如何評價王垠新博文《我看自動駕駛技術》？

12-28

http://www.yinwang.org/blog-cn/2016/02/12/self-driving-car

謝謝邀請！
提到自動駕駛，在中國道路上測試包括媒體展示已經有一段時間了。談談自己看法，真理不辨不明。歡迎參與討論與交流: )

首先又是定義，國際上有分類標準，但有些關鍵問題比如責任劃分仍然不清晰。國內對自動駕駛，無人駕駛的定義和分類標準的起草也在剛剛起步階段。
比如叫做「自動駕駛」（Autopilot）功能的特斯拉算不算真正意義的自動駕駛，這一點上我同意作者觀點。具體解釋可以參考:
輔助駕駛功能與自動駕駛有什麼區別？特斯拉的 7.0 是否可以算作「自動駕駛」？ - 特斯拉汽車 (Tesla Motors)

整體看這篇文章比較保守，因為自動駕駛這東西還沒出來，誰也不好說到時候出不出的來。

但是隨著駕駛員輔助系統的日趨成熟，穩定性可靠性有了質的飛躍，由智能汽車產業帶動的新型感測器（攝像頭，激光）發展迅猛。作為研發工程師，我更加相信，真正意義上的自動駕駛並不遠。

自動駕駛一定會經過一步步的演進過程，從最基本的駕駛員輔助系統（自適應巡航控制、車道保持）到高級的駕駛員輔助系統（擁堵駕駛輔助）再到真正意義上的有條件的自動駕駛，最終發展到全自動駕駛（無人駕駛）。
每一代產品也都實現了從功能到性能再到智能的發展。
一代一代的感測器、控制演算法改進併流傳下來，變的更可靠，價格更低。
當然IT企業可以掛個幾十萬的Velodyne 360度激光掃描感測器去做實驗，那量產的時候呢？不得不說，整車OEM和供應商在感測器研發上做出了巨大貢獻，當然也不否認谷歌在程序演算法上的領跑位置。

關於A.I.，最近看到非常多的討論，大概是因為AlphaGo。按照文中的邏輯確實幾百年也出不來自動駕駛。
但是，仔細想過么，實現自動駕駛真的需要人工智慧嗎？
自動化==人工智慧？
顯然不是，現在實現的自動駕駛，甚至無人駕駛基本不包含人工智慧，或者很少。
因為自動控制系統需要的是一套演算法，應對不同工況和環境。給定輸入就會有確定輸出。比如什麼時候加速減速，加速度是多少；什麼時候轉向，轉多少。都是設定好的。當所有的工況都被變成代碼和參數，當所有的邏輯都經過調試優化後，這就是一套完善的自動駕駛系統。
各家跑的路試數據還是需要人來分析，找到問題，用於修改代碼優化參數。這裡並沒有A.I.什麼事。或者說這些數據並不是用來做機器學習的。

那A.I.可以幹什麼？在自動駕駛上，最先應用人工智慧的恐怕是感測器的環境感知，比如圖像識別，自學習過程會讓識別變的精確可靠。但如果把人工智慧引入控制就會困難很多，因為你要讓機器幫你決策了。很多時候你給了確定的輸入，輸出是不一樣的，或者你其實也不確定它一定會輸出什麼。就像一個人學開車，新司機和老司機肯定不一樣。人工智慧發展還在起步階段，我相信將來，人工智慧會帶領自動駕駛一起飛，但顯然沒有人工智慧，自動駕駛照樣能飛起來。

最後，新事物要來的時候誰也擋不住，還不如好好迎接~

在我看來，這個人就是在象牙塔里蹲久了，完全分不清科研和工業應用的區別。

是，沒錯，機器學開車要一百萬公里，人只要一千。可是這個學會開車的機器可以複製一百萬份，平攤下來每台機器的學習時間只有一公里。而人呢？一百萬人學開車，每個人一樣是那麼多。作為著名計算機科學家，這點道理都不懂么？

汽車是一個龐大的產業。相配套的不但有各種嚴格的技術標準，甚至有相應的法律法規。定義高速公路最高限速100公里，和定義自動駕駛汽車必須靠右行駛，將左側車道留給手動駕駛車輛一樣，只是人為的規定。從這個角度來說，自動駕駛並不需要想科幻小說里一樣萬能的人工智慧。

