十字路口事故高发源于黄色信号灯？一篇文章为你深入分析
机器人能取代司机吗？
如你所愿，奈特先生。不过，我觉察到疲惫给我们带来了一些烦躁的情绪……为了安全起见，我建议您将车调到自动驾驶模式。
——霹雳车基特，电影《霹雳游侠》
我们不是脑外科医生，所以对于我们来说，开车大概是日常生活中最复杂的一件事。这一技能包含了至少1500种“次级技能”。我们随时都在驱车穿越各种地形，审视周围环境是否有危险，收集信息，判断车速，保持自己在道路上的位置，做决定（根据一项研究显示，大约每英里20次），评估风险，调节仪器，预判他人的行为，甚至还会喝一口拿铁咖啡，回想一下昨晚《美国偶像》的剧情，安抚婴儿，查阅语音邮箱。研究人员针对马里兰州的一段道路开展了一项研究，结果发现，我们每隔两英尺就要处理一条信息，也就是说，按照30英里的时速计算，这意味着司机每分钟可接收到1320条信息，即大约440个词。这相当于阅读了3段像本段这么长的文字，同时还欣赏了许多美景，更别说还要做上述各种事情了——并且，每分钟都重复一次。
我们做这些动作易如反掌，因此往往不会细想。驾驶成了像呼吸般自然而然的行为。我们就这么做了，事情就这么发生了。然而，有必要重新思考人类这一相当惊人的能力，我们也应当停下来想想，若想让一个非人类的物体开车，究竟需要怎么做。斯坦福大学人工智能实验室主任塞巴斯蒂安·特龙（Sebastian Thrun）及其团队最近几年一直致力于研究这一问题。2005年，特龙及同事在国防部高级研究计划署（Defense Advanced Research Projects Agency,DARPA）举办的挑战赛中赢得胜利。这是一场在崎岖的莫哈维沙漠举行的长达132英里的无人驾驶比赛。他们比赛用的“无人驾驶汽车”是一辆名为“斯坦利”的大众途锐。仅用全球定位系统、摄像头及多个传感器协作，斯坦利在7小时内就驶完全程，平均时速达19.1英里，成绩相当不错。
斯坦利的胜利归功于特龙及其团队在历经多次失败后对驾驶指令方式的更改。“我们在教学过程中倾向于将斯坦利看作学徒而非计算机，”特龙告诉我，“我们不会告诉斯坦利‘如果出现以下情形，便采取如下行动’，我们会给他一个范例，并训练它。”例如，如果单纯地告诉斯坦利要遵循一定的限速，这是行不通的。“遇上车辙时，司机会减速，”特龙说，“但机器人却没那么聪明。它会保持30英里的时速继续行驶，直到报废。”相反，特龙坐上驾驶座，让斯坦利记录他的驾驶方式、行驶速度，以及车辆受到的冲击。斯坦利观察了塞巴斯蒂安在道路变窄时的反应，以及当底盘受到的冲击超过临界值时他所采取的措施。
斯坦利学习开车的方式和我们大多数人一样，不是死记硬背课堂里学到的交通规则或观看血腥的交通安全电影，而是坐在父母的车后座上，观察他们怎么开车。对特龙而言，这一过程让他开始质疑“规则究竟是什么”。基本规则很简单：在某条路上按某个限速从这里行驶到那里。但过于死板的规则会使得斯坦利过度反应，就像电影《雨人》（Rain Man）里达斯汀·霍夫曼（Dustin Hoffman）饰演的那个患自闭症的主人公，过马路时突然停了下来，因为信号灯显示“禁止通行”。当规则被打破时（在交通中时有发生）情况又如何呢？“没人规定风滚草必须长在车道之外。”特龙解释道。换言之，马路上总有意外发生。不确定性（“杂音”）有千千万万。我们需要判断闪着警灯的警车是否拦下了某辆车，斯坦利也需要以同样的方式来解读这个复杂的道路世界：马路中间是一块石头还是一个纸袋？路上那个物体是一条减速带还是有人从自行车上摔了下来？单是纽约市的“禁止泊车”标识就足以使斯坦利屈服了。
这已经够复杂了，现在想象一下，让斯坦利在我们平常的行车环境中完成这些动作：不是独自行驶在沙漠里，而是行驶在繁华的城市和郊区道路上。当我找到特龙时，他正在思考这个问题，当时他正在为国防部高级研究计划署的下一场比赛——“城市挑战赛”做测试。这一次的比赛场地将设置在城市环境中，越野车斯坦利退役了，取代它的是灵敏度较高的“朱尼尔”——它由一辆2006年生产的大众帕萨特改装而成。计划署提出，比赛目标是“安全且准确地实现时速20英里的自动驾驶”，包括“并入车流，驶过交通环岛，通过拥挤的十字路口，以及躲避障碍物”。
虽然不是每次都能做好，但大多数司机每天都能轻松完成这些动作，而教机器做这些事则会出现一些小问题。对于机器来说，单是分析随机的交通场景就是一项巨大的工程，不仅需要识别物体，还需要理解它们在当下以及未来彼此有何关联。特龙举了个例子，比较了司机遇见环岛和遇见一辆静止的汽车时的情形。“如果前面停着一辆车，你的做法就完全不同了，你会排在它后面，”他说，“但如果是个环岛，你就会绕过它。我们看一眼就能分辨出来，这对于人类来说是理所当然的事。而要想通过摄像头采集到的图像数据来辨识环岛，这样的技术还不存在。”特龙说，朱尼尔在40米远的地方无法分辨出前方的障碍物是什么，它只知道那是个障碍物。
在某些方面，朱尼尔比人类有优势，也正因此，有一些类似自适应巡航控制系统（该系统通过激光感应到前车的距离，并做出相应的调整）的机器设备开始出现在汽车中。和自适应巡航控制系统一样，朱尼尔计算自己与前车的距离时，比我们的计算结果更精确——根据斯坦福研究员迈克尔·蒙特梅洛（Michael Montemerlo）的研究，精确度可达到一米以内。人们总是会问：“朱尼尔是否可以感应到其他人的刹车灯？”蒙特梅洛说：“我们的答案是，没这个必要。比起刹车灯告诉你的‘我正在减速’这么点儿信息，你能测出车辆的实际速度，并由此判断出前车是否正在刹车。这大大超出普通人能获取的信息量。”
