一提到AI人工智能就一定繞不過之前火熱一時的網紅阿爾法狗（AlphaGo），但現在已經過時了。
大數據和學習的重要
2017年，它（他？）與當時的圍棋世界冠軍柯潔的驚世之戰深深的留在了人們的回憶中，之後，每次問到成功的秘訣，此狗都會謙虛地說，多虧了大數據鏈和深度學習。
人工智能及自動駕駛的數據重要性
現在，作為AI人工智能另一重要分支的自動駕駛技術，同樣繼承了這兩樣法寶，在AI人工智能的世界裡，要想跑得好先要跑得多，一輛即使全身上下都是雷達和攝像頭的汽車，也是隻具有自動駕駛技術發達的四肢，行駛過程中收集的實時數據鏈需要經由過程聰明的大腦來論述，才幹得出準確判定，而這個大腦是需要大量的數據鏈來進行訓練，正如AlphaGo吃盡了數百萬人類棋譜，並不斷進行自我對弈、自我訓練，才鍛煉出這顆接近完美的大腦。
虛擬世界模擬訓練
詳細到自動駕駛技術，數據鏈最重要的兩個來源則是現實世界裡的汽車數據鏈和虛擬世界的模擬器訓練，二者是缺一不可的，共同驅動自動駕駛技術的不斷進化，真實的行汽車數據鏈非常好理解，它主要來源於自動駕駛技術測驗汽車隊和已經上路的量產汽車的實際數據鏈，得益於科技公司、汽車企業在自動駕駛技術方面的不停進入，在國內幾個城市，頂著旋轉的小攝像頭穿梭於大街小巷的測定汽車越來越常見，它們為自動駕駛技術收集了大量真實的道路行駛數據鏈。根據前不久由北京智能汽車聯產業創新中心發佈的《北京市自動駕駛技術汽車輛道路測驗報告(2019年)》顯示，截止2019年年底，各企業進行自動駕駛技術路測的汽車輛累計達到77輛，測驗總里程超過104萬公里。
自動駕駛的測試及斯特拉的優勢
自動駕駛技術的路試在全世界範圍內正在火熱進行，這些道路行駛數據鏈精確而且全面，是最具有含金量的，除了主動測驗，每天奔馳在全世界各地的汽車也是一座非常龐大的數據鏈金礦，受傳統觀點和技術的限制。它們並沒有被開發利用或僅僅開發了一小部分，而隨著自動駕駛技術的逐步迫近，這些數據鏈的力氣將迅速崛起，舉個最典型的例子，最具科技基因的汽車企特斯拉在最開始的產品設計理念上便極其看重道路行駛數據鏈，經由過程其全世界用戶應用Autopilot的道路行駛數據鏈反過來練習並完善其自動駕駛技術系統，形成了非常成熟的數據鏈閉環，每一輛奔馳著的特斯拉都在滔滔不絕地為其提供數據鏈原油，如今這也是特斯拉最大的優勢之一——讓我們通過數量級的對比來感受一下。
行駛數據及連接
截止到2020年1月，特斯拉已收集超過20億英里的道路行駛數據鏈，相比之下最強的對手谷歌Waymo，僅收集了2000萬英里的道路行駛數據鏈，當然在這一方面，傳統汽車企以及網約汽車公司也在不斷的操控著各自的優勢不停用勁，除了積累真實世界中的數據鏈，建立在電腦上的模擬仿真測驗也在變得越來越重要，簡單來說，自動駕駛技術的模擬仿真測定就是通過軟件模擬汽車機能和操控、交通道路狀況乃至氣候、環境等各項參數，讓汽車在虛擬世界中行駛並積累經驗從形式上看，二者的確是相通的，如同一部大型的RPG遊戲，來還原足夠真實的場景，模擬仿真測驗的優勢非常明顯，第一，它可以在很短時間內補給自動駕駛技術非常多的數據鏈，在電腦能力越發強大的今天，模擬仿真訓練是非常高效的數據鏈獲得手段，終歸它是不需要遵守實際天地中的時間，而且允許多線程同步運行。
虛擬與實際駕駛的發展模式正在日益發展
根據數據鏈表示，Waymo公司的模擬自動駕駛技術測驗在2019年7月總里程就已經到達100億英里，而在2018年9月時，這一數字還是50億英里，第二，它允許測定極端狀況，同時躲避測定汽車輛的風險，有的極端場景可遇不可求而且浪費時間還很吃力，實際測驗時還有可能會對汽車、人員和周圍環境造成危害，第三，針對一所有些場景可以節省經濟成本，一切都在電腦上運行，不需要派多餘出汽車輛和人力，並協調相關的測驗場地，可以說，模擬仿真測定已經成為自動駕駛技術必不可少的器械。然而全面考慮到這些優勢，我們又不能得出模擬仿真測驗可以完全取代實際測驗的結論，即使圍棋再混亂，它始終是單個縱橫交錯必定法則且有限的天地，而真實世界的各項參數則是隨時變化的、無窮無盡的，個體的行為沒有辦法準確預測，道路環境每天在變化著。
因此自動駕駛技術仍然需要實際的經驗數據鏈和數學模子一起來回答，甚至可以說，仿真模擬測定應當更加的起到輔助影響，按照現在的經驗和理論，我們還無法斷言在這兩個引擎的驅動下，自動駕駛技術最終會發展為什麼形態，但虛擬與實際並駕齊驅的發展模式正日漸清晰。
閱讀更多 車巡古道 的文章