而且，自動駕駛在行業內部早就有嚴格的時間表。從部分輔助駕駛，到高級輔助駕駛，再到全自動駕駛，每一階段都在按部就班的研發中。不了解這個行業，就請慎重發言。

最後說說Google的自動駕駛汽車。竊以為，它雖然已經成功橫穿了美國，但是如果技術上做不到跟周圍現實世界的互聯溝通，單純靠本體的智能判斷，那恐怕在實際應用中會遇到不小的瓶頸。所以沒必要一提到自動駕駛就把他家的車拿出來說事，好像全世界只有Google一家在做這個事情似的

以上

「普通人只需要開1000 mile就能學會開車，而這些自動車學習了幾百萬，幾千萬，幾億mile，仍然門都沒有摸到。」

這一點不敢苟同。一個寫c++的從完全不會Java到學會也只需要幾節課。普通人就算沒學過開車，但從小就一直在學習訓練不同光照條件下的物體識別，各種避障策略和運動控制(控制自己走路)，地圖構建和定位(一些參照物位置的記憶存儲，以及根據參照物確定自己位置)等等。你讓一個嬰兒去學開車，能1000mile就學會嗎？

首先我們確定智能駕駛行業有他什麼事，需要他來看嗎？現在人已經閑到喜歡對自己不熟悉的領域妄加評測了。。。（什麼叫100年無法實現）

現有機器晶體管的數量（幾個billion）當然不如人腦（接近90billion）。所以無法模擬人腦的思維是很正常的。

已經有大量的實驗證明，動物識別物體的方式，和一個deep learning network並無過大區別：每一個簡單的神經元進行簡單的工作（輸入、線性／非線性綜合、輸出等），通過訓練複雜的參數網路得到最後的分類結果，或許加上一些convolution。人眼會出現錯覺(illusion)的緣故，從一定角度來說，就是在於overfit了某些參數，想像能力太強罷了：在某些情況下，人甚至可以把火星上的一塊岩石誤認為貓。類似的圖像識別試驗已經在貓，狗甚至猩猩等動物上做過，kinect的表現也足夠好了。要知道，人類複雜意識的基礎，可能就是這些毫無意識的分類器。

關於那個貓的問題，總的來說還是人腦的神經元太多導致的。你給一個猩猩看貓的圖片說不定真的得訓練一年。換一個顏色就不知道了。

人腦是很複雜的，但是開車是很簡單的。這就是為什麼開高速的時候你會睡覺，因為基本上你只需要做這麼幾件事：

1，保持車距
2，轉彎
3，轉彎
4，保持車距

加上躲避可能的障礙物。

當然，複雜情況下的駕駛技術還有待學習，而汽車最致命的就是環境的不可控。其實我認為，智能駕駛汽車可以通過以點帶線，以線代面的方式，先approve幾條環境達標的高速路，允許智能駕駛；然後再逐步改造路面，使他們達到智能駕駛的標準，最後再實現智能駕駛。對於無法達標的路面，禁止智能駕駛。單純提高汽車的智能程度是無法實現智能駕駛上路這個目標的。上路，50%的責任在於路。更聰明的做法是，同時改造這條道路上的其他車（共享數據並且autopilot only）。

都智能駕駛了，簡單的路面標記和gps鎖還是可以做到的吧。

我覺得智能駕駛最大的好處，起碼是我的罰單會少100%。人當然聰明，但人犯起錯誤來，那也是驚天動地無人能及的。這時候還是機器比較好。

我個人認為智能駕駛取代的過程可以從火箭—導彈—飛機－火車－貨車－家用汽車－自行車這樣慢慢演化。其實我們現在已經處在演化鏈的過半了。

我認為他把駕駛所需的智能看得太高，而把機器學習的能力看得太低。

他這文章里說的很多內容，都是機器學習領域討論過一萬遍的東西了。尤其是：

其實跟人的思維方式，幾乎完全不搭邊。所謂「機器學習」，不過是一些普通的統計方法，擬合一些函數參數。

質疑機器學習的人經常這麼講。他們對於「統計方法、擬合參數」嗤之以鼻，宣稱「人可不是這麼學的！」。確實，現在機器學習模型的泛化能力遠遠不足，導致它們看起來很「笨」，但這些人又哪來的信心說人腦不是基於統計學習的呢？更何況這根本就不是問題的本質，正如圖靈測試所規定的那樣，只要在某個方面表現得和人一樣好甚至更好，誰又在乎是通過什麼方法實現的？