驾驶不仅关乎实际感知，还关乎如何处理信息。对斯坦利而言，这一任务就相对简单了。“它就是一个独自身处沙漠的机器人，”蒙特梅洛说，“斯坦利对世界的认知非常简单，事实上它把周围的世界理解成不同的几何体。它的目的仅仅是选择合适的地形，避开崎岖的道路。只靠对世界有限的认知是无法在城市环境中行驶的。你需要接收信息，并处理信息，这需要更高层次的理解力。”例如，当我们临近信号灯，发现黄灯刚刚亮起，这时我们便陷入了复杂的即时处理和决定的思考过程：黄灯会持续多久？我有时间（或空间）刹车吗？如果我加速，能赶得上吗？需要开多快才能赶上呢？如果我猛踩刹车，会被紧跟在后面的车追尾吗？这里有闯红灯摄像头吗？道路是否湿滑？我会不会被堵在十字路口，刚好挡在路中央？
有时我们离黄灯太近以至于不愿意刹车，但有时距离黄灯又太远以至于担心开到中途会亮起红灯，这样的情形被工程师称为“两难区间”（dilemma zone）。司机在其中两面为难。从撞车率来判断，如果司机试图在信号灯前停车，被后车追尾的可能性更大；但如果继续加速行驶，则可能被驶入交叉口的车辆从侧面撞上，容易发生严重的交通事故。其中一种情况的发生概率较大但伤害较小，而另一种情况的发生概率较小但伤害较大，你选哪一种？工程师可以延长黄灯时间，但交叉口的通行能力会因此受到影响，并且一旦人们都知道此处信号灯时间长，可能会刺激更多的司机加速通过。
一些人甚至提议设置一种信号灯，提前提示司机黄灯即将亮起，类似“双重警示”，从而增大所谓的“犹豫区间”。但澳大利亚研究人员做了一项研究，观察了黄灯亮起之前绿灯会短暂闪烁的十字路口。研究结论比较复杂：与没有绿灯闪烁的交叉口相比，此类路口选择加速通过的司机减少了，但停车过早的司机却增多了。一项针对以色列十字路口的研究证实了这一系统存在的危险，在引入了“绿灯闪烁预警”系统的十字路口，发生追尾事故的概率比没有设置该系统的路口更大。犹豫区间越大，处于该区间的车越多，需要做出继续行驶还是停车决定的人也越多，因此撞车的可能性越大。
此类“两难区间”在交通中经常出现。参加挑战赛时路上没有行人（“谢天谢地，”蒙特梅洛说），行人对朱尼尔来说是个极大的挑战。“我仔细思考过，让朱尼尔在现实世界里自由行动情况会如何。”蒙特梅洛说。朱尼尔在斯坦福大学驾驶时相对比较平静，但如果路边一名行人正好站在人行道的路边石上呢？由于行人没有站在马路上，因此不被视为障碍物，但行人是正等着过街还是仅仅站在那里而已？想了解这一点，机器人需要解读行人的肢体语言，或通过接受训练，学会分析眼神交流或面部表情。即使无人驾驶的汽车停下来，行人也许还需要进一步的信号。“有时即使汽车停下了，行人从车前经过时仍会很谨慎，”蒙特梅洛说，“他们常常会等司机挥手说‘你先走’。”你能够安心地从一辆无人驾驶汽车面前走过吗？
然而，在某些情况下，城市环境实际上比尘土飞扬的沙漠路段更简单。“在城市驾车确实非常受限制，你没有多少事可做，”蒙特梅洛说（他显然没在纽约的罗斯福东河公园大道开过车），“实际上这正是我们能够驾车的原因。我们通过道路规则和道路标识来推测即将发生的事。”
交通中充满了此类推测：我们全速通过绿灯路口，因为我们预测其他司机会停车；我们不会每次都担心和迎面驶来的汽车相撞；我们会加速爬过上坡路的坡顶，因为我们认为坡的另一边不会停着一辆油罐车。“如果我们不做这些推测，就会开得更快。”蒙特梅洛说。斯坦福团队的做法是将这些推测写入构成朱尼尔大脑的约10万行代码之中，但这些代码也不能太死板，以免朱尼尔一遇见奇怪的情况就呆住不动。
而交通中奇怪的事情层出不穷。比如信号灯坏了。戴维·莱特曼（David Letterman）曾经开玩笑说，纽约市的信号灯“只能当作参考”，每个人都曾在开车时遇到过红灯始终不变的情况。你可能会犹豫一番，然后非常小心地闯过红灯。也可能你前方的车熄火了，想绕过它你就得压到双黄线，我们都知道这是违规行为，但你仍然这样做了，而交通规则往往会对例外情况做出解释。但是关于在十字路口谁先行的问题又该怎么解决呢？有时人们不太确定是谁先到达路口，于是在十字路口处会出现一个短暂的僵局。想象一下，4辆无人驾驶汽车恰好同时到达路口，按照程序指令，它们应该让先抵达的人先行，那么就可能出现两种情况：它们可能会同时先行，然后撞在一起，或者同时停着不动，上演一场十字路口处的“死机”。因此斯坦福团队采用了复杂的算法，让朱尼尔二进制的逻辑变得更人性化一些。“朱尼尔会尝试估计最恰当的通行时间，并排队等候，”蒙特梅洛说，“但如果有其他人插队且等候时间过久，朱尼尔就会插队先开走。”
斯坦福团队发现，斯坦利和朱尼尔学习驾驶的最佳方式，是研习人类如何驾驶。但机器人是否有值得我们学习的地方呢？蒙特梅洛说，在第一次挑战赛中，特龙“总是抱怨机器人在弯道减速次数过多”。然而，一名研究生对比赛结果进行了分析，他得出的结论是：机器人虽然“转弯时像法拉利一般”，但在7小时的比赛中却只节省了几分钟，同时还增大了撞车的风险。原因在于道路大部分是直道。在直道上保持最高平均速度，要比尽可能以最快速度通过为数不多的弯道（弯道是道路上最危险的路段）更重要。
