自從谷歌的alpha go相繼戰勝李世石、柯潔等人類圍棋高手以後，基於深度學習神經網路設計出來的人工智慧逐漸在各行各業流行起來，汽車領域的自動駕駛自然也不例外，很多車企都看好自動駕駛未來的發展。然而大家都知道，開放道路上有數不清的交通參與者，以至於道路狀況層出不窮，人類駕駛員面對這種狀況都有不少的交通事故率，更別說小樣本學習能力遠不如人類的AI了。
既然開放道路情況過於複雜，那麼換到賽車領域又會有什麼表現呢？畢竟賽道的環境相對固定，不會有鬼探頭等難以琢磨的道路狀況，也不存在駕駛員水平差距過大的問題。如果刨除現階段AI認知水平較弱情況，高度智慧的自動駕駛能代替人類賽車手嗎？
首先要承認，論外界感知的能力和操作上的精細程度，人類駕駛員是無法跟電氣元件相比的。民用級的車身穩定系統或許不會比賽車手更能壓榨車輛效能，但對輪胎耐久性不那麼重視的賽用級電控系統不比專業車手差，甚至更勝一籌，不然F1比賽也不會禁用ABS、ESP之類的電控系統了。而且賽道有固定的路線，這會使得AI的犯錯機率遠低於人類駕駛員。
當然，這一切都是建立在理想化的基礎上的，高度智慧的賽道自動駕駛系統除了要解決走線和操控問題，還要對感測器進行合理的設計，畢竟氣動效能在賽車領域也是非常重要的，感測器的造型以及安裝位置都可能會對賽車的氣動效能產生影響。
但即使忽略其他客觀條件（如車重、空力設計等），高度智慧的自動駕駛系統也很難與人類賽車手媲美。走線和壓榨賽車效能只是頂尖車手的基礎能力，單靠這點或許能有個好的排位賽成績，但正賽要考慮的情況要複雜得多。
雖說一條賽道在一般情況下只有一條最快的行車路線，但如果你把一條賽道的每個彎角拆分出來就會發現，透過這個彎道最快的路線，與整圈跑完的行車線是不一樣的。這種路線上的差異常常是由於賽道出現了組合彎角，車手為保證最後一個彎的出彎速度而犧牲了前幾個彎的平均速度所導致的，所以這就在正賽中給了後方車手超車的機會。很多時候，後方車手抓取到前方賽車的尾流後可以快速貼近，並會採用內線延遲剎車或者外線早剎車走交叉線的方式搶得位置優勢，而前方車手進入剎車區後就無法變線，因此需要提前預判後方車手的進攻路線。這種預判有點像帶有運氣成分的博弈，無論是AI還是人類車手，都無法百分百準確預判攻防雙方的路線選擇。更何況人類車手是有情緒的，他們可能會為了避免退賽做出避讓，也可能一時衝動毀了對手的比賽。對AI而言，究竟是為了勝利不擇手段，還是需要考慮到體育精神和人道主義採用相對溫和的駕駛方式，肯定也是很難抉擇的。
另外，對輪胎效能的感知以及對輪胎壽命的精準掌控，也是考量車手水平的重要引數。輪胎這東西其實很玄學，由於賽道情況千變萬化，一陣風、一灘水,甚至不同的賽道位置都可以影響輪胎的抓地力，再怎麼頂尖的車手，都不可能提前知道輪胎的極限，所以輪胎的效能就好像量子力學，只有透過觀測和體驗才能知道它的狀態。對於未知的狀況，AI很少會鋌而走險，只有“不成熟”的人類才會禁不起誘惑。
在今年的F1比利時站排位賽Q3，兩位年度車手冠軍的爭奪者維斯塔潘和漢密爾頓在透過一號彎時都採取了非常保守的路線，因為根據經驗，雨天中的路肩幾乎沒有抓地力可言，雨戰裡因為賽車壓到路肩而發生打滑的事例比比皆是，所以當時兩位車手都避開了T1彎心的路肩。然而拉塞爾卻沒有規避T1的彎心路肩，他就是因為憑藉更激進的路線，將一臺競爭力不強的威廉姆斯賽車送上領獎臺。在拉塞爾駛上溼滑路肩之前，沒人知道賽車是否會打滑。如果換成AI來駕駛，我想它大機率會選擇比較保守的走線，因為一旦發生打滑，收益就是零，冷靜的AI肯定不會學人類做這種“愚蠢”的決定。
最後我們再來說說用AI代替人類車手這件事值不值得這個問題。據美國法庭檔案披露，從2009年到2015年底，谷歌至少曾斥資11億美元開發無人駕駛技術。然而即使是在無人駕駛領域處於第一梯隊的谷歌Waymo，距離替代人類駕駛員還是有一段時間的。如今F1圍場裡身價最高的劉易斯·漢密爾頓，年薪“僅為”4000萬歐元，與AI相比還是便宜不少的，更別提諾里斯、勒克萊爾這些“價效比”超高的年輕車手了。與其花費大量資金開發賽車AI，還不如籤一個有實力的車手，其餘的錢用來研發賽車的空氣動力和引擎效能，肯定能有更高的收益。
其實說到底，賽車是一項團隊運動，車手、車隊、賽車三者環環相扣，缺一不可。同時，賽車又是一項充滿未知的運動，正因為有各種意外，我們才會對加斯利在蒙扎的救贖之戰津津樂道，才會惋惜馬薩在08年巴西站痛失年度冠軍。把車手都換成AI，那麼賽車就會失去本身的魅力了。
