(shù)的發(fā)展現(xiàn)狀，要真正實現(xiàn)L5級自動駕駛離不開各項技術(shù)的推動。比如Chen等引入了基于事件的自主駕駛神經(jīng)形態(tài)視覺的新概念，可以幫助高等級自動駕駛汽車獲取更準(zhǔn)確的視覺感知信息。這對發(fā)展更高等級自動駕駛汽車，尤其是L5級自動駕駛汽車至關(guān)重要。而高等級自動駕駛所需要的技術(shù)條件與目前的發(fā)展現(xiàn)狀存在一些差距。同時，除了技術(shù)和基礎(chǔ)設(shè)施原因，自動駕駛汽車目前仍然無法達(dá)到L5級的更深層次的原因主要有：（1）交通要素作用機理不明復(fù)雜環(huán)境下，各要素對行車風(fēng)險影響的機制不清晰，難以探明各要素之間的耦合機理。如駕駛?cè)藢Σ煌煌ōh(huán)境靜態(tài)和動態(tài)信息的認(rèn)知判斷機制不清晰，駕駛?cè)藢囕v動力學(xué)特性的適應(yīng)能力和操縱水平難量化，各交通要素對于駕駛?cè)说膭討B(tài)干擾機制不確定等。因此高等級自動駕駛汽車需要充分認(rèn)知人-車-環(huán)境耦合風(fēng)險，將駕駛?cè)藢τ谛熊嚟h(huán)境各要素造成的潛在風(fēng)險認(rèn)知規(guī)律應(yīng)用于智能車輛風(fēng)險評估，實現(xiàn)交通環(huán)境多要素耦合作用下的準(zhǔn)確風(fēng)險辨識。（2）交通運行的變化規(guī)律不清晰在動態(tài)環(huán)境下，存在人-車-路系統(tǒng)多方面的不確定性。如人的參與帶來的不確定性，人本身的隨機性使得交通復(fù)雜系統(tǒng)更具不確定性；環(huán)境的變化不確定，導(dǎo)致對交通認(rèn)知的難度提高；道路條件的不確定，帶來車輛性能適應(yīng)的不確定性；信息獲取的不確定性（通訊手段、安全通信的不確定性），帶來復(fù)雜交通系統(tǒng)信息范圍的不確定性等。因此高等級自動駕駛汽車的發(fā)展需要充分探明交通環(huán)境的變化規(guī)律，考慮其他道路使用者的動態(tài)意圖，估計、判斷和預(yù)測交通環(huán)境中的風(fēng)險程度，通過規(guī)劃具體駕駛策略和軌跡，提高智能車輛在復(fù)雜環(huán)境中的決策水平和能力。（3）決策執(zhí)行機理不明在復(fù)雜交通環(huán)境下，存在智能車輛決策固化，駕駛行為難符合優(yōu)秀駕駛?cè)说鸟{駛習(xí)慣，難適應(yīng)不同駕駛/乘坐需求，從而降低人們對駕駛系統(tǒng)的接受度。而通過學(xué)習(xí)人類智慧來解決問題是自動駕駛發(fā)展的一種可行思路，原有的L1~L4級自動駕駛系統(tǒng)并未完全實現(xiàn)學(xué)習(xí)人類的思維方式，而通過真正解析人類的決策機制才能更好支撐L5級的發(fā)展。但對人類駕駛?cè)说臎Q策機制的學(xué)習(xí)是有難度的，如何解析駕駛?cè)说臎Q策機制，如何進(jìn)行決策層次的邏輯判斷仍需要進(jìn)一步探討。尤其是在前端給出環(huán)境感知的各種要素的統(tǒng)一表達(dá)后，如何準(zhǔn)確、細(xì)致地反映駕駛?cè)说臎Q策機制，實現(xiàn)擬人化決策策略對L5級自動駕駛汽車發(fā)展十分關(guān)鍵。除了技術(shù)和機理方面的難題，現(xiàn)有研究思路仍需深入探討。目前，自動駕駛的層化結(jié)構(gòu)能夠有效保證駕駛過程中的各項任務(wù)（感知-認(rèn)知-評估-決策-控制）被獨立完成，且單任務(wù)的完成情況可以被準(zhǔn)確評估。