蒙特梅洛称之为“智能驾驶”。他在准备城市挑战赛时花了很多精力思考这一点。“最初你也许会想，‘我要记录朱尼尔的一切行动，让它的速度尽量快。我要让它从停车标识处就尽快加速，我要让它停车时的等待时间尽可能缩短。’结果用处并不大。我们都能从驾驶过程中明白这个道理。一个人加速超过了你，接着你又看见了他——到下一处红灯时，你距他只有一辆车的距离。马路的随机性让这些小细节相形见绌。同时，在这些所谓的最优选择之中，有一些做法会给所有人带来麻烦，比如在十字路口处抢先一步。这些行为减慢了所有人的行车速度。”
机器人研究领域的一些世界顶尖研究员花了数年时间，研发出了聪明且能熟练完成特定驾驶动作的无人驾驶汽车，可一旦驶进现实的道路，它便会即刻失控。这既证明了开车是一项非凡的人类技能，也警示我们不应将这一行为视作理所当然。从长远来看，机器人的优势在于硬件和软件会不断得到改善。人类必须用好我们天生的能力。教斯坦利和朱尼尔开车的经验告诉我们，人类的认知机制的确很强大。不过我们随后会看到，这一机制并非毫无缺陷，并且这些缺陷在我们的升级改造过程中也无法得到修正。
自负司机的真实能力
有两件事谁都不会承认自己技不如人：开车和做爱。
——斯特林·莫斯（Stirling Moss），冠军赛车手
在线拍卖网站eBay（易贝）有一则惹人注目的电视广告，标语很简单：“人性本善”。有趣的是，广告的一些画面中加入了交通元素：一个场景中，人们合力将一辆陷在雪地里的车推出来；另一个场景中，司机减速并同时挥手示意，让另一个司机并入车道。eBay希望借助这些互利行为来强调其运营理念：你可以从来自另一个半球、素未谋面的人那里买东西，并且相信真的能收到货物。根据eBay发言人的描述，这种“日常信任”“促使数百万陌生人彼此开展交易，且交易过程惊人地顺利”。交通中的情况也大致如此。
然而，人未必总是善良的。eBay上似乎每个月都会出现新的诈骗形式，公司也会及时展开调查，比如使用复杂的软件发现可疑的出价模式。然而，网站的运转靠的不是英勇超凡的防诈骗团队——他们时间有限，只能监控到每日数百万次交易中的很小一部分——而是依靠一种更简单的机制：反馈。任何在该网站买过或卖过东西的人都知道，获得正面的反馈，避免负面的反馈，在交易体验中至关重要。这或许与人们希望获得良好体验无关，而是如一项研究结果所显示的，口碑好的卖家收入会高出8%。总之，反馈（前提是它真实可靠）是维系eBay发展的社会黏合剂。
如果交通中也设置一个类似eBay的“口碑管理”系统会如何呢？芝加哥大家法学教授利奥尔·J.斯特拉希列维茨（Lior J.Strahilevitz）在一篇颇具启发性的论文中提出了这一问题。他写道：“现代化的城市高速公路和eBay非常类似，不同的是公路缺少信用评分记录。高速公路上的大多数司机驾驶技能都相当熟练，且在条件允许时愿意与身边的司机合作，然而也有一部分人会给司机添麻烦，如交通事故、拖延、压力、无礼行为等，并导致保险费用上升。”
商业车队保险杠上的车贴“我车技如何？”启发了利奥尔。每辆车的保险杠或车牌上必须贴有识别码，如果司机看见危险或违规的驾驶行为，可以记下识别码，致电呼叫中心投诉。也可以致电呼叫中心表扬优秀的司机。这些评价会被记录下来，月末时司机会收到一张“账单”，列有收到的正面或负面评价。不合格的司机会受到某种形式的处罚，如支付更高的保险费用或被吊销驾照。斯特拉希列维茨认为，这一系统比不定时的执法更有效，因为后者只能监控到交通中的一小部分车流。交警往往只能对明显的违规行为（例如超速）开罚单，且从本质上看，交警对于更加细微的粗鲁行为和我们遇见的危险情况往往无能为力——你每次都希望能有交警来抓住那些做出危险行为的人，比如恶意追尾或边开车边用黑莓手机发短信，但这一切都是徒劳。信用管理制度能帮助保险公司更有效地设定保费率，还能让沮丧的司机有一个更安全、更有效的途径宣泄不满，获得一种正义感，而不是以攻击性的驾驶行为来回应那些违规之人。
但如果收到虚假或带有偏见的反馈怎么办？如果你家狂吠的狗惹恼了邻居，他打电话投诉你在收费的高速公路上疯狂驾驶，这怎么办？斯特拉希列维茨指出，eBay采用的类似软件能找出可疑的行为——即“异常情况”，如众多好评中的一个差评，或同一个人反复给出差评。隐私问题又如何解决呢？这正是问题的关键之处：人们之所以能在公路上随意恐吓他人，是因为他们的身份在很大程度是受到保护的。公路并非私人场所，超速也并非个人行为。正如斯特拉希列维茨所说：“我们应该且只应在有助于促进社会福祉的情况下保护隐私。”
官方也进行过一些力不从心的实践。Platewire.com网站的创始人说，网站的宗旨是“让人们以这样或那样的形式，对自己在公路上的行为更负责”。该网站为司机提供了一处投诉平台，司机可以在此表达对行为不良司机的不满，并写下这些司机的车牌号；有人发帖谴责加利福尼亚的司机“忙着梳头”，批评新泽西的司机“是个开奥迪的混蛋”。而褒奖好司机的帖子则少得多。
这类网站的缺陷非常明显，不论它们的初衷何等高尚。第一，在本书撰写之时，Platewire网站的会员人数是6万多，只代表了驾驶人群中极小的一部分，所以网站上的抱怨帖只有少数人会看见。第二，考虑到公路驾驶的绝对随机性，我在路上遇见挂着新泽西VR347N牌照汽车的概率相当小——也许比那辆车的司机读我这本书的概率还小——而且我也不太可能记得他就是Platewire网站用户所说的边开车边看报纸的那个人！最后，除了这一小部分读者的唏嘘，Platewire网站上的这些抱怨贴没有产生多少真正的效果。