對於一些模式識別類問題，deep learning已經能有相當於人甚至超過人的能力。而自動駕駛，就是一個輸出空間很簡單，而輸入空間相當複雜的模式識別問題。現在自動駕駛的主要困難就在這個輸入空間的複雜性上——Google的自動車有在較差的天氣難以發揮、無法識別交警手勢等問題。但這些問題並非是在現有技術下無法解決的。天氣問題可以通過感測器信號處理的方式解決，而交警手勢則可以直接塞先驗知識進去。像王垠文章里說的實體精確識別，其實自動駕駛根本就不需要。

至於自動車學習成本的問題，就算要學幾億mile，只要達到了和人類一樣的駕駛水平，就可以讓幾億輛車同時具有駕駛能力。學習的成本在這裡不是關鍵，關鍵在於效果。

王垠說自動駕駛「至少100年，1000年…… 甚至永遠無法實現」，在我看來是危言聳聽了。通過上文對於自動駕駛問題特性的分析，我認為20年內有望實現。駕駛並不是一個需要強人工智慧的領域。

王垠看法在相當程度上是正確的，特別是他對所謂機器學習認識：「跟人類的學習完全是兩回事」，我在其它回答早就提出了相同的看法，某種程度上說，什麼「人工神經」，「深度學習」非常誤導人，應該用類似權重分類決策演算法，特徵自動提取、識別演算法等重新命名，回歸其普通數學演算法之一的本質。

具體到谷歌自動駕駛，很多人對其目前取得的成就相當樂觀，比如很早就在某種條件下通過了路測，幾乎離實際商用就差臨門一腳，但我同樣在其它回答里很早就斷言，這個項目以目前谷歌所走的技術路線根本就不敢投入市場，而實際上也是如此，這個路測在我印象中至少兩年前了，目前依然在測試中。。。。而我的依據就是我提出的目前人工智慧研究里的95%定律：靠演算法模擬的人工智慧至多只能模仿到人類95%左右，95%之前不需要什麼智能，靠數據處理分析就可以和人類判斷吻合，但剩下的5%只有像人類那樣思考才能真正解決，如果沒有解決這個（只有強人工智慧才能解決），意味著谷歌汽車將有5%的無厘頭事故率，並且對所有上路的車都一致，對於關係到人命的商業產品來說，這是不可接受的，它和人類那種駕駛失誤完全不同，一個人駕駛失誤導致了事故，只能指責這個人本身，不可能說整個人類大腦有問題，但谷歌汽車這種演算法類智能因果關係是完全可以推導的，最終會被認為是一種缺陷而讓谷歌賠錢（實際上這種比較不公平，人們會拿它和人類遇到這種事故場景下會怎麼做來比，說你的車怎麼這麼弱智，等於假定谷歌汽車是強人工智慧系統，但誰叫你敢拿出來賣呢）。所以，我說，這又是一個95%定律造成的人工智慧陷阱，以為都做到95%了，只要在努力一把就大功告成了，呵呵，我可以再等幾年，誰願意和我賭？

PS: 有些人可能我過於黑人工神經、深度學習等，其實我還是很欣賞其的工具作用，但不同意把它算作人工智慧領域的成就，推薦一篇文章：人工智慧迷途：計算機的高技能等於高智能嗎？，作者王培教授是研究通用智能的，雖然他自己做的NARS我覺得依然違背他的目標，也曾和他討論過，但他對人工智慧研究現狀和困境的理解卻很全面。

