The case against ‘smart cars’: Why we’re better off without them is tracked as a internet infrastructure institution within the internet infrastructure ecosystem.
The case against ‘smart cars’: Why we’re better off without them has public-source relevance to network operations, governance, dependency mapping, or market structure.
The case against ‘smart cars’: Why we’re better off without them has public-source relevance to network operations, governance, dependency mapping, or market structure.
The case against ‘smart cars’: Why we’re better off without them is tracked as a internet infrastructure institution within the internet infrastructure ecosystem.
Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
| 0.90–1.00 | A | High — direct sources |
| 0.75–0.89 | A/B | Strong |
| 0.55–0.74 | B/C | Medium |
| 0.35–0.54 | C/D | Weak–medium |
| 0.10–0.34 | D | Weak signal |
| 0.00–0.09 | D | Internal monitoring |
多个公开来源
- 整个行业和政府对这项技术的缺乏了解令人震惊，配备AI技术的汽车知识必须普及。
- AI的故障模式难以预测，或者说，没有人能保证这样的机器永远不会犯错。
- 黑客有很多方法让你崩溃：恶意软件攻击、中间人攻击、拒绝服务攻击、勒索软件攻击。
- 对汽车人工智能的监管尚未开始，搭载AI的汽车还有很长的路要走。
如今，AI技术广泛应用于自动驾驶汽车，结合传感器、摄像头、雷达等，在无需人类操作的情况下实现不同目的地之间的行驶。正在开发和/或测试自动驾驶汽车的公司包括奥迪、宝马、福特、谷歌、通用汽车、特斯拉、大众和沃尔沃。太好了！司机可以解放双手，只需享受旅程！但事实真是如此吗？ 另见: Ziggo集团任命领导人，备战2027年阿姆斯特丹上市.
AI既带来好处也带来风险的观点一直以来备受争议。我认为这在汽车和车辆领域尤其如此。 另见: AKNET 互联网与信息系统有限公司.
在某种程度上，AI提供了显著的优势，从驾驶方程式中消除了人为错误。但如果它出错呢？ 另见: Azarakhsh Ava-e Ahvaz Co.
以下是我认为AI不值得麻烦的4个理由： 另见: Windhoos.
- 虚假的安全感会分散驾驶员的注意力。
- AI的错误判断
- 黑客攻击
- 缺乏对事故认定的法规
请系好安全带，没有AI的汽车即将出发！ 另见: EuroNet.
担忧一：虚假的安全感
IEEE高级会士、杜克大学杜克脑科学研究所（DIBS）教授Mary (Missy) L. Cummings在2016年请求美国参议院商业、科学和运输委员会对汽车中人工智能的使用进行监管。但无论是Mary (Missy) L. Cummings的恳求还是Brown的去世，都未能促使政府采取行动。整个行业和政府对技术理解的缺失令人震惊。
现在我们不得不考虑的问题是：如果自动驾驶汽车普及，驾驶中的人为错误将被编码中的人为错误所取代。这是否就能摆脱道路杀手呢？ 另见: DU jiarui.
自动驾驶汽车的支持者经常断言，越早摆脱驾驶员，我们在道路上就越安全。他们引用美国国家公路交通安全管理局的统计数据，声称94%的事故是由人为驾驶员造成的。但这一统计数据被断章取义，并不准确。此外，关于自动驾驶汽车将比人类驾驶汽车更安全的说法，忽略了任何从事软件开发的人都深有体会的一点：软件代码极易出错，而且随着系统变得越来越复杂，问题只会越来越严重。 另见: 弗罗茨瓦夫市政供水与污水处理公司（MPWiK）.
2021年10月Pony.ai无人驾驶汽车撞上路牌，2022年4月TuSimple的牵引拖车撞上混凝土护栏，2022年6月Cruise无人出租车在左转时突然停下，以及2023年3月另一辆Cruise汽车追尾公交车。
担忧二：AI系统在不该启动时启动
我们必须考虑的一种场景是，如果AI系统在不该启动时启动（当它检测到前方障碍物的“影子”时突然停车），或者在该响应时不响应。你会陷入什么境地？ 另见: Vozhd.net.ua.