在技術(shù)攻堅階段，這種模塊化分層化的任務(wù)結(jié)構(gòu)是實現(xiàn)完備功能的必然要求。但是，模塊化分層化的設(shè)計結(jié)構(gòu)，導(dǎo)致自動駕駛系統(tǒng)的自我修正僅存在于單一模塊中。例如，先進(jìn)的決策模塊雖已具備一定的自調(diào)整能力，但也僅能考慮如何在駕駛過程中進(jìn)行自優(yōu)化和自適應(yīng)，卻無法有效評估和影響系統(tǒng)中其他模塊。目前的決策模塊設(shè)計過程，通常將感知所提供的輸入和控制所需要的輸出，作為已有且固定不變的條件，模塊之間是剛性橋接的。這意味著決策模塊不能滿足與其他模塊協(xié)同修正的要求，難以將自身的修正過程和結(jié)果反饋給其他模塊。而模塊間反饋機制的缺失導(dǎo)致自動駕駛系統(tǒng)缺乏模塊間的協(xié)同成長能力，即系統(tǒng)性的自我修正能力。并且，單一模塊的成長對于整體系統(tǒng)的影響是不可測的，甚至不一定是有益的。一個具有單模塊成長能力的自動駕駛系統(tǒng)，在自學(xué)習(xí)過程中甚至有可能由于各個模塊的獨立學(xué)習(xí)而喪失系統(tǒng)的整體協(xié)調(diào)性。四、L5級自動駕駛的實現(xiàn)思路自動駕駛系統(tǒng)是一個搭載了大量的硬件結(jié)構(gòu)和軟件算法的集成框架。在傳統(tǒng)功能分層疊加框架中，不同功能所對應(yīng)的物理結(jié)構(gòu)對應(yīng)于不同的子系統(tǒng)。通過集成框架在實際應(yīng)用中所需處理的問題來調(diào)用各部分結(jié)構(gòu)及其對應(yīng)功能，通過信息傳輸、能量運送來控制物理結(jié)構(gòu)本體，實現(xiàn)不同智能化程度的系統(tǒng)功能。但現(xiàn)有分層設(shè)計的框架所帶來的系列挑戰(zhàn)，迫切期望能從系統(tǒng)論的角度為高等級自動駕駛系統(tǒng)的研發(fā)提供全新思路。要實現(xiàn)這一點，我們需要思考以下問題：怎樣真正解析人類駕駛?cè)说鸟{駛行為，探明駕駛?cè)说臎Q策操控機制，讓自動駕駛系統(tǒng)具備自主學(xué)習(xí)、自主探索的能力？怎樣讓自動駕駛汽車獲取學(xué)習(xí)人、模擬人、超越人的決策智慧？怎樣將意識和功能融入自動駕駛系統(tǒng)，輸出更智能更合理的駕駛行為？這些問題將使研究人員難以離散化理解自動駕駛系統(tǒng)的各個功能，不再分解系統(tǒng)對應(yīng)的功能以及功能對應(yīng)的部件，而是從整車系統(tǒng)功能出發(fā)，分析各系統(tǒng)、部件以及部件子結(jié)構(gòu)中的共性原理與共性結(jié)構(gòu)，運用大腦/意識理論，如結(jié)合全局工作空間理論（GWT）和綜合信息理論（IIT）來設(shè)計和優(yōu)化統(tǒng)一的系統(tǒng)結(jié)構(gòu)。如圖1所示，自動駕駛系統(tǒng)功能可以描述為系統(tǒng)對環(huán)境的一種整體屬性，是系統(tǒng)在一定環(huán)境中所能發(fā)揮出的作用和能力，是系統(tǒng)的外部聯(lián)系，構(gòu)成了系統(tǒng)與環(huán)境的關(guān)系集；在系統(tǒng)動態(tài)運轉(zhuǎn)中實現(xiàn)，表現(xiàn)為物質(zhì)流、能量流、信息流的輸入和輸出；遵循系統(tǒng)化的思維模式，有可能為高等級自動駕駛汽車，尤其是L5級別的汽車發(fā)展提供更好的解決途徑。同時，高等級自動駕駛汽車研究應(yīng)該有“學(xué)習(xí)人、模擬人、超越人、服務(wù)人”的思想，最終目的是以人為中心，服務(wù)于人。因此，以系統(tǒng)化思維并始終以人為中心，在車路協(xié)同、云端控制的外在環(huán)境下，更能促進(jìn)高等級自動駕駛汽車的發(fā)展。圖1

