谷歌无人驾驶车最近遭遇了一场“惨烈”的车祸。上周六，谷歌无人驾驶测试车在美国山景城与一辆巴士相撞，测试车严重受损，最终不得不借助拖车才离开现场。日前，谷歌已经发布声明，称其无人车在这起事故中无责。
但任凭谷歌指责对方车辆违反交通规则，车祸就是车祸，消费者期待的答复无非是“绝不会有下次”。谷歌们能够给出这种承诺吗？
无人驾驶车能不能吃一堑长一智？
没有人愿意看到车祸的发生，但车祸提供的数据却意义重大。车祸中传感器及其他部分的数据，可以大大提高无人车的性能。
最近的一个例子就是，一辆特斯拉Model S电动汽车车主乔舒亚-布朗今年五月曾使用自动驾驶系统行驶在一条州际公路上，在行驶至一个没有安装红绿灯的十字路口时一辆大型牵挂型卡车突然左转横在布朗特斯拉车前。但车辆传感器却将白色卡车误判为“天空”而没有进行制动从而导致了事故的发生，特斯拉驾驶员、车主布朗当场毙命，62岁的卡车司机弗兰克-巴尔塞则没有受伤。
事故之后，特斯拉工程师便仔细研究了视频录像及车辆各个传感器收集到的数据，包括雷达及声呐记录，并很快推出了软件更新包以避免其他特斯拉车辆发生类似问题。该更新包立刻被推送到各种车型的特斯拉无人车上，理论上，凡是安装了更新包的特斯拉无人车，现在都可以准确无误地辨别“白色卡车”与“天空”。
不过，无人驾驶车的学习绝不仅限于事故发生时。
“车队学习”如何最大化数据价值？
无人驾驶车上的软件随时随地都在从现实世界提供的数据中学习，在此过程中，无人驾驶车对道路、其他车辆、树木等周边事物的判别会越来越精准，做出转向、制动等决策的反应也会越来越准确和灵敏。最终，所有这些信息都会传送到一个“中央大脑”，从而对其他无人车的“智能”进行全面更新，这种被成为“车队学习”的信息共享技术，就好比你的手指被滚烫的炉子烫到时，你的胳膊、脚、膝盖都会知道滚烫的炉子是碰不得的。
特斯拉曾在官方博客中举了一个例子：
当车辆即将通过置于坡度路面的横跨路牌或钻入桥洞时，无人驾驶系统需要判断路牌或桥洞的高度是否安全。但由于道路突然升高或降低，导航数据和GPS提供的高度数据往往不足以使得系统做出准确判断，而当车辆行驶到与路牌或桥洞等高的路面时，即使应该制动也已为时过晚。
这就是“车队学习”发挥作用的一个经典案例。首先，所有遇到类似状况的车辆都不会轻举妄动，而是先根据雷达记录下路牌、桥梁等周边静物的信息。随后，计算机会悄悄将无人驾驶系统做出的制动决策和人类驾驶员的反应进行比较，并将这一数据上传到特斯拉数据库。如果有一定数量的车安全通过障碍物，那么无论这些车是否处于无人驾驶模式，这一障碍物的地理信息都会被移入白名单。