建立呼叫中心这一想法的目的是消除交通中无处不在的匿名性，并遏制由此滋生的种种恶习，但这也许还有助于解决交通中的另一个问题：缺乏反馈。我们早先讨论过，我们目睹了众多司机的不良驾驶行为，而对自身驾驶行为的关注则相对较少。研究结果显示，当我们自问“我的车技如何”时，不论实际的驾驶记录如何，人们都会给自己竖起大拇指。
从美国到法国再到新西兰，研究人员通过多次研究发现，当要求一组司机将自己与“一般水平的司机”进行比较时，大部分人都不可避免地认为自己“水平更高”。显然，这在统计学上是不大可能发生的事，就像喜剧《巨蟒》（Monty Python）中的一个小速写：“我们全都高于平均水平！”心理学家称这种现象为“乐观偏见”（或“优于平均效应”），至于我们为什么这样做，目前还是个谜。也许我们希望通过某种比较让自己显得比他人更好，正如第一章中排队的人通过转头查看队尾的情况来评估自己所处的境况。也可能我们需要某种精神支柱，以便更加自信地面对开车这件大部分人都做过的最危险的事。
不论原因是什么，都有确凿的证据表明我们在生活的方方面面都倾向于自我放大，而且这对于我们而言往往是有害的。投资者总是宣称自己在选股票方面比普通投资者更在行，但有关经纪账户的研究不止一次表明，最活跃的交易者（想必存在于最自信的人群之中）获得的回报最少。驾驶也许最易受到优于平均效应的影响。因为心理学家发现，乐观偏见在我们可以掌控的情境中似乎更明显。一项研究发现，当被要求评估自己发生交通事故的可能性时，司机比乘客表现得更乐观。
优于平均效应有助于解释人们为什么抗拒新的交通安全措施（至少在早期阶段的确如此），比如要求系安全带和限制使用手机。例如，调查结果显示，大部分司机都希望法规禁止开车发短信的行为，但调查结果也显示，大部分人在开车时都发过短信。我们过高地估计了别人对社会造成的危害，而低估了我们自身造成的危害。我们认为需要受到约束的是别人的行为，而不是我们自己的行为，出于这一逻辑，虽然技术进步了，但社会秩序和交通规则之间的鸿沟仍长期存在。我们认为更严格的法律是专门为需要它的人而准备的。
研究结果显示，我们对自身看法存在的另一个问题是，当我们认为谈及的动作相对简单（比如开车）、不会特别复杂（比如同时拿几件东西玩杂耍）时，我们就倾向于自我评价过高。心理学家认为，如果谈及的技能较不明确，“乌比冈湖效应”（Lake Wobegon Effect，即人们总是过高评价自己）会更明显。奥运会撑竿跳选手通过自己需要跳过的横杆高度，能够清晰地知道自己比他人优秀多少。而对于下班后平安开车回家的司机而言，他们的表现如何呢？如果满分为10分，可以打9.1分吗？
最重要的是，我们之所以高估了自己的驾驶能力，也许仅仅是因为我们无法做出准确的判断。我们或许缺乏一种所谓的“元认知”（metacognition）能力。按照康奈尔大学心理学家贾斯汀·克鲁格（Justin Kruger）和戴维·邓宁（David Dunning）的解释，这句话的意思是我们“明明不熟练，却没有意识到这一点”。两位心理学家举了一个例子：这好比一个不精通英语语法规则的人，不太容易判断语法是否正确；同理，一个没有充分了解追尾的危险和交通规则的司机，也很难恰当地评估自己相对于他人的危险程度有多高。一项反应测试的结果显示，与表现不佳或曾遭遇撞车事故的司机相比，那些记录良好（更安全）的司机对自己测试结果的评估更准确。然而我们之前也提过，人们在评估自己的驾驶水平时，似乎很容易忽视自己的驾驶记录。
因此，不论我们是因为内心恐惧而用狂妄自大来遮掩，还是仅仅因为对驾驶一无所知，马路上到处是自认为“高于平均水平”的司机（尤以男性居多），每个人似乎都一心一意要保持这种优越感。有一个事实或许能解释（至少在美国如此）为什么接受调查的司机似乎都认为马路的文明程度连年下降。1982年的一项调查显示，大多数司机认为路上的大部分人都是“彬彬有礼”的。而1998年研究人员重复该项调查时发现，粗野的司机数量超过了礼貌的司机。
这与自我膨胀有何关联？心理学家认为，比起由不安全感导致的自卑，自恋更易促成野蛮驾驶行为。正如调查数据所显示，当男性和女性被问及拥有的性伴侣数量时，他们给出的答案与数学统计的结果并不相符。同样，针对野蛮驾驶行为的调查发现，看到野蛮驾驶行为的人数，总是多于承认自己也有此类行为的人数。一定有人高估了自己，于是自恋行为和道路上的恶劣行径一样，似乎都增多了。一项名为“自恋型人格测试”的调查对过去几十年人们的“自恋指数”进行评估（例如，评估人们对“如果我统治世界，世界会更美好”等类似陈述的反应），心理学家针对这一调查进行了分析，发现在2006年2/3的受访人分数高于1982年。“对自我估计过高”的人数日益增多，而且如果调查结果可信的话，在自恋行为增长的同一时期，道路环境也日益令人不愉快。交通是一个需要服从与合作才能实现功能最大化的系统，然而，路上的人却有一个共同的想法：“如果由我统治马路，马路的情况会更美好。”