對於美國的交通狀況而言，駕駛其實並不複雜。一個老司機能做的事情，幾個行業領先的自動駕駛技術都能完成。

老司機犯了錯，輕則走保險賠錢，重則打官司，可是這些對於一項技術而言並不適用。

現在討論能不能實現自動駕駛已經沒有意義，值得討論的是怎樣程度的自動駕駛才可以大面積推廣。

感謝這人終於評價了一個我懂的方向，使得我了解了他的水平，從而對「該如何看待他之前評論的那些我不懂同時不清楚他懂不懂的方向」有了一個參考～～

看到這個題目，說實話一開始我的反應和曾博是一樣的，又是一篇「知乎范」的外行評價內行，但看了原文後，我反而覺得並沒有什麼問題了。王垠這篇文章的著眼點並不是自動駕駛，而是機器學習，問題在於他並沒有給出解決方案，單純的批判是容易的，但王垠結尾那句「不如做點更加實際，在短期內能夠見效的東西」卻正是目前的業界正在進行的方向

我們先來看文章，王垠在文章的開篇就很明確的拿出了看法，Tesla的自動駕駛是噱頭，只是目前的汽車巡航功能+，遠不如Google。個人不方便評論Tesla，但我知道的是目前的市場上某幾款汽車產品，已經可以在有清晰道路標線的路況下實現一定速度下的「自動駕駛」，也就是定速巡航+低速下的主動剎車+車道偏離預警+自適應巡航+併線輔助，如果我沒記錯Macan是70KM/H以下可以實現，這個和Tesla的區別大家可以自己琢磨。

對於Google的自動車，王垠的著眼點就完全集中在對於機器學習的不信任上面，從機器學習的方式到人機對於感知的差別，進而說明距離成功還有很遙遠的距離。個人目前已經離開了之前的項目單位，所以對於這一點的看法無法求證於專業人員，但是從我個人的理解，他說的還是很有道理的。

但光是批判是容易的，批評誰不會呢？解決方案呢？可能這是他這篇文章沒有直接給出的，我猜他也沒有什麼太好的辦法。不過結尾那句「不如做點更加實際，在短期內能夠見效的東西」，倒真的是最有可能成功的做法，也是目前企業界的做法。個人之前僱主的項目就是給某一線汽配廠商聯合了10大車廠中的4家發起，同時正在勾引其他幾家加入的「地圖資料庫」。該項目旨在通過全新的地圖和感測器技術，力爭在3年內，實現比現有的汽車巡航功能+更近一步的產品。

所以個人的觀點很明確，王垠對於短期能見效方向是正確的，比起前途不明的機器學習，依靠感測器，激光，定位，網路等為基礎，綜合起來的新一代自動巡航似乎才是更可以接近觸摸的方向，這也是Tesla做的。

例如給予一條道路上的主要標記物進行定位，形成標記庫，進而根據GPS和車載感測器計算相關距離確認，再計算得出自身位置和前進方向，附加已有的感測器進行碰撞避免，這些是不是比機器學習更能夠容易直接的實現呢？畢竟AI女神雖好，但是太遠夠不到，還是隔壁班的感測器女同學吧。

谷歌等互聯網企業在汽車網路領域步步進逼，難道傳統汽車企業會坐以待斃么？肯定不會
他們只是更謹慎，更加小步快跑罷了。

我覺得寫的挺好的，看法很明確，文章很容易理解，這個看法我認同。
但是

我覺得與其下注於完全的自動駕駛技術，不如做點更加實際，在短期內能夠見效的東西。

如果只做短期能見效的東西，人類不會取得現在的成就。並且，這句話如果站在用戶角度，那人家專註於做啥和咱沒什麼關係。如果從公司角度，有戰略布局的角度，有PR的角度，有各種原因，說的不全面。

其次

這些自動車學習了幾百萬，幾千萬，幾億mile，仍然門都沒有摸到。

我覺得機器最厲害的一點就是，一旦它入門了，那就飛了。這點人可做不到。

btw，我以前和專業人士討論時認為，實現人工智慧的最快（可能也是唯一）方法是：以生物層面模擬人類大腦，知其然不知其所以然就可以了。

我覺得這一段是這篇文章的核心，講的還是挺有道理的

如果你這麼想，那你可能根本不了解人工智慧（AI）。其實所謂的「機器學習」，跟人類的「學習」，完全是兩回事。舉一個例子，一個人類的小孩從來沒見過貓，你只需要給他一隻貓，告訴他這是「貓咪」。下一次，當他見到不管什麼顏色，什麼樣子的貓，他都知道這是「貓咪」。電腦不一樣，就算你給它上百萬張貓的照片，各種顏色，各種姿勢，各種角度，你拿一隻貓擺在它的攝像頭面前，讓它看整整一年…… 它仍然不理解貓是什麼，不能準確的判斷一個東西是否是貓。所以如果說電腦有智商，那麼它的級別就像一個蠕蟲，甚至連蠕蟲都不如。學習能力太弱，認識和適應環境的能力幾乎沒有。所以就算它再用功，「學習」再多的數據，都是白費勁。

