定义世界的软件（SDX）
目前，自动驾驶存在一些问题：数据要求过高，未来传感器成本难以接受，大量地图数据无穷无尽，对系统的安全要求较高...这些问题似乎很难使用目前的问题AI技术解决。所以最近有人在知乎上问:自动驾驶什么时候凉，估计要多久？引发热议。对此，一位计算机工程师@zhzz他用足够的论点详细讨论了自动驾驶面临的困难，并对该领域的未来提出了自己的看法和展望，得到了许多人的认可。这篇文章的内容是工程师的回答！
问这个问题意味着你是个专家。目前，自动驾驶的难点主要在于感知和决策规划。纯视觉路线基本上是game over了，虽然以后，算力会越来越大，越来越便宜可以实时跑更复杂的神经网络模型，但是，这些模型，或者视觉这种手段本身就很有局限性，并且，训练成本也高，受环境影响大，基本上不可能达到商业水平；现实道路的复杂性和现实世界几乎无穷无尽的变化很难完全拟合有限的数学模型（神经网络模型）。一个典型的场景，红绿灯或交通标致相对简单有限，但在香港，东京狭窄的绿色广告牌街道很难准确识别。一个典型的场景，红绿灯或交通标致相对简单有限，但在香港，东京狭窄的绿色广告牌街道很难准确识别。当然，你可以使用一些技术手段，比如锁定搜索区域，并使用它V2X 5g车联网等帮助，但这不再是纯视觉问题；
另外，我个人觉得决策规划属于深水区，可能只知道了。google开始触及这个深度。当人们开车时，他们会做出很多实时的决定和预测，很多经验判断，做一些潜意识的逻辑思维，目前的深度学习，传统的解决方案，不能做人类思维、推理、类比、联想思维能力，举一个简单的塑料袋，或很多落叶，雷达，或视觉是障碍，可能停车或紧急避让，但是，人们会知道这件事，直接打开过去，或者，经常遇到，一个小水坑，或阴影，视觉可能被误认为是障碍，当然，雷达可能会告诉你这里可以通过，此时，你的环境集成建模逻辑如何写？更相信雷达，还是视觉？更相信雷达还是视觉？是走还是停？当然，这也涉及到感知问题。如果你说我认识到所有的感知，我就开车去。这基本上是不现实的。你的决策和规划模块很难为每个特殊场景写一篇文章if - else判断，这种情况在现实中几乎是无穷无尽的；此外，看看路边的小动物是否减速，听到警车或救护车警笛是否停下来避开，与垃圾车保持距离，甚至车上的乘客也不同，是自动驾驶到最近的医院还是派出所等，都写成了吗？if-else判断么？
稍微了解一下技术，就能立刻意识到上面提到的这些问题目前几乎没有工程化的好的彻底解决方案。
当然，你说，我们可以依靠大数据，我们可以收集非常非常多的驾驶经验数据，通过云大数据判断，这相当于我们有一个世界优秀的驾驶员经验池，自动驾驶汽车不需要理解这些行为的原因，只是根据最合理的参考场景；
事实上，这也是目前自动驾驶的主要发展方向，即道路协调。可能是自动驾驶的人是世界上最渴望的5g，云计算是一群早期推出的人。目前，车智能遇到的各种瓶颈，我依靠智能道路来突破，汽车智能的局限性依靠智能城市智能道路来弥补，如监控摄像头，道路上可能会有更多样化的布局。城市传感器可以帮助车辆提前、更广泛、更准确地感知周围环境，并通过更实时的网络将信息发送到车辆端部；在路上，车辆可以互相组建一个网络，告诉每个人他们的位置和驾驶状态，并相互合作。前车分享后车的经验，如前车可能的拥堵，或避开维修路段等；数据中心将协调交通流量，使当前交叉口、环岛等问题变得非常简单；
当然，这是一个非常美丽的愿景；然后你也可能意识到，这可能比最乐观的自动驾驶着陆时间要长得多，所需的投资也很大，毕竟，这意味着我们几乎需要翻新城市交通基础设施，改变城市的设计和建设理念可能会遇到难以想象的技术和工程问题，都需要时间和巨大的投资来解决；