系統(tǒng)整體流程圖?，F(xiàn)有的場景驅(qū)動和任務(wù)驅(qū)動的方法將很難突破運行設(shè)計域限制的L4級自動駕駛汽車，因此實現(xiàn)L5級自動駕駛汽車將具有挑戰(zhàn)性。因此，我們將自動駕駛汽車視為一個整體系統(tǒng)，從“類人”角度建立了基于混合智能的統(tǒng)一通用框架。LKA：車道保持輔助；ACC：自適應(yīng)巡航控制；AEB：自動緊急制動。然而，目前針對高等級自動駕駛汽車的發(fā)展路徑，主要是從自動駕駛車的應(yīng)用場景及針對不同駕駛?cè)蝿?wù)需求兩方面進(jìn)行研發(fā)，但場景驅(qū)動和任務(wù)驅(qū)動的方式最終因分層框架的功能不斷疊加而帶來決策沖突、功能冗余等問題；因此在這種思路下研發(fā)的自動駕駛汽車，將難以突破有操縱運行域限定的L4級自動駕駛汽車，以致在實現(xiàn)L5級自動駕駛車過程中面臨挑戰(zhàn)。鑒于此，本文將拋開已有框架的限制，將自動駕駛汽車視為一個整體，以“類人”的系統(tǒng)角度，建立一個基于混合智能的統(tǒng)一通用框架。首先構(gòu)建開放的類腦系統(tǒng)，然后將可能影響交通安全的各要素以統(tǒng)一的態(tài)勢感知進(jìn)行輸入，最終輸出實時的決策控制，以期為實現(xiàn)L5級自動駕駛系統(tǒng)提供可行思路。（一）“大腦-小腦-器官”協(xié)調(diào)平衡框架“大腦-小腦-器官”協(xié)調(diào)平衡框架從系統(tǒng)層次開發(fā)自動駕駛大腦作為系統(tǒng)層，將感知、評估、決策、控制等技術(shù)作為功能層。其中，決策對應(yīng)小腦，感知對應(yīng)眼睛，控制對應(yīng)手腳。在人腦的調(diào)配下，通過自動駕駛汽車的感知技術(shù)篩選興趣區(qū)域，有選擇有目的地進(jìn)行感知；通過自動駕駛汽車的評估技術(shù)實時量化風(fēng)險，保障安全出行；通過自動駕駛汽車的決策技術(shù)綜合優(yōu)化決策，平衡各項功能；通過自動駕駛汽車的控制技術(shù)穩(wěn)態(tài)操控執(zhí)行，實現(xiàn)可靠駕駛。而現(xiàn)有的分層框架和端到端框架所對應(yīng)的基于場景驅(qū)動的研發(fā)思路是一種“反饋傳輸”結(jié)構(gòu)，而自動駕駛大腦對各部分結(jié)構(gòu)不僅僅是單獨的刺激-反應(yīng)雙向反饋，而是包含意向擴(kuò)散的復(fù)雜結(jié)構(gòu)網(wǎng)絡(luò)。如圖2所示，在自動駕駛“大腦-小腦-器官”協(xié)調(diào)平衡框架中，通過感知器官感知外界環(huán)境來刺激大腦，同時轉(zhuǎn)錄為歷史大數(shù)據(jù)儲存到大腦中進(jìn)行記憶。而小腦基于最小作用量原理，通過調(diào)用內(nèi)部狀態(tài)來完成思考與協(xié)調(diào)的功能，最后大腦和小腦一起輸出激活狀態(tài)，通過手腳控制器官完成控制過程。圖2