不懂機器學習~但是懂開車。20w+公里有了。

開車安全其實並不是簡簡單單的遵守交通規則就可以了的。

安全駕駛需要眼觀六路耳聽八方。我爹是個200w+公里的老司機，他說過一句，開車安全不是避免你撞人，而是避免人撞你。
舉點可能會造成事故的情況。

晚上12點多路上看到一輛車搖搖晃晃的。兩車道。他速度為40公里，限速為60。前面和邊上沒車。後面一個車開著遠光。

晚上一條寬闊馬路。前方綠燈，車輛不多但各個車道都有車，當你距離綠燈100m左右的時候你車速60，綠燈開始閃爍。後面有兩輛跟你相距70m左右的泥頭車。

晚上一條兩車道馬路，車輛不多，有隔離帶柵欄但植物不多，對面車輛有幾個開著遠光很刺眼。你在小車道前方有三輛車，大車道有幾輛大巴和拖頭，前方隔離帶有掉頭區。掉頭後是一個小區。

傍晚高速上因事故堵車。前面大約4輛車處就是事故點，佔據了你和你右邊兩條車道。你需要變道到最右邊的車道通過。

這些情況其實很常見。但是如果你不注意的話很容易就會有事故發生。有些是可能有行人違規，有些是可能有車輛違規。你要站在他們的角度上來考慮如何避開他們。

我並不認為機器學習能做到這一點。畢竟你只能告訴機器什麼是對的。因為錯有無數種。

最合理的是開設自動駕駛專用道。但這和修條地鐵有啥差別。

我不知道機器學習是不是要在100年後才能實現自動駕駛，畢竟50年前的世界的人們根本沒法想像今天的一切。但是這肯定沒有google和tesla說的那麼美好。一切日常自動化設備都是在比人類靠譜4-5個數量級的時候才可能大規模推廣。目前？可能還低那麼一兩個數量級。

王垠一定會被噴的，因為他間接噴了機器學習

王垠評價自動駕駛技術，各位評論王垠。
都只是一個評罷了。

我沒有冒犯各位搞自動駕駛的朋友的意思。

但人類智能交通的普及一定是在飛行器上，而不是在汽車上。

我很認同王垠的博文的觀點。

1.電腦和人腦相比，最大的優勢是擁有超過人腦N倍的計算能力和存儲能力，但是機器卻在判斷能力上是非常遜於人類的。

目前的科學進展，希望通過增加機器的計算能力和存儲能力來超過人類，讓機器擁有人工智慧，其實看起來依然是非常難的，畢竟機器的優勢和人類的優勢是不太相同的。人類一直在發明某些方面的機器來代替人生，汽車比人跑得更快，機器人能幫助人類做繁複的甚至勞累的事情而不會覺得疲倦。機器能在很多方面勝過人類，唯獨在判斷力上，機器和人類相比一直是處於劣勢。

機器會不會有超過人類的判斷力？目前看來機器的判斷和認知依然是非常原始，我們希望機器通過大量數據的學習，獲得判斷力，的確在一定範圍內是有效的，也就是說，機器可以很快的從0-3，但是從3-10的判斷力學習起來非常困難。

2.在所有既定規則的遊戲中，機器是遠勝於人類的。但是對突發事件，不在既定規則內的事件處理較弱。

比如圍棋，象棋，這樣的既定規則的遊戲當中，沒有任何的場外突發因素，所有的圍繞在一個嚴格限定的規則裡面，那麼機器是非常強悍的，如果把這些規則囊括到各種不在既定規則的突發事件裡面，機器其實無法做有效決策。