那你说，为什么要这么复杂呢？难道不能让车像街上的小老鼠一样钻来钻去，见人就躲，见缝插针？我真的认真思考过这个问题，因为目前依靠各种雷达的组合，使用已知的技术手段，基本上可以检测到车辆周围几乎所有可能构成危险的障碍物，所以，我只使用最简单的逻辑判断，无论是叶子，还是行人，车辆都没有大脑逃跑，使用强大的计算机，做世界武术快，想逃离街头老鼠可以吗？当然，它也涉及到许多动力学建模，并不一定能避免所有的障碍，例如，避免侧面的汽车，但由于机动性的限制可能会撞到前面的汽车或护栏；
事实上，这种设计应该已经存在，以避免潜在的外部冲击，而不是主动冲击他人。然而，无人驾驶在路上仍然需要与其他车辆进行一定的互动，这种互动必须遵循交通规则。例如，与车辆保持距离和一定速度，转弯直行，如不能随意变道、红绿灯、环岛、十字路口等。有相应的规则需要遵守；无人驾驶系统的开发者必须实现这些规则；具体到规则实现，规则遵守应用，回到上述行为决策问题。对应到目前一直的情况，实际上装配有多个激光雷达，毫米波雷达的google和baidu的L4无人驾驶计划基本上没有听说过碰撞，但往往很愚蠢，尤其是在十字路口，经验者经常提出反应迟钝或过于谨慎；（特斯拉的设计非常激进，没有激光雷达，只有一个毫米波和一些相机，而且决策规划模块的驾驶策略设计似乎也比较激进，感觉就像上面提到的小老鼠逻辑，所以总是撞)；
因此，综上所述，感知能力有限，没有真正的思考和判断能力；
事实上，这也是目前所有人工智能的局限性荐UCLA朱松纯教授的一篇很受欢迎的文章
探讨人工智能发展现状的文章供您参考：
https://www.sohu.com/a/227854954_297710
所以回到主题的问题，无人驾驶什么时候冷，如果你仔细阅读上述分析的无人驾驶困难，朱松春教授的文章，那么有可能得出这样的结论：
在这个阶段，真正能够大规模应用和完全放开手脚的无人驾驶可能不是一个好的商业尝试。
或者通用无人驾驶技术(注意排除有限场景的通用无人驾驶)现阶段不适合工程化和商业化；
根据以往的经验，能够大规模传播、大规模商业化的东西，必然能够轻松利用现有的技术和工业基础，先进行工程化，然后通过大规模工业化生产降低成本，然后广泛应用，创造利润。
工业生产的前提是技术本身已经完全完成了三个准备阶段：1。理论突破是一件事。科学家们很早就从理论上预测并证明了它的可行性。2.技术突破，这一阶段基本相当于在研究机构以非常精英和专业的团队突破技术实现的障碍，实现或接近理论预期Demo，样品；3.工程化，主要解决产品设计，方案优化，功能完备，性能提升，良品率，鲁棒性，可用性提升，大规模复制的技术准备，成本降低等工程问题。
例如，与手机和无线通信相关的理论和尝试大约在100年前开始。然后，三元电池在20世纪80年代制作了当前的原型，低功耗芯片基本上出现在20世纪90年代，其他射频、网络等理论和技术储备也有几十年的历史。从理论到概念，想象成品需要很长时间。
事实上，工业化、工程化高科技产品、大规模集成电路，OLED，量子点，其相应的理论和技术储备通常需要20年或更长时间才能从实验室转变为实用；毕竟，企业的工程师通常是在科研人员的肩膀上工作的。首先，科学家和大型研究人员给我们指明方向，铺路，然后我们做一件事。我认为在任何其他领域的工程师熟练地使用成熟的产品开发方法，只有无人驾驶工程师整天密切关注行业会议，所谓的最新进展在著名的期刊，我甚至看到一个大工厂招聘无人驾驶相关工程师明确要求熟悉各种state of the art最好发过顶刊，投过顶会，有点可笑。由此可见，一群学生(博士生)正在开发自娱自乐。也可见这一领域还是有多不成熟。正常情况下，工程领域更倾向于通过实践和产品检验来成熟稳定，这在无人驾驶中是不存在的。
最重要的是，人们的理论可以从一开始就清楚地证明，这些产品必须在技术上实现什么样的性能；
事实上，在第一阶段和第二阶段尚未完全完成的情况下，通用无人驾驶直接进入第三阶段；
目前还没有理论证明我上面提到的问题可以完全解决，这涉及到回答当前人工智能和机器学习技术（包括但不限于深度神经网络）所能达到的能力极限；至少我不知道任何能够回答能力边界的研究。或者更清楚地证明，通用无人驾驶所需的智能在当前已知技术的能力边界内。