“大腦-小腦-器官”協(xié)調(diào)平衡框架。在這個框架下，外部狀態(tài)刺激大腦，存儲交通信息，小腦調(diào)用內(nèi)部狀態(tài)完成思考，最后大腦和小腦輸出激活狀態(tài)，反饋完成控制。如圖3所示，我們可以假設(shè)自動駕駛的訓(xùn)練過程和一個拳擊手的訓(xùn)練過程具有相似性。其中，自動駕駛對應(yīng)的感知技術(shù)可以讓拳擊手輸入外界信息，感知到潛在風(fēng)險；控制技術(shù)可以訓(xùn)練拳擊手進(jìn)行運動控制，鍛煉肌肉；決策技術(shù)對應(yīng)拳擊手的小腦，對各項技能的協(xié)調(diào)起到平衡作用。但是僅僅依靠小腦、五官及手腳并不能使得拳擊手真正實現(xiàn)一個高水平拳擊手所具有的技能和素養(yǎng)，各項技術(shù)只是訓(xùn)練了他的小腦和各項體能水平，而沒有訓(xùn)練到大腦，使其具備自如靈活的攻擊性能和保護(hù)性能等。因此，自動駕駛要實現(xiàn)“自學(xué)習(xí)、自適應(yīng)、自超越”特性的核心是構(gòu)建完備的自動駕駛大腦。圖3

駕駛?cè)撕妥詣玉{駛汽車之間的對應(yīng)關(guān)系。自動駕駛汽車需要具備駕駛?cè)说囊恍┗炯寄?，并對人類行為及其社會期望有?nèi)在理解。即一個駕駛?cè)说囊庀蛐?，對?yīng)一個自動駕駛汽車的智能數(shù)字化。大腦的主要功能是調(diào)配各項技能，包括探索、學(xué)習(xí)、思考、主導(dǎo)機體內(nèi)一切活動過程，以及調(diào)節(jié)機體與周圍環(huán)境的平衡的功能。當(dāng)自動駕駛系統(tǒng)具備了運動控制和感知系統(tǒng)后，其所缺乏的是自動駕駛系統(tǒng)的控制和信息處理中樞。如果把上層系統(tǒng)定義為自動駕駛的大腦，那么運動控制和感知系統(tǒng)則對應(yīng)于自動駕駛的小腦和相應(yīng)器官。只有大腦、小腦和各自器官系統(tǒng)得到發(fā)展，自動駕駛系統(tǒng)才能更好地服務(wù)人類。同時，為了實現(xiàn)符合現(xiàn)實社會期望的駕駛功能，自動駕駛系統(tǒng)必須盡可能表現(xiàn)得像人類，這需要對人類行為以及群體的社會期望有內(nèi)在的理解。在現(xiàn)有框架下繼續(xù)發(fā)展的終極目標(biāo)很難突破“場景的泛化性、多風(fēng)險的因素融合、求解目標(biāo)的耦合”等瓶頸，因此無法完全了解人類做決策時的生理與心理機制。而自動駕駛大腦可以從內(nèi)至外地模擬和學(xué)習(xí)人類，能夠?qū)崿F(xiàn)在特定環(huán)境下，通過組織系統(tǒng)充分運用人類的各種認(rèn)知活動完成指定任務(wù)。同時，由于存在自我意識，大腦通常在不確定情況下，具有自我探索、主動解決問題的能力。例如，在駕駛過程中，自動駕駛系統(tǒng)大腦可以快速采取有效措施，應(yīng)對周圍其他障礙物的隨意停放或其他不遵守交通規(guī)則的行為，如不遵循交通規(guī)則的切入、超車、換道等行為。事實上，這些行為模式在世界許多地方都非常普遍。例如，車輛需要應(yīng)對強交互場景，如高速公路多車匯入和無保護(hù)左轉(zhuǎn)，這對駕駛?cè)藖碚f也是一個挑戰(zhàn)。在很長一段時間里，自動駕駛汽車與駕駛?cè)藭谕恍熊嚟h(huán)境中行駛，因此自動駕駛汽車必須理解駕駛?cè)说囊鈭D，并以可預(yù)測和可解釋的方式做出反應(yīng)。雖然在空曠的道路上左轉(zhuǎn)對于自動駕駛汽車來說可能是簡單可行的，但在復(fù)雜交通環(huán)境下仍然很困難。對于駕駛?cè)藖碚f，這些不受保護(hù)的左轉(zhuǎn)經(jīng)常發(fā)生在一個正在行駛的駕駛?cè)藴p速讓出的時候，這暗示了另一個駕駛?cè)丝梢园踩D(zhuǎn)彎。而這對于目前開發(fā)的自動駕駛系統(tǒng)來說是極大的挑戰(zhàn)。因此，基于場景驅(qū)動的研究思路在針對以上挑戰(zhàn)時應(yīng)用受限，未能突破局限性達(dá)到真正的高等級智能化。而智能可以闡述為一種表現(xiàn)在個體與自然、社會群體之間的相互作用和行為過程中的一種現(xiàn)象。因此從系統(tǒng)科學(xué)的思路出發(fā)，用系統(tǒng)觀點來認(rèn)識駕駛的本質(zhì)，從而達(dá)到通用智能化。（二）