当我们在路上收到了负面反馈时，我们倾向于找理由为自己开脱，或迅速将其抛到九霄云外。在偶尔被开罚单的时候，人们则会嘟囔着将其归因于警察不得不“完成指标”；被其他司机鸣笛是令你愤怒的导火索，而非令你感到羞耻或懊恼之事；撞车通常被认为纯属运气不佳。但通常情况下，大部分人都没有收到过负面反馈，人们几乎收不到任何反馈。每天开车的我们，大部分时间里都不会发生交通事故，而我们每天都觉得自己的车技比平均水平又高了一点。艾奥瓦大学认知系统实验室主任约翰·李（John Lee）解释道：“作为一名普通的司机，在大部分麻烦到来之前，你就能够将其摆脱了。这正是问题所在。驾驶过程中没有反馈循环，可能你多年来一直车技很差，但自己并没有意识到，因为没有人向你反馈这一信息。多年来你一直边打电话边开车，你说：‘开车打电话怎么会有危险呢？我每天都打两个小时电话，什么事也没发生呀。’那是因为你一直运气好。”
事故来临前的时刻不但是对我们车技的证明，也是对安全带的考验。心理学家詹姆斯·里森（James Reason）在《人为错误》（Human Error）一书中写道：“对于避免事故而言，经验是把双刃剑。”问题在于，我们正是通过避免事故（而非身陷事故之中）来学习如何避免事故的。不过，根据里森的描述，侥幸脱险既包含初始犯错（initial error），也包含错误补救（error recovery）。这带来了一些疑问：侥幸脱险究竟是教会了我们如何避免事故，还是教会了我们如何从一开始就避免犯那些让我们陷入这一困境的错误？避免了一次小事故是否可以使我们将来能够避免更严重的事故？我们如何从错误中学习？又能从中学到些什么？
我们从错误中学到了什么？坐落于圣迭戈郊区办公园区的驾驶员风险管理公司DriveCam也提出了这一问题。我在DriveCam花了一天的时间观看监控录像，内容包括撞车事故、险些撞车的情况以及极为粗心的驾驶行为。录制视频所需要的条件很简单：将一个小型摄像头装在后视镜旁，实时记录车外环境和司机影像（类似于使用数字录像机TiVo录制电视节目）。传感器监控着车辆受到的各种外力。当司机猛踩刹车或突然转弯时，摄像头会记录下前后10秒的情景，用作背景信息。影像随后被传送至DriveCam的分析师，分析师据此做出分析报告，如有需要，还会为司机提供一些“指导”。
DriveCam公司的口号是“消除驾驶风险”，从时代华纳有限公司的卡车，到拉斯维加斯的出租车，再到租车公司的机场摆渡车，DriceCam在各种车里都安装有此类摄像头。安装了DriveCam摄像头的公司发现，司机的撞车率下降了30%~50%。该公司认为，与试图提高商用车队驾驶安全性的传统方式相比，DriveCam有几个优势。DriveCam公司总裁布鲁斯·穆勒（Bruce Moeller）告诉我，他们早年曾采取了一项措施，即向司机提供现场安全演练。“他们会来参加实地演练。每个人都兴奋地想：‘我要好好开。’但过了一段时间，他就开始越过底线。他没撞到人，也没人朝他喊。很好，他侥幸逃脱了惩罚，很快他便又重拾以前的驾驶习惯了。”公司副总裁德尔·里斯克（Del Lisk）说，采用20世纪80年代盛行的“我车技如何”的电话调查方法，可以获得持续的反馈，但往往反馈较慢且质量有待商槯。“顾客打进来的投诉电话，内容可能会非常主观，”他说，“比如我对话费账单不满意，我就想打电话投诉美国电信公司的那个人。”
统计数据显示，公司车辆对员工来说是最危险的环境，因此不难理解DriveCam公司背后的理念是受到了H.W.海因里希（H.W.Heinrich）作品的启发。海因里希是旅行者保险公司的一名保险调查员，写过一本具有开创性的书：《工伤事故预防：一种科学的方法》（Industrial Accident Prevention:A Scientific Approac）。在调查了成千上万起工伤事故后，他总结出，每一个致死或严重伤害事故的背后必然有29起小事故和300个没有造成伤害的“侥幸脱险”事件。他提出“海因里希事故金字塔”，并提出要想避免发生位于金字塔顶端的事故，关键在于处理好金字塔底部的诸多小事件。
在我与穆勒一番介绍性的寒暄过后，他告诉我的第一件事就是：“如果我们在完全不了解你的情况下，在你的车里装一个DriveCam摄像头，我向你保证，一定会拍到一些你自己没注意到的驾驶习惯，有的驾驶习惯很可能会引发事故。”他指着白板上画着的海因里希金字塔说道，“你知道29：1法则（每起致死事故的背后必有29起撞车事故），因为有确凿的证据证明有人丧命，有人撞车，而我们向你展示的，是通过DriveCam全天候监控所发现的不安全的驾驶行为。这些行为可能会引发事故，除非你走运。”
根据里斯克的观点，若想减少DriveCam公司所谓的“可预防的事故”，关键在于金字塔底部那些暗藏的、被忽视的险些发生的事故。“大多数人看着这个金字塔，会用最上面两层来衡量自己是否是个优秀的司机。而事实上，底层才是真正的衡量指标。”换言之，司机往往通过撞车事故和收到的罚单来衡量自己的表现。与司机同行的人看到的则是另一番景象。“作为乘客，”里斯克说，“我们所有人都会从金字塔的底层去评估同行的司机，我们紧紧地抓住座椅扶手，双脚用力踩在地板上。”
当我在DriveCam录制的一些视频中扮演乘客时，一件令人不安的事引起了我的注意。粗心驾驶的情况的确很多，在一段视频中，一个人双手离开方向盘，猛击挂在内后视镜上的拳击沙袋。许多视频片段中的司机都在努力睁开困倦的双眼，把摇摇晃晃的头摆正。“在一段视频里，一个人开着一辆满载的油罐车，有整整8秒钟的时间似乎睡着了。”穆勒说。（洛杉矶高速公路上一处路面陡降触发摄像头记录下了这幅画面。）