显然，当时参加darpa竞赛科研团队制作的无人驾驶研究团队Demo，包括那么多年过去了，那么多投资各大大小小的公司。Demo这种可行性在技术上是无法验证的。(这里特别现实世界的各种复杂场景下，通用无人驾驶所需的驾驶能力和行为能力完全超过了人类。目前很多方案都可以低速跑公园，跑仓库)；
因此，事实上，我个人认为，一般无人驾驶最好呆在大学或研究机构，探索基础工作。当基础理论、技术和能力积累到一定程度时，工程和商业化的实施是很自然的。
投资无人驾驶的人实际上是在赌博。他们都在赌缺乏的理论。技术突破可以在不久的将来突然出现。当然，这种可能性是存在的。然而，这一突破也可能迟到几十年，这是未知的
我个人的观点，甚至不到10年，最多5年，如果你仍然不能突破当前的瓶颈，投资将大规模退出这个领域，也就是说，房东说无人驾驶很酷。事实上，这一趋势已经非常明显，新的投资很少进入。然而，该技术本身不会消失，并将继续存在于各种有限场景的应用中（市场规模很小，无法承受大规模投资）。同时，无人驾驶技术将退而求其次生出的智能辅助驾驶将获得极大应用和推广，用来提升司机的驾驶体验和行车安全。
而当终于有一天，我们的城市，我们的道路都变得更加智能，或许期望中的无人驾驶就将到来。
引用一篇比较新的文章支持一下观点
https://zhuanlan.zhihu.com/p/162110742
统一对评论中的一些争议跟疑点做个解释：
首先再次说明一下上面的主要观点，感知能力有限，驾驶行为决策的实现上目前业界主流还是人为的写各种规则（可以是基于状态机，基于各种参数判断，或者一些相对来说比较简单粗暴的自适应逻辑，上面简单用if-else这种比较不严谨的说法，大家知道啥意思就行了），其实就是根据测试发现的一些badcase，cornercase去用一些trick规避掉，要表达的就是目前这些规则的实现还是程序员告诉车（电脑）去怎么干，车本身是不具备智能的，不具备推理，类比，联想的能力，本质上这些规则的实现跟实现一个淘宝下单，外卖点餐的业务逻辑没有太大区别。
你针对某个特定场景，你实现什么规则车就怎么开（比较理想，假设没有其他bug），你不实现或者环境稍微有变化，车就不知道怎么办，表现的很傻，或者出现一些危险的行为。这就是业内通常说的泛化能力，目前的现状是，这种搞法泛化能力很弱，甚至没有泛化能力，泛化就是去堆砌规则，或者，对于感知，就是重新训练新的模型。
评论里面还有提到waymo，cruise等发布的视频看上去很美好，我一点不怀疑这些视频全都是真的（当然也有厂商的是假的，比如我就明确知道国内某厂某次发布会上的视频是花了很多钱找拍电影的人一小段一小段拍完然后剪辑出来的，曾经还有创业公司找风投忽悠的时候，背地里实际上是让人拿笔记本遥控的车辆，这个国内国外都有，不是啥秘密）。
业内人士可能会比较容易理解一些，waymo，cruise等发布的视频看上去很美好的原因是他们发布的视频里面那些场景，绝大多数视频，本身就是相对来说比较理想的测试环境，晴天丽日，道路开阔，车不是很多，行人车辆也都很遵守交通规则，车流，人流都相对稳定，需要通过的路口，岔口视野也比较开阔。
而实际上目前无人驾驶工程师大部分工作都是在想办法cover一些测试中遇到的badcase，或者是做泛化；也就是常说的无人驾驶做到60分70分80分不是特别难，github上各个业务模块的开源方案简单改吧改吧，拿来拼都可以拼个五十分甚至六十分能让你简单场景下，上路跑起来的方案，做到85分，90分难的上天，如果要商用要求你做到99分以上。