比如王垠的舉例：

3.無人駕駛是AI應用的皇冠，而不是開始。

機器的AI應用毫無疑問是有非常大前景的，比如我最近觀察到一家成都的公司正在用機器學習，來回答淘寶的買家問題，這樣可以為大量的賣家節省非常多人力成本。比如機器學習可以用來推薦新聞，商品。

但是在無人駕駛這個領域，因為一旦發生事故可能就會有人因此死亡，所以機器的允許的出錯率是非常低的。之前和mobileye有過聊天（mobileye目前是特斯拉的無人駕駛的視覺感測器供應商），他們現在能做到50萬公里一次誤報（官方說法），從單次數據來說，這個的確是很低很低很低的，因為大概一個普通人10年也不會跑50萬公里。但是即使是這樣使用他們產品也需要免責授權，因為如果一台車一天跑250公里計算。相當於每2000台車每天就會出現一次誤報，也就是說中國所有的車都換成無人駕駛，在這個錯誤率的情況下。中國一共有2.7億量車，也就是說每天會有13萬5000次誤報，也就是說可能會造成13萬5000次事故。

這要真的把機動車的無人駕駛付出實踐，其實這個距離遠比我們預想要遠得多得多。

我認為的未來無人駕駛是這樣的：

1.首先會出現某些公路，會允許無人駕駛的車在這條公路上行使。原因是公路首先安排了大量的感測器，在每台無人駕駛車進入的時候，公路會告訴無人駕駛車現在的具體道路信息，包括，是否有事故，有維修在公路上進行，具體的公路上的汽車行使數量，這台車所在的位置，並且在行駛過程中，公路和汽車一直在處於溝通狀態，隨時汽車會知道公路上的情況，自己所處的位置，距離出口的距離。

2.公路有可能會成為決策者，當無人駕駛車數量達到一定數量以後，某些公路可能僅僅允許帶有無人駕駛的車在道路行駛，公路來做調度，這有點像是鐵道一樣的交通，只是鐵軌變成了公路，因為公路知道任何一台車的位置，那麼也就可以更為從容的調度所有的汽車的行使速度，間距。

3.在10年到20年左右的時間內，車輛的決策能力逐漸開始從大量的數據中學習，並擁有的足夠的決策能力，比如誤報率降低到500-5000萬公里一次，那麼無人駕駛車輛會獲准在更低級的沒有足夠感測器的公路上開行。用戶要承擔誤報可能導致的事故風險。（另一方面也就是GOOGLE那樣的激光雷達的成本降低，在某些天氣條件下，能活得足夠安全的數據，讓無人駕駛這件事情變得更安全。）

這是一個技術和成本的雙重博弈，這個博弈的重點在於一方面技術到提高到錯誤率足夠低，比如採用激光雷達，高精度地圖繪製，更多里程的積累。另一方面要成本下降到足夠的便宜，我指的成本可能不僅僅是一台激光雷達的成本，包括整個城市的道路高精度地圖的繪製成本，繪製方式，更新地圖的速度和方式。因為城市道路也在不斷變化中。

這個時候，無人駕駛應該能正常的進入市區行駛。真正做到滴滴，快的那樣的無人接送用戶。但是這個時候的滴滴還會是滴滴嗎？有沒有可能是某個汽車廠或者是掌握無人駕駛的技術公司，比如GOOGLE。

4.在足夠的學習以後，你的汽車也知道每天停回自家車庫，可能車庫也會用一定的智能改造，包括在車庫的精確定位，告知無人駕駛車車位的具體位置。

總得來說，無人駕駛並不容易，不會突然一下子就來臨了，但是這些改造也依然會真的逐漸變成現實，終有一天無人駕駛車一定會行使在路上，只是時間是多長。

因為我一直認為無人駕駛不僅僅是一個汽車上的事情，還包括了道路的改造，地圖的繪製和更新。

後面2個是目前大家都沒有注意的問題，大家總想在這個事情上把汽車搞定，站在一個更高的角度上。原來城市上並沒有道路標識，沒有紅綠燈，是因為有了大量汽車需要管理才增加的。甚至再原始一些，道路都是泥巴做的。而不是現在的瀝青。