然而在诸多视频中，最令人不安的并不是驾驶行为本身以及镜头中的事物，而是镜头之外的场景。在一段视频中，一名男司机一边开车穿过住宅区的街道，一边低头拨打手机。在视频记录下的9秒钟里，他大部分时间都没在看路面，小货车也开始偏离路面，路缘石引得车身一震，吓了他一跳，赶忙将车开回路面，半是震惊半是宽慰地做了个鬼脸。然而，仔细观看画面，你会发现在距事发地点仅十几英尺远的地方，有一个孩子正在骑自行车，路边还站着另一个孩子。“你以为他真的看见那两个孩子了吗？”里斯克问道，“纯属走运。这就是那个金字塔的例证。”
司机不仅没有意识到他将自己和他人都置于了真正的危险境地，甚至对自己的无意识状态浑然不觉。“他或许人品非常好，是个顾家的好男人，一个好员工，”里斯克说，“他甚至不知道这一切正在发生。如果我们告诉他实情，给他一个黑匣子之类的东西，他甚至不会相信。”若没有录像，司机不会意识到他行为中潜在的隐患。“我没有撞到孩子，而且日复一日，我的自我感觉也得到了强化，这是因为我没看见录像，”穆勒说，“我自我感觉良好，以为我能做到。我能低头看黑莓手机，我能拨打电话，我能喝酒。我们的自我感觉都以错误的方式被巩固了。”
直到有一天我们没有做到，当然，事故也就发生了。我们通常称这些瞬间为“意外”（accident），意即无心之举或预料之外的事。意外适合于描述诸如机警的司机无法躲开一棵突然倒在路中间的树这类事件。不过想一想圣路易斯红雀队投手乔什·汉考克（Josh Hancock）的事故。2007年，汉考克开着租来的越野车撞上了一辆停在高速公路上、闪着信号灯的牵引车，那里此前刚发生过撞车事故，汉考克不幸身亡。调查员发现，汉考克（几天前刚把自己的越野车撞了）血液里的酒精浓度几乎超过了法定值的两倍，他超速，没系安全带，发生致命撞击之时还在打电话。
虽然这起事故具备了早已被公认的危险因素，但媒体报道仍按常规称这是一次“意外”。发生在南达科他州议员比尔·詹克洛（Bill Janklow）身上的事也是如此。他喜欢超速驾驶，且臭名昭著，曾在4年间收到过12张罚单，还在一张宣传海报上吹嘘自己喜欢“快车道”上的生活。2003年，詹克洛风驰电掣地闯过红灯，撞死了一名摩托车手，但媒体反复称之为“意外”。
2001年，《英国医学期刊》（British Medical Journal）宣布将不再使用“accident”一词。该杂志指出，这个词的问题在于，“意外”常被理解为是无法预测的，因而是无法避免的。汉考克和詹克洛的撞车事故真的无法预测或无法避免吗？这两起事故显然是无意为之，但难道“某些撞车事故会比其他事故更无心吗”？它们是“就这样发生了”，还是原本有措施可以阻止其发生，或至少可以减少其发生的概率？人类毕竟有局限，总会犯错，纯属走霉运的情况也确实存在。心理学家也讨论过，人们倾向于事后夸大事情的可预见性（“后见之明的偏见”，the hindsight bias）。然而，“意外”一词却被滥用，有时甚至为最糟糕、最马虎的驾驶行为提供了掩护。这反过来也暗示我们，道路上每天发生的悲剧神秘莫测，不可掌控，只有多安装几个安全气囊，才能阻止或减少它的发生（遗憾的是，行人无法采用这一安全措施）。
大部分事故与违反交通规则有关，不论是有意为之还是无心之举。然而，就连“无心”和“有意”的概念都被模糊了。2006年，芝加哥的一名司机开车时伸手去拿手机，使得越野车失控，导致另一辆车中的一名乘客死亡。受害者家属称：“如果他没有饮酒或嗑药，那就是一场意外。”这听上去荒谬极了，因为是司机主观违反了交通规则，而最后的判决仅以处罚200美元而收场。针对“清醒的超速者”的判决同样是如此不可思议。而在致死事故中，针对血液中酒精含量超标的司机和车速远超限速的司机，法律的定罪量刑有着巨大的差别。
新闻报道中还暗藏一个类似的偏见。在报道致命的撞车事故时，“没有饮酒或嗑药的迹象”这类描述，微妙地将司机从全责之中赦免——即使司机明目张胆地超速了。汽车公司若是在广告中体现了边饮酒边驾车的乐趣，势必受到严惩。然而，加拿大一组研究员针对北美汽车广告展开的调查结果显示，如果广告中的司机未饮酒，即使观众认为其驾驶方式较危险，受访者也认为这种广告是可以接受的。大部分研究人员认为，在公开放映的200余则广告中（全都带有谨慎乃至狡猾的免责声明），近一半的广告都有“不安全驾驶行为”的镜头，通常以超速为标志。越野车的广告情况尤为严重，且在所有车型的广告中，司机大多为男性。
DriveCam的视频资料所展示的，不是马路上意外事故的无常，而是人们经常做一些事使得撞车“无法避免”。如果货车司机撞了街边的孩童，或许可称之为“意外”，因为他并非有意为之。也许这就是“走霉运”？心理学家理查德·怀斯曼（Richard Wiseman）的实验结果揭示，人们常能给自己创造“运气”。比如说，广交朋友的人比朋友较少的人更容易发生“世界真小”的偶遇（而那些没那么多偶遇机会的人更容易自认为“不走运”）。
我们无法完全防止“霉运”降临到自家门前，但DriveCam视频中那个拨打手机、差点撞着孩子的货车司机，几乎房门大开，将“霉运”邀入屋里。DriveCam的后见之明的确能更醒目地展示司机的错误行为。问题是他们为何这样做？人们为什么会做出置自己和他人于不必要的危险境地之事？是他们太粗心、无知、自负、太过愚蠢，抑或这就是人性？我们能否在事故真正发生之前，从错误中有所获益呢？