“烏鴉推理+鸚鵡學(xué)舌”研究范式錢學(xué)森說：“人體作為一個系統(tǒng)，首先，它是一個開放的系統(tǒng)，也就是說，這個系統(tǒng)與外界是有交往的。比如，通過呼吸、飲食、排泄等，進(jìn)行物質(zhì)交往；通過視覺、聽覺、味覺、嗅覺、觸覺等進(jìn)行信息交往。此外，人體是由億萬個分子組成的，所以它不是一個小系統(tǒng)，也不是一個大系統(tǒng)，而是比大系統(tǒng)還大的巨系統(tǒng)。這個巨系統(tǒng)的組成部分又是各不相同的，它們之間的相互作用也是異常復(fù)雜的。所以是復(fù)雜的巨系統(tǒng)?！币虼?，在自動駕駛系統(tǒng)研發(fā)過程中，也需要提煉自動駕駛系統(tǒng)中存在的問題，用系統(tǒng)的方式進(jìn)行研發(fā)。事實上，隨著一個系統(tǒng)開放程度的提高，其處理高復(fù)雜性的能力以及適應(yīng)不斷變化的環(huán)境的能力也在提高。加利福尼亞大學(xué)洛杉磯分校的朱松純教授介紹了兩種人工智能的模式。一種稱之為“鸚鵡范式”，認(rèn)為鸚鵡可以和人類說話，但不理解他們說的話。例如，當(dāng)你說“你好”時，它會回答“你好”，但它不知道這是什么意思。還有一種是“烏鴉范式”。比如烏鴉知道不斷往水瓶里扔石頭，以提高水位來喝水。鸚鵡式模仿學(xué)習(xí)范式和烏鴉式推理學(xué)習(xí)范式之間存在顯著差異。對于鸚鵡來說，它是一種簡單粗暴的模仿學(xué)習(xí)，這種方式可以機械地實現(xiàn)“類人”行為，而不理解學(xué)習(xí)背后的深層原因。而烏鴉能自主研究因果關(guān)系并推斷解決方案，從而完成任務(wù)。烏鴉依靠自己的觀察、感知、認(rèn)知、學(xué)習(xí)、推理和執(zhí)行，過著完全獨立的生活。所以可以理解為烏鴉有獨立學(xué)習(xí)和探索未知的能力。相應(yīng)地，自動駕駛系統(tǒng)在邁向高等級發(fā)展過程中，智能可以被認(rèn)為是一種現(xiàn)象，它反映在個人和社會群體的行為過程中。自動駕駛汽車的智能化水平的提高取決于客觀現(xiàn)實和物理環(huán)境的因果鏈。比如，外部物理環(huán)境為烏鴉提供了生存邊界條件。在不同的環(huán)境條件下，智能的形式有所不同。任何智能機器都需要理解物理世界及其因果鏈，并適應(yīng)世界。同時，自動駕駛汽車的智能可以滿足它們需要完成的特定任務(wù)。而任務(wù)代表價值和決策功能，是生物進(jìn)化的剛性需求。智能不僅體現(xiàn)適應(yīng)性（如只存在刺激和反應(yīng)而沒有預(yù)測和推斷），還適合局限于運行設(shè)計域下的低等級自動駕駛汽車。對于高等級自動駕駛汽車，不適應(yīng)性在某種程度上更為重要，例如，它可以推理、進(jìn)化和超越人類自身的局限性。高等級自動駕駛汽車可以創(chuàng)造一種新的可能性來適應(yīng)互動，實現(xiàn)超越。因此，在開發(fā)高等級自動駕駛系統(tǒng)時，尤其是L5級自動駕駛過程，需要有效結(jié)合烏鴉和鸚鵡的兩種不同的學(xué)習(xí)思維模式，提出第三種混合型范式，即“烏鴉推理+鸚鵡學(xué)舌”研究范式。