诚然，AI的故障模式难以预测，或者说，没有人能保证这样的机器永远不会犯错。
大型语言模型（LLM）通过参考训练期间从现有数据收集的档案来猜测接下来会出现哪些单词和短语。自动驾驶模块基于标记图像数据库（这是一辆车，这是一个行人，这是一棵树）来解释场景，并进行类似的猜测来决定如何绕过障碍物。这些标记图像也是在训练期间提供的。但并非所有可能性都能被建模，因此众多故障模式极难预测。
一种此前未预料到的故障模式是幽灵刹车。无缘无故地，自动驾驶汽车突然刹车，可能导致与后方车辆及其他车辆的追尾碰撞。2022年5月，NHTSA致函特斯拉，指出该机构已收到758起关于Model 3和Model Y车型幽灵刹车的投诉。同月，德国《商报》报道了1500起关于特斯拉汽车刹车问题的投诉以及2400起关于突然加速的投诉。现在看来，自动驾驶汽车的追尾率大约是人类驾驶汽车的两倍。作为当前LLM前身的IBM AI Watson，擅长猜测但缺乏真正的知识，尤其是在面临不确定性做出判断以及基于不完整信息决定行动时。当今的LLM也不例外：底层模型根本无法应对信息缺失，也没有能力评估其预估在当前情境下是否足够好。
这些问题在自动驾驶领域很常见。2022年6月的碰撞事故涉及一辆Cruise无人出租车，当时它决定在两辆车之间进行向左的大转弯。根据汽车安全专家Michael Woon的事故报告，该车正确选择了一条可行路径，但在转弯中途，它猛踩刹车并停在了十字路口中央。它猜测右侧车道上一辆迎面驶来的汽车会转弯，尽管以该车当时的速度转弯在物理上是不可能的。这种不确定性使Cruise系统陷入混乱，并做出了最糟糕的决定。一辆迎面驶来的普锐斯未能转弯，直接撞上了Cruise，导致两车乘员受伤。
快问快答
对于锂电池，最佳工作温度是多少？
A. 30摄氏度
B. 50摄氏度
C. 60摄氏度
D. 70摄氏度
答案在本文末尾。
担忧三：黑客攻击
在AI驱动的创新时代，自动驾驶汽车的出现不仅带来了增强移动性的承诺，也引发了重大的伦理关切。
Mr. Ratan Bajaj，MindWell AI创始人兼CEO
早在2019年，新款特斯拉Model 3在短短几分钟内就被黑客攻破。黑客Amat Cama和Richard Zhu利用“信息娱乐”系统的弱点，访问了汽车的一台计算机（物理世界）。
一旦成功，Amat Cama和Richard Zhu就能运行他们自己的代码行。您可以在视频中看到他们演示这次攻击。
以下是之前的几个例子，我并非空穴来风。
恶意软件攻击
2011年，雪佛兰Malibu成为第一辆可被攻击者远程控制的汽车。黑客“利用蓝牙协议栈的一个弱点，通过手机与收音机同步来操纵车辆收音机并插入恶意代码”（《对自动驾驶汽车的攻击及其对策：调查》）。一旦成功插入，代码就能向汽车ECU发送信息并锁死刹车。
中间人（MiTM）攻击
在中间人攻击中，黑客可以操纵两个实体之间的通信，通过窃听、重放和修改实体间发送的消息来控制ECU或基础设施路侧单元（RSU）。
拒绝服务（DoS）攻击
DoS是可能发生在自动驾驶汽车上的最危险攻击之一；它们可能导致严重事故或死亡。攻击者可以利用DoS攻击“阻止摄像头、激光雷达和雷达检测物体、道路和安全标志”（《对自动驾驶汽车的攻击及其对策：调查》）。DoS攻击还可能影响刹车系统，导致汽车突然停车或完全无法停车，使刹车系统无法正常工作。
勒索软件攻击
这类攻击对商用车辆可能非常危险。早在2017年，本田汽车公司就遭受了一次重大的WannaCry勒索软件攻击，攻击者“要求大量加密货币以提供解密密钥”（《对自动驾驶汽车的攻击及其对策：调查》）。
尽管该攻击并非针对自动驾驶汽车，但它仍然影响了许多本田自动驾驶汽车在攻击期间获取软件更新。这种攻击可能比其他攻击更常见，因为黑客在实施勒索软件攻击方面非常成功。
是什么使自动驾驶汽车易受攻击？
自动驾驶汽车是网络犯罪分子的诱人目标，他们可能“试图窃取驾驶员的财务数据，或通过将车辆变成武器来发动高级恐怖袭击”。
除了AI系统突然故障等非故意威胁外，还有故意攻击行为，旨在专门破坏AI系统的安全关键功能。例如，对道路进行涂漆以误导导航系统，或在停车标志上贴纸以阻止其被识别。
激光雷达（LiDAR）是一个摄像头和激光脉冲测距系统，构成自动驾驶汽车的“眼睛”，将驾驶场景和环境信息输入CNN计算机模型，以做出速度调整和转向修正等决策。不幸的是，CNN很容易被黑客攻击，只需“在输入图像上添加肉眼不可见的微小像素级变化”。不幸的是，这一漏洞可能使不良行为者能够攻击自动驾驶汽车（《灯塔》）。
车载诊断系统（OBD）是自动驾驶汽车最脆弱的部分之一；恶意软件代码可通过OBD插入电子控制单元（ECU）。插入的恶意软件可以篡改和重新编程ECU。受感染的ECU可能无法与其他车载单元（OBU）组件（如激光雷达、摄像头和雷达）通信，从而危及自动驾驶汽车的安全。
结论：获取自动控制驾驶汽车的几种方法
- 通过互联网远程访问
- 通过蓝牙远程访问
- 通过车辆制造商（供应链）将后门植入自动驾驶汽车
- 在车辆中植入特殊设备
- 干扰车辆的感官
请思考：
黑客场景与意外后果：如果自动驾驶汽车遭到黑客攻击导致失控，甚至更糟，引发事故，会怎样？
道德困境：谁来承担责任？当自动驾驶汽车被入侵时，责任问题显得尤为突出。