心理学家发现，如你所料，我们的记忆更喜欢近期的事件。我们也倾向于强调事情的结尾。比如，当别人告诉你一系列的事情后，要求你复述整个过程，我们总是对后面的事情记得更清楚。研究结果已经证实，人们不容易记住交通事故发生之前的事。同样，撞车或险些撞车的瞬间也可能比它的诱因更加令人难忘。DriveCam消费者部门经理鲁斯提·魏斯（Rusty Weiss）解释说：“差点追尾的画面会留在你的脑海中，但要想将它定格并记住，代价就是忘记它的诱因。”时间也会对此产生影响。英国诺丁汉大学的彼得·查普曼（Peter Chapman）和杰夫·安德伍德（Geoff Underwood）通过研究发现，两周后（而非事发当天），司机对险些发生的事故遗忘了80%。这正是DriveCam的重要作用：不会让你忘记马路的危险本质。
魏斯加盟DriveCam之前，在明尼苏达州启动了一个试验项目：在青少年司机的车里安装摄像头。他认为，这种对于事故诱因的记忆缺失对我们都有影响，新手司机尤其感到困扰。讽刺的是，正是这些青少年常常将自身置于危险之中。“这些孩子应该学得很快，”他说，“学习的机会很多，但他们反复犯错。他们当下不会承认是自己的错，但看了视频之后他们会惊呼‘我的天’。这好比通过视频来获得高尔夫挥杆动作的反馈，能让你注意到一些你在当下没意识到的事。”
问题可能在于他们忘记了那些应该从中吸取教训的时刻。查普曼和安德伍德展开的另一项研究显示，当司机看到自己的危险驾驶视频时，与熟练的司机相比，新手司机更不容易记住事件的细节。
原因之一或许是新手司机的关注点不对。研究人员早已发现，新手司机的“视觉探索”模式与熟练司机大为不同。他们倾向于关注距离车前部非常近的地方以及道路边线。他们往往不经常观察左右后视镜，就连做变更车道之类的动作时也如此。了解应该看向何处——并记住所见事物——意味着经验丰富、技术专业。眼动追踪研究显示，艺术家观察画作的方式与普通人有显著差异（后者倾向于瞄准面部之类的事物，而艺术家会浏览整幅画作）。与此类似，驾驶行为方面的研究人员往往通过司机的眼动情况，就能判断司机是否有经验。
从多个方面来看，青少年司机应成为DriveCam下一阶段完美的关注目标。青少年与商用车队的司机一样，经常驾驶他人的车辆，且开车时受到更有权威的人监督——对青少年而言，就是他们的父母。在艾奥瓦州开展的一次实验中，25名高中生在车里安装了DriveCam摄像头，实验时间持续了18周。研究人员将事件资料传给青少年的父母，并（匿名）公布分数，这些孩子可以由此判断自己在同龄人中的相对水平。艾奥瓦大学公共政策中心“人类因素及车辆安全研究项目”主任、本次实验的负责人丹尼尔·麦吉（Daniel McGehee）指出，由于艾奥瓦州的农业发达，该州的青少年14岁起就能开车上学。“撞车率绝对高得惊人。”他说。艾奥瓦州的青少年也经常开车，这25位司机在13个月里共行驶约36万英里，而且多数都是危险的乡村地区两车道公路。
麦吉给我们播放的早期视频资料的确令人不安：司机无所顾忌地闯红灯，或唱着歌、心不在焉地东张西望，接着迅速驶过坡道，开进玉米地里。不得不说，窥探这些被汽车包裹起来的隐私，触及那些原始的、未经过滤的情绪，让我有些不安。而在这个真人秀大行其道的年代，青少年显然不太害羞。摄像头有一个按钮，司机可以在事件触发时按下按钮对事件加以评论。一些青少年把它当作语音日记，类似于在仪表盘前坦陈自己在汽车之外的生活。麦吉告诉我，开车也为我们打开了一扇独特的窗，帮助我们了解青少年的社交生活：“如果某人的驾驶方式格外野蛮，并急于向旁人炫耀，我们就能判断出此人新交了女朋友或男朋友。”
然而，研究人员感兴趣的不是视频中的自白或约会习惯，而是DriveCam可以产生的安全效果。当我再次与麦吉交流时，他的研究正进行到第16周。“在最爱冒险的司机中，危险行为减少了76%，”他说，“随着实验的深入，冒险行为逐渐消失了。”麦吉说，过去司机每天会将摄像头触发10次，而现在一周内只会触发一两次。“就连这些触发摄像头的行为的危险程度与过去相比也低了不少，”他注意到，“他们依然会在转弯时速度过快，但仅仅是刚超过临界值而已。”
这些青少年的身上究竟发生了什么？他们是害怕父母知道后来找麻烦吗？还是仅仅因为这是他们第一次看见自己犯的错误？抑或是他们只是在与系统博弈，试图像摸清SAT（美国学术能力评估测试）答题规律一样破解系统的工作原理？“我认为，在这一纯粹的行为心理学循环中，司机自身成了传感器，能意识到自己犯的错误，”麦吉说，“有了这个小小的速度计，他们逐渐开始对限速有了把握。”正如DriveCam的魏斯所言：“一个孩子说‘我知道怎样避开系统了。只要注意看前方的路，预测车流，转弯时减速，就能一个月都不触发它’。”他的这些行为正是好司机的表现，不论他是否意识到了这一点。
而拆掉摄像头之后情况如何呢？穆勒曾说：“DriveCam是一个外部的激励系统，除此之外，我不会谎称它有其他的功效。”他承认，在实验的初期，仅仅安装摄像头，就足以约束司机的行为。这是著名的“霍桑效应”（Hawthorne Effect）的表现形式。霍桑效应的意思是，人们在实验中对行为做出改变，仅仅是因为他们知道自己身处实验之中。如果没有任何后续的指导，没有关闭“反馈循环”，效果会慢慢被削弱。“司机开始觉得摄像头完全没有指导意义，什么都不会发生，摄像头的作用只是撞车时能记录是谁的错，”穆勒说，“一旦加入了指导环节，他就会意识到自己的危险驾驶行为会引起直接且确切的后果。摄像头会暴露司机的隐私，对大部分人而言，暴露20秒的隐私已经足够对司机产生约束作用了。”