上面是曾经遇到的一个case，一个通道两边是墙，墙中间开个岔口，有车辆行人进出，在岔口前后的车辆根本看不到岔口里面，不管是上多少雷达，多好的传感器，就是视野盲区，然后有次正好有车要出来，幸好提前减速，车速不快，不到10km，如果安全司机不接管可能就直接撞了。你说我实现策略，见到路口就减速，确实是这样，减速了，减速不够我停车，看清楚再走，好了，这就到上面提到的问题，有报道（网上可以搜到）体验waymo，baidu的有反应车辆过路口，或者车多的时候，无人驾驶就表现的很迟钝，车少的时候你迟钝就迟钝了，你可以想像上下班高峰，你后面跟一屁股车，还有性急加塞的，明明就可以走，你在那里趴窝不动了，后面车喇叭能按翻天；事实上，有路测经验的多少都遇到过，刚开始做的不太好的时候，无人驾驶莫名其妙就来个急刹，或者好好的停下来趴着不动了，你不干预就不走，你能回去查日志，回放包，看看啥情况。你说上面的情况人也处理不好，我可以明确的告诉你，人高明多了，绝大多数情况下人类司机都是很安全顺滑（注意顺滑这个词）通过，人类可以听声音(waymo 现在已经上道路声音检查，貌似报道出来的是检测警笛之类的，这种比较模糊复杂判断不知道有没有)，或者看通道有没有车灯打出来，或者看前面不远有车通过，就能推理出岔口没车或者岔口里的车提前让了，然后紧跟着开过去，根据经验估计会不会突然有个美团，饿了么小电驴窜出来，总之老司机可以根据各种蛛丝马迹，还有经验来动态的做出最优的决策。目前已知的手段，你很难通过人工智能也好，或者别的什么办法也好去模拟人类的这种能力。
还有与其他车辆，行人的互动，中间可能是有个相互试探的，比如超车，狭窄道路对向错车，最终形成一致的策略，无人驾驶就很傻，你要超车我就让，你要错车我就停，因为这个实现起来最简单。但是在某些目前还没测试到的地方，这种可能也会造成一些不可知的问题。比如对向错车，要是两个都是无人驾驶，都主动停下让对方，执行这种简单的策略，可能两个车全趴着不动等对方先过，就堵死了。当然肯定可以有办法设计一个复杂一点的策略避免这种情况。还有高峰期，一堆人，一堆车过十字路口，我就想看这些的视频，这些waymo，cruise怎么都不放啊？当然高峰期，十字路可能也不允许他们去测就是了。
更不用说下大雨，下雪，下雾，路面积水，长隧道，天黑满大街霓虹灯各种闪。反正没听说哪家工程师找刺激（给自己挖坑找加班）去测这些的，但是你商用的话，cover这些是最基本的，因为这些环境人都能开，我印象中很多年前我上学的时候，当时请一个日本老头给我们讲无人驾驶，老头举个例子我至今印象深刻，就是他们日本北海道，一到冬天就大雪一片白，连树都是白的，做视觉的知道一片白就是缺少纹理，目前的视觉手段大概率要吃瘪。人也不好开，但是可以开，可以通过起伏，绿化带之类的判断车道，可以跟前面的车辙，视觉怎么搞，烧香求祖师爷显灵，让自己辛辛苦苦训练的交通标志模型，正正好好的把车辙识别成车道线吗？当然你说我靠RTK，靠高精地图，靠激光保持定位，OK，先不说RTK某些时候会失败，激光这个问题我们原来也是遇到过的，不考虑成本，不考虑数量什么都认为非常理想，我们原来夏天采的激光地图，到秋天不好使了，为啥呢？树叶子秋天都掉了，点云配不上了，你说你更新快，好的，上面下雪的情况，你前天没下雪，光秃秃树枝采的地图，下一场雪可能也就几个小时，树枝挂满雪了，我估计相当大概率你点云还是配不上。配不上还好，就怕配歪了，雪地打滑你轮速积分也可能是错的，配歪了可以把你的kalman滤波也好，sliding window优化也好给拉歪了，用卡方检测，上联邦滤波，用各种冗余核验可以干掉绝大部分拉歪的情况。毕竟还有IMU是好使的，如果无遮挡GPS/RTK也是好使的。那么有没有可能就是给你拉歪定位到沟里的情况呢？很有可能，概率问题，这种情况车就很傻，一定是闷头往沟里冲，人就不会，人可以根据环境做非常综合的判断，这种综合判断的能力，目前很难用程序实现。