根據(jù)前述對智能的理解，真正的智能體現(xiàn)的不僅僅是適應(yīng)性，更重要的是不適應(yīng)性，進(jìn)而以一種新的可能性實現(xiàn)從自適應(yīng)到他交互再到自超越的最終目標(biāo)，并最終創(chuàng)造出一系列新的可能性——自由、改變、交互。圖靈機的缺點是只有刺激-反應(yīng)雙向反饋而沒有選擇機制，只有順應(yīng)而沒有同化機制，其與鸚鵡范式近似。而人類自身的演變機制對應(yīng)“烏鴉推理”范式，能夠自主推理、演化，但要真正實現(xiàn)超越人類本身的局限性，提高智能系統(tǒng)的算力，融入智能化的優(yōu)勢，還需要結(jié)合兩種范式，如圖4所示。因此，這種“烏鴉+鸚鵡”混合范式才是高等級自動駕駛尤其是L5級自動駕駛汽車發(fā)展的未來趨勢。圖4

“烏鴉推理+鸚鵡學(xué)舌”研究框架?！胞W鵡學(xué)舌”可以通過數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法實現(xiàn)適應(yīng)性，而“烏鴉推理”則體現(xiàn)對交通環(huán)境的不適應(yīng)。通過兩者結(jié)合，自動駕駛汽車可隨環(huán)境的變化而實現(xiàn)交互和進(jìn)化。五、L5級自動駕駛可行途徑（一）大腦系統(tǒng)開放演化假設(shè)所考慮的大腦系統(tǒng)是開放演化的。“烏鴉+鸚鵡”混合范式具備開放性、發(fā)散性，能夠進(jìn)行自主演化，突破已有技術(shù)和思維的局限性。傳統(tǒng)架構(gòu)中，分層次來解決各項功能；而大腦系統(tǒng)的開發(fā)需要在已有的知識經(jīng)驗基礎(chǔ)上借助人工智能這一工具進(jìn)行自主學(xué)習(xí)，探索未知?！白灾鲗W(xué)習(xí)+先驗知識”的開發(fā)模式能夠讓大腦在基于大量共性決策機制和操控規(guī)律時，不斷探索個性化駕駛/乘坐需求，真正實現(xiàn)“自學(xué)習(xí)、自適應(yīng)、自超越”的目標(biāo)?，F(xiàn)有針對自動駕駛汽車發(fā)展所采取的措施主要有兩種思路：①自主學(xué)習(xí)法；②邏輯判斷法（先驗知識）。前者包括深度神經(jīng)網(wǎng)絡(luò)（DNN），在自動駕駛方面已取得了顯著成果。但是，當(dāng)將DNN應(yīng)用于諸如預(yù)測和決策的行為生成之類的安全關(guān)鍵模塊時，DNN缺乏可解釋性和因果關(guān)系，并且很難合并領(lǐng)域知識。另外，建立一個精確的DNN需要大量的相關(guān)數(shù)據(jù)進(jìn)行訓(xùn)練，而且對于不熟悉的場景，尤其在極端情況下也無法很好地推廣。而生成概率和邏輯模型具有解釋性，能夠通過邏輯判斷闡明因果關(guān)系，并具備不確定性建模能力。但是，這些固有邏輯模型的可遷移性低，且對復(fù)雜場景的表示能力相對較低。因此，本文提出一個結(jié)合學(xué)習(xí)類方法和生成概率模型及邏輯模型優(yōu)勢的混合框架，以生成可解釋且數(shù)據(jù)高效的行為。在此框架中，我們提出了一種“自主學(xué)習(xí)+先驗知識”的開發(fā)模式，如圖5所示，通過使用從生成概率模型和觀測值獲得的動態(tài)世界的低維表示來生成用于高級判斷的駕駛行為控制層。這樣，大腦系統(tǒng)能夠?qū)⑷四X儲存的先驗知識遷移，并在自學(xué)習(xí)的框架下探索未知，從而構(gòu)建更復(fù)雜更高層級的知識推理。圖5