确保自动驾驶的未来：审视伦理要求，我们深入探讨保护自动驾驶车辆免受黑客威胁所需的措施。法规在实施严格的网络安全标准方面应发挥什么作用？
人类生命与道德风险：当我们把方向盘交给AI时，风险很高，尤其是在涉及生命和安全问题时。社会如何确保伦理考量指导自动驾驶汽车技术的发展，以防止与黑客相关的事故？
担忧四：缺乏监管
AI具有不可忽视的系统级影响。
自动驾驶汽车依赖无线连接来保持对道路的感知，但当连接中断时会发生什么？一位驾驶员发现他的车被困在20辆与远程操作中心失去联系的Cruise车辆中，导致严重的交通堵塞。
曾经对自动驾驶汽车持乐观态度的科技友好城市旧金山，由于该市经历了大量问题，态度已转为负面。如果一辆被拦截的自动驾驶汽车导致某人因无法及时就医而死亡，这种情绪最终可能导致公众拒绝这项技术。
那么，自动驾驶汽车的经验对更广泛的AI监管意味着什么？公司不仅需要确保自己理解AI更广泛的系统级影响，还需要监督——而且不应让他们自我监管。
AI在汽车和卡车领域还有很长的路要走。我并非呼吁禁止自动驾驶汽车。使用AI有明确的优势，人们呼吁禁止甚至暂停使用AI是不负责任的。但我们需要更多的政府监督，以防止不必要的冒险。
然而，对汽车中AI的监管尚未开始。这在一定程度上归因于行业过度的要求和压力，但也归因于监管机构能力的缺乏。欧盟在监管人工智能，尤其是自动驾驶汽车方面表现得更积极主动。
快问快答的正确答案是 A. 30摄氏度。
运营领域
The case against ‘smart cars’: Why we’re better off without them 的公开档案基于可见角色、运营背景和相关报道。
- 公开角色: The case against ‘smart cars’: Why we’re better off without them 通过公开角色、服务背景和可复核资料进入 BTW 的观察范围。 证据基础: The case against ‘smart cars’: Why we’re better off without them article record; The case against ‘smart cars’: Why we’re better off without them article record
- 运营面: Market 与 Global 构成该机构档案的公开语境。 证据基础: The case against ‘smart cars’: Why we’re better off without them article record; The case against ‘smart cars’: Why we’re better off without them article record
时间线
- The case against ‘smart cars’: Why we’re better off without them 公开档案更新
公开报道将 The case against ‘smart cars’: Why we’re better off without them 记录为需要按角色、运营语境和证据继续观察的主体。
概要
- 名称: The case against ‘smart cars’: Why we’re better off without them
- 类型: Internet infrastructure institution
- 所在地: Global
- 档案重点: Institution
功能说明
- 公开记录可用于跟踪其角色、服务和关键关系。
重要性
- Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
- 运营关键性: Medium
- 时间范围: Next quarter
关注事项
- 监测重点是经核实的服务连续性、治理变化和关系信号。
跟踪经验证的来源更新、角色变化和当前公开证据。
Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
长期相关性取决于经验证的运营、政策和关系变化。
会员简报
深度档案背景
登录后可解锁完整档案简报和来源说明。
公开视角
The case against ‘smart cars’: Why we’re better off without them 的公开解读限于可见角色、运营语境和有证据支撑的关系。
观察点
- 新的公开角色、合作、产品、政策或市场披露。
- 涉及具名组织或人物的已验证关系变化。
限制说明
- 私人或未经验证的说法不进入公开视图。
常见问题
为什么收录 The case against ‘smart cars’: Why we’re better off without them？
The case against ‘smart cars’: Why we’re better off without them 有公开证据显示其与数字基础设施、治理或市场报道相关。
这个档案的公开部分是什么？
公开层覆盖可见角色、运营语境、关联主体和有证据支撑的观察点。
读者接下来应关注什么？
读者应关注有来源支持的角色变化、新合作、监管暴露、运营扩张或会改变公开评估的证据。
