*数据积累
围棋人机大战轰动一时，但AlphaGo在学习围棋技能时，通过大量数据分析了3000多万步职业棋手棋谱,并通过增强学习的方法自我博弈,寻找比更优的棋路，才取得了傲人的成绩。而自动驾驶汽车也需要海量里程的实际路测，2016年美国智库兰德公司给出了一个准确的答案：路测里程需达到110亿英里。大量的路测试验以及后期分类标定、数据处理，尚且存在着许多不确定因素。如果各个车厂能把自己的数据共享，可能会加速自动驾驶的落地，但很显然核心数据是保密的！
HERE地图上线云导航服务 加强自动驾驶（图片来自Yahoo）
*逻辑难题
在现实生活中，路况千变万化非常复杂，自动驾驶稍有不慎就会造成人员伤亡。除了海量的数据分析及预设的决策依据，如果想要在非铺装路面或特殊环境保持高精度自动驾驶，还需要AI在自动驾驶领域的进一步发展与利用。
虽然交通法规日益健全，但全世界范围内依然存在着不遵守交通规则的人、自行车。有个很经典的事故假设：一辆快速行驶的自动驾驶汽车，但前方路口有多人违反信号灯横穿马路，仅有一人在路旁等候，这时就需要自动驾驶去决策，是直行刹车撞多人还是转向刹车撞一人！这不仅仅是交通法规、法律的范畴，还有道德、人性的因素包含其中，自动驾驶它能懂吗？
深度学习的概念源于人工神经网络的研究（图片来自http://www.sohu.com）
*算法难题
在既定的决策范围内，更多的样本数据是通过深度学习去理解、分析的。深度学习的概念源于人工神经网络的研究，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习已经席卷了AI领域，但深度学习并不是万能的！深度学习没有分析能力，不知道原因也无法预测，它基本上取决与样本以及所要求输出的特征值。很显然，对于高精度自动驾驶来说，深度学习需要更理性的决策！
推荐相关阅读：
本文属于原创文章，如若转载，请注明来源：AI这么拽！算法却成自动驾驶绊脚石//gps.zol.com.cn/692/6928779.html