結(jié)合基于規(guī)則和基于學(xué)習(xí)方法的統(tǒng)一自動駕駛汽車框架。高等級自動駕駛汽車應(yīng)從分層框架轉(zhuǎn)移到統(tǒng)一框架。（二）態(tài)勢感知統(tǒng)一輸入假設(shè)態(tài)勢感知是狀態(tài)-趨勢-感覺-認(rèn)知的統(tǒng)一輸入。統(tǒng)一的安全場思路能夠有效解決復(fù)雜環(huán)境下的綜合態(tài)勢感知和風(fēng)險評估，實現(xiàn)時間和空間之間多域融合的多維尺度下的統(tǒng)一視角評估功能。智能車輛行駛過程將受到人-車-路三方面中多種因素的綜合影響。由于道路交通復(fù)雜，路況多變；駕駛?cè)藛T性格各異，行為不定；車輛系統(tǒng)復(fù)雜，性能耦合，使得行駛過程存在潛在風(fēng)險，其安全態(tài)勢具有時變、復(fù)雜和耦合的特性。在圖6所示的方案中，將態(tài)勢感知中的“態(tài)”定義為駕駛?cè)?道路-環(huán)境系統(tǒng)中的各類表征個體狀態(tài)的主客觀數(shù)據(jù)；“勢”定義為事件的發(fā)展趨勢；“感”定義為對系統(tǒng)中“態(tài)”的覺察；“知”定義為對“勢”的理解。深度態(tài)勢感知理論模型在不同情境下處理信息的方式會有所區(qū)別，并且以往關(guān)于態(tài)勢感知的研究都充分說明了態(tài)勢感知具有實時性，即態(tài)勢感知會隨時間而不停地更新、迭代。通常行駛過程中的安全態(tài)勢評估/感知技術(shù)主要可以從宏觀交通管理視角和微觀車輛行駛視角出發(fā)。然而，前者屬于依賴海量歷史事故數(shù)據(jù)的事后評估，難以及時評價行車過程中的當(dāng)前風(fēng)險，難以刻畫當(dāng)前行車安全水平，無法體現(xiàn)實時性；后者考慮的風(fēng)險因素不全面，適用場景單一，難以適用于復(fù)雜多變的交通環(huán)境，對環(huán)境中人-車-路三要素間相互影響的耦合機理研究得不夠透徹，致使其在實際應(yīng)用中常顯示出局限性。因此，現(xiàn)有針對態(tài)勢感知的研究思路還存在一定局限性，本文從統(tǒng)一的角度出發(fā)，對人-車-路各要素之間的關(guān)系進(jìn)行耦合分析。圖6

狀態(tài)-趨勢-感覺-認(rèn)知統(tǒng)一輸入框架。在人-車-路系統(tǒng)中，綜合考慮多種因素的統(tǒng)一輸入，通過狀態(tài)-趨勢-感覺-認(rèn)知4個步驟，可以實現(xiàn)綜合態(tài)勢感知和風(fēng)險評估。ERER指交通場景中靜止或固有的交通參與者帶來的潛在風(fēng)險，如道路條件帶來的風(fēng)險約束；EDED代表不同駕駛?cè)烁兄?認(rèn)知偏差的潛在風(fēng)險；EVEV代表交通參與者隨時間和空間動態(tài)變化的演化風(fēng)險。針對安全態(tài)勢的時變、復(fù)雜、耦合特性，借鑒場論探索行車過程的物理機制，構(gòu)建了行車安全場的具體模型。通過分別量化考慮車輛本身、道路交通設(shè)施、駕駛?cè)诵袨楹偷缆翻h(huán)境中各因素的行車風(fēng)險，確定了影響行車風(fēng)險分布的內(nèi)因在于風(fēng)險源本身的變化和風(fēng)險梯度的變化。因此，本文可以用統(tǒng)一場的模型來對人-車-路綜合風(fēng)險進(jìn)行量化評估，進(jìn)而有效解決現(xiàn)有方法難以實現(xiàn)綜合多因素的實時行車風(fēng)險建模的難題。（三）決策控制最優(yōu)輸出假設(shè)實時決策和控制模塊的輸出追求最優(yōu)結(jié)果。在綜合交通環(huán)境中，由于駕駛場景的復(fù)雜多變、交通參與者行為的難以預(yù)測以及人們對于行車安全性、高效性和舒適性要求的提高，對于整個動態(tài)復(fù)雜過程，自動駕駛汽車的智能決策系統(tǒng)相當(dāng)于人類駕駛?cè)说男∧X。