這一切在等待更多的公司的介入，讓它變成現實。

百度騰訊樂視谷歌特斯拉等是『』人傻錢多『』？

這麼多大型公司的智庫決策都不如一篇博文分析的「到位『』？難道他們都要用百年千年後的利益吸引投資人？

自動駕駛真的需要強人工智慧嗎？

在我個人看來，感知行駛環境的感測器精度、模式識別演算法質量高低、路徑規劃演算法的豐富全面才是最影響自動駕駛發展的三個因素。而這三個因素每10年就會有極大發展、為何要百年千年之說？

另外反對博文最後的論調，看不到眼前利益就斷定無用，其目光見識也就如此了吧

很不同意他的觀點。

私以為這文章寫出來根本沒有任何學術水平。AI這兩年熱起來的本質，是相關計算機硬體計算能力極大地增強，以及開始出現大量的數據集用來訓練導致的。並且自動駕駛這東西本來就不是一夜之間變出來的，對於眾公司宣稱的自動駕駛目標是有切實可行的技術路線圖的，比如2015年實現高速公路的半自動駕駛（volvo和tesla），2016年實現鄉村公路的半自動駕駛，每一步都是在前面的基礎上進步，是很紮實的。說tesla根本不算自動駕駛只能算adaptive cruise control的更是不對，技術這東西從來都是迭代更新來的靠譜，一個本來就成熟的技術，就應該在他的基礎上迭代更新出新的功能，為什麼要拋棄掉重新弄一個呢？從演算法方面來說，很多相關的演算法其實早年都有研究的paper，都是有學術理論基礎的。tesla等幾家公司似乎也不是完全從頭自己做的，mobile eye這家公司發了很多力，剛剛還在油管上看他們家的presentation，晶元都是自己專為CV設計的比單純在GPU和DSP跑的都輕鬆的多。從實踐方面來說，youtube上有人po出來完全靠tesla的輔助駕駛從波士頓開到奧蘭多的視頻，看起來非常的promising。

總之，我認為自動駕駛，或者說目前是輔助駕駛技術，能夠達到不錯的程度，而且擁有紮實的基礎，幾家大公司從硬體，軟體演算法，測試方面都在下很大的功夫。我很看好自動駕駛技術。

比較同意@曾博老師的回答，在人類識別貓的例子里，除了神經元數量的差別外，還有一個重點是人類的神經元參數應該是在第一次看到貓之前就訓練過了，他之前只要看過類似概念的東西就可以學習它們的特性。更別說在人類出生前通過遺傳得到的參數了。所以他這樣直接拿來對比太不公平了！

這個評論非常差勁，悲觀嘲笑，觀點片面。
首先悲觀就不對，嘲笑就更顯得刻薄了。什麼東西挑不出點毛病。

無人駕駛是一個交通行業，而不僅僅是技術，更不僅僅是深度學習。
王垠的觀點就好比：飛機不是很牛嗎，遇到鳥群還不是要悲劇，和鳥的飛行完全是兩碼事，飛機沒有機場根本就著陸不了。

行業講究實用可靠，實驗室里的機器人、智能車再不靠譜，只能說他們是既有長處又有不足，只要有足夠的利益推動，肯定會變得又實用又可靠，方法就是揚長避短。

隨著雷達成本的降低和硬體計算能力的提高，無人車很可能已經越過價值=風險這個臨界點，只要在場景上限制一下，便能對社會創造利益。高鐵需要重新鋪軌道，還不是鋪遍全國？

不過，我比較贊同的一點是，不要什麼東西都拿人工智慧、深度學習來撐門面，雖然它們是大明星。

曾經有個專門做中國無人車挑戰賽的教授演講，最後PPT有一頁，無人駕駛的未來是GPU+深度學習嗎？這是個開放性問題，該教授並沒有回答，他的PPT里涉及很多內容，圖像、雷達、GPS、地圖、規劃、控制，等等。

講完之後，一個創業公司的負責人提問，你們怎麼處理一些corner case？
那個教授一臉蒙蔽，what？我沒聽清？你再說一遍？
然後倆人驢唇不對馬嘴地對話了幾句。
這個創業公司負責人是專門搞深度學習的。他的風格更像是一個程序員，考慮的更多是學習啊訓練啊測試效果啊什麼的。

我會更相信那個教授的團隊做出來的無人車，畢竟他的車是實實在在跑過，而且坦言車輪壓到馬路牙子是常有的。