DriveCam的工作人员给予司机的指导往往不涉及任何驾驶技巧，如转弯或躲避障碍物的窍门，他们会时刻提醒司机因过度自信而犯下的错误。其中最令人震惊的例子出自魏斯针对一家救护车的窍门公司所做的一次实验。当时他供职于明尼苏达州的马约诊所（Mayo Clinic），而该救护车公司试图改善病人的“乘车体验”。人们也许会认为，在紧急情况下，救护车开着警灯和警笛，司机火速把病人送至医院，其间一定会有急转弯、闯红灯等情况发生，此时DriveCam应该会被频繁触发，但事实并非如此。“事实证明，开着警灯和警笛时行车更顺畅了。”魏斯解释道。反而在正常情况下，触发摄像头的次数更多——急转弯和不规范的驾驶行为频发。魏斯曾做过救护车司机兼急救人员，他认为自己或许猜到了原因。“闪灯鸣笛让司机的注意力比平时更集中。如果有人没看见他们，他们会注意到危险，并提前减速。当你开着警灯和警笛时，行车更顺畅，这意味着速度更快。”
大多数人没有警笛和警灯，因此日常的驾驶行为各式各样。随着习惯逐渐养成，我们开始试探各种可能性，比如离前车的距离能有多远、拐弯时的速度能有多快，并逐渐适应了新情况。我们忘记了斯坦福研究员在尝试教机器人开车时学到的那些东西：开车看起来简单，实则不然。里斯克那天上午查阅了一系列撞车报告，他说：“大部分事故都是因车距太小或司机不够专注而发生。其中一个很重要的因素是司机缺乏良好、基本的驾驶技能。”
里斯克播放了一段视频：一辆车在一条空荡荡的车道上快速向收费站驶去，而两旁的车都排着队。“司机以为这条车道畅通无阻，这是典型的‘橄榄球思维’——有球员帮我拦网了，我可以前进。”里斯克说。司机似乎想象自己已经把一辆辆汽车甩在了身后，并通过了收费站，但此处有一个问题：其他司机也都觊觎那条顺畅的车道。“由于他们已经排着队了，因此需要以一个相当大的转弯慢速转进去，”里斯克说，“而顺畅车道上的司机在靠近高危的车道开放区时减速不够，由此引起的撞车事故我们见得太多了。”
这或许有助于解释为什么收费站的电子收费通道理论上应有助于减少高危区域的撞车事故（司机不必再手忙脚乱地找零钱了），反而却提高了事故率。电子收费系统让司机可以速度更快且不受限制地通过收费站，而与此同时，其他车发现自己排错了车道，也正急忙换车道。比起队伍冗长的旧交通系统，新系统缩短了司机排队等候的时间，司机更换车道的频率也更高。
每个月，DriveCam都会收到5万多条这类视频片段。穆勒说，这让公司成了世界上最大的“危险驾驶行为资料库”。摄像技术让我们得以一窥自诞生以来一直处于封闭状态的车内世界，了解司机的内心生活。
人们曾试图通过驾驶模拟器、测试车道等方式分析“司机行为”，甚至让一名研究员手持写字板坐在车里观察并记录司机的行为举止，但这些都与现实中的驾驶模式大不相同。人们也可以通过摄像头或安排实验室助手站在天桥上观察过往车辆，但无法从中了解车内司机的行为。事故研究大多基于警方的调查和目击者的报告，而这二者都容易失真，后者尤其如此。
研究结果显示，当发生严重交通事故时，人们更倾向于将责任怪罪到某个人的头上。在另一项研究中，一组人观看了汽车相撞的视频。一周后，研究人员要求受试者估计视频中各种车辆的车速，当研究人员使用“撞毁”一词时，受试者估计的车速比研究人员使用“碰擦”和“接触”这类字眼时的更快。当使用“撞毁”一词时，更多的受试者表示他们记得在视频中看到玻璃碎了，虽然事实并非如此。司机本人的记忆则常常被为自己开脱责任的愿望所蒙蔽（也许是为了避免与自我良好的感觉发生冲突，或企图免于承担法律责任）。“贝克定律”（Baker’s Law）得名于车祸重建专家J.斯坦纳德·贝克（J.Stannard Baker）。定律指出，司机在解释与自己有关的交通事故时，倾向于在真实可信的前提下，报告自己的最小过失——即能让他们免于惩罚的最可信的细节。
在DriveCam这类设备出现之前，那些险些发生的撞车事故最难以捉摸。人们无从确定事故为什么险些发生（或没发生）以及为何没有发生，也无法确知这些险些发生的事故频率有多高。如果说金字塔的顶层神秘莫测，那么底层则如同大洋最深处，是一个巨大的不解之谜。
如今情况已得到了改善，使用DriveCam等技术展开的大规模研究，为我们研究司机的行为提供了新的线索，而最重要的是，这些研究以崭新的洞见解释了我们为什么会在路上遇到麻烦。答案并不完全在于道路标识警示我们的种种情况——桥上有疾风或公路上有鹿群穿过，也不总是轮胎漏气、刹车失灵或迫使汽车制造商不得不召回车辆的机械故障（据说90%的撞车事故与“人为因素”有关），似乎也不关乎“司机驾驶水平”或我们理解交通信号的能力。
除了自负以及驾驶中缺乏反馈之外，给我们带来最多麻烦的，恰恰是朱尼尔和斯坦利这两个笨重的机器人司机具有明显优势的两个方面。首先是我们感知和理解事物的方式。虽然感知过程不可思议，但我们并非总能做出正确的解读，而更重要的是，我们往往没有意识到这一点。其次是由于我们并非开车机器——这是将我们在马路上的行为与斯坦利和朱尼尔区分开来的第二个因素——我们无法始终保持警觉。一旦我们认为一切尽在掌控之中，行为方式就变得不同了。我们会看看窗外，打个电话。麻烦大部分源自认知的局限性以及无法专注，下一章将讨论这一问题。