其能協(xié)同平衡各項操縱的控制終端，使得駕駛?cè)藢⑿旭偮窂椒纸鉃榉较虮P、油門、剎車踏板的操作，從而執(zhí)行規(guī)劃目標(biāo)。本文基于駕駛?cè)嗽诰C合交通場景下的行為決策過程，抽取行駛過程中駕駛?cè)岁P(guān)注的相關(guān)屬性，分析駕駛?cè)嗽诓倏v過程中追求的主要目標(biāo)。通過判斷、評價并獲取駕駛?cè)说闹饕{駛行為模式，使得自動駕駛汽車的行為決策過程符合人類駕駛?cè)说乃季S過程。通過建立一種基于模擬駕駛?cè)笋{駛行為的自動駕駛汽車路徑規(guī)劃模型，使得實時規(guī)劃符合駕駛期望的軌跡，能夠有效探索單車個體和多車系統(tǒng)的最優(yōu)路徑。如圖7所示，通過統(tǒng)計自然駕駛數(shù)據(jù)中駕駛過程的關(guān)鍵參數(shù)，分析發(fā)現(xiàn)車輛行駛過程中反映駕駛?cè)藳Q策行為的主要運動特征參數(shù)存在極值現(xiàn)象。產(chǎn)生極值現(xiàn)象的內(nèi)在動因是駕駛?cè)俗裱摆吚芎Α钡幕緵Q策機制，即駕駛過程中駕駛?cè)肆D實現(xiàn)機動性和安全性之間的最優(yōu)效果。受自然界包括物理和生物行為上的眾多極值現(xiàn)象遵循最小作用量原理的啟發(fā)，有研究人員提出駕駛?cè)藳Q策機制遵循最小作用量原理的假設(shè)。本文嘗試將自然界中力學(xué)系統(tǒng)的物理特性與交通系統(tǒng)的固有屬性聯(lián)系，將自然界“尋優(yōu)”目的與駕駛?cè)恕摆吚芎Α钡奶匦越Y(jié)合，從而提出基于最小作用量的決策控制算法。即在選擇最優(yōu)軌跡時，本文通過采用讓自動駕駛汽車模擬駕駛?cè)说臎Q策規(guī)劃方式，總結(jié)駕駛?cè)瞬倏v特性，提出基于最小作用量原理的目標(biāo)函數(shù)。該目標(biāo)函數(shù)綜合考慮安全和高效等駕駛期望，通過計算每條可行軌跡的作用量來對路徑進(jìn)行篩選，從而選擇具有最小作用量的路徑并對其進(jìn)行速度優(yōu)化。圖7

擬人化的整體決策和控制框架。通過將交通環(huán)境中的離散信息輸入到最優(yōu)決策系統(tǒng)中，結(jié)合數(shù)據(jù)驅(qū)動的駕駛?cè)诵袨槟Ｊ降妮斎?，可系統(tǒng)地輸出多目標(biāo)協(xié)同控制策略。Gi：虛擬吸引力；Ri：阻力；Fji：外力；θi：傾角；i：自動駕駛汽車；j：外部交通參與者?，F(xiàn)有關(guān)于駕駛?cè)藳Q策的研究難以滿足智能汽車技術(shù)的發(fā)展需求。傳統(tǒng)研究通常是針對特定場景與單一交通環(huán)境的駕駛?cè)诵袨榈慕７椒?，不能全面反映駕駛?cè)嗽谡鎸嵔煌ōh(huán)境中的決策能力和準(zhǔn)確量化駕駛?cè)说臎Q策行為，更難為開發(fā)高等級智能汽車的擬人化駕駛算法提供指導(dǎo)依據(jù)。針對現(xiàn)有方法的局限性，本文中的方法將駕駛?cè)诵熊囘^程中“趨利避害”的駕駛特性融入自動駕駛汽車的決策層，運用駕駛?cè)瞬倏v思維來控制底端，完成駕駛?cè)蝿?wù)。算法綜合考慮客觀環(huán)境和周邊障礙物（動態(tài)、靜態(tài)），并不局限于單一場景或靜態(tài)障礙物，適用面更廣。（四）L5級自動駕駛實現(xiàn)的可行思路高等級的自動駕駛汽車作為一個獨立且需要與外界進(jìn)行信息交互的智能體，需要在遵從人類預(yù)期的運行規(guī)律的同時，能夠超越人類的局限