最后说泛化的问题，无论感知，定位，规控做到目前最头疼的就是泛化。泛化能力才是人工智能的深水区，人类的智能强就强在能推理，归纳，类比，联想举一反三。感知，规控的日常各种调参，调参干嘛呢？就是去适配各种场景，各种badcase，但是缺少泛化能力。常见的一个现象就是费力吧啦的调了一套参数，写了一个规则把一个badcase覆盖过去了，场景一小变，又不好使了，甚至，动一个参数这个badcase 混过去了，另外一个曾经已经pass的场景又挂了，跟打地鼠一样，按住这个洞，另外一个洞又露头了。
评论区有个貌似做控制出身的大佬说，其实万变不离其宗，车辆控制就只有那几个变量，那些个状态，这句话说的非常对。但是，现实场景是千变万化的，针对某个具体的场景你需要去调整这些状态，然后形成一个最优的行为，那么怎么让车辆自己在无人干预的情况下做出这种调整是最难。现在主流还是开发人员去识别这些场景，然后，编程教车去怎么干，车没有这个自主的智能。或者仅仅具有非常非常有限的泛化能力。有提到什么模糊控制，智能控制，自适应之类的，我也不懂，也只是听说，评论区有控制专业的大佬，可以解释一下在实际工程中这些高端玩意儿到底有多实用？应用范围多广？反正我自己见到的情况目前普遍还是PID为主，加各种针对特定case的rule或者少量的自适应逻辑。其实这就是我上面说的加if-else的意思。
再次注明一下，上面讨论的车端实现，文章前面也提到过，评论区也有说明，配合云端大数据可以为这些问题提供一些解决思路，并且特斯拉，mobileye已经在做这方面的探索，甚至业内有怀疑特斯拉的无人驾驶能力近两三年突飞猛进就是因为他们有海量的第一手的人类司机实际路况的驾驶数据，方便他们后台训练模型或者优化算法。但是具体怎么做的，都是各厂的机密不会公开出来的。
重申一下我对「凉凉」这个词的观点，不是无人驾驶就消失掉了，不发展了，而是商业化落地受阻，资本大规模退出将会在可预见的较短时期内出现，产业界无人驾驶投资和研发热潮会冷掉。
我只说我了解到的基本情况，做的好的waymo，mobileye，他们具体怎么去实现，都是机密，我不可能了解到，从公开的资料看即便他们依然在努力突破瓶颈，做的时间最长的Google差不多做10年了吧，依然没突破，Google有钱，再养10年也能养，也还是为了财报好看把这块业务单独剥离出去融资成立了waymo，其他靠风投吃饭，今天搞个大新闻，明天拉个大项目的创业公司呢？注意看我的回答，我不是说这个技术会消失，而是追求短期回报的资本不可能一直耗下去。
有评论要求对5g，以及云端智能做补充说明，这里补充一些观点：
5G标准很庞大的，有关工业物联网的那块标准有个局域的概念，比如50米100米范围内车辆局部组网，这个局域网内延迟很小，就好像你自己家WIFI，假如ipad连你电脑需要经过某个应用厂家数据中心的服务端再回来就很慢，但是局域网内部仅经过WIFI路由器直接互相访问就很快。这个可以解决需要快速反应的车间互动问题，数据中心那边延迟大，且不说数据中心处理延迟，就是从基站通过若干个路由器，经历各个不通网段走到数据中心，然后再返回车端，这段的时延以我粗浅的理解5g跟现在不会有太大区别的。云端解决大范围，时效性要求不高的宏观性问题，以及收集海量数据做某些后处理的形式的分析，优化。比如，局域网内通讯的汽车互相沟通相互间位置，速度，自己局部行驶路径，云端调度整个车流的状态，比较大的区域内，道路传感器节点观测信息，通过海量数据分析训练出更好的驾驶策略下发车端等。
有个问题必须明确：上5g也好，上云端也好不是为了取代车端智能，而是简化车端系统的设计，降低对车端智能系统实现上各种指标的需求，来帮助突破目前车端智能无法突破的瓶颈性问题。
如果通过联网知道其他车辆的状态是不是相当于多了一个非常可靠的观测数据源，并且实际上其他车辆还可以把他们观测到并且经过处理的周围环境，周围其他车辆检测到的障碍物，道路状况实时发送给你，是不是相当于单辆车的感知能力成倍增长，很多还在你的盲区之内，比如前车遮挡住的你的视线，或者，经常遇到的，某些漏检，误检，但是其他车辆在它所处的观测角度能够更好观测更准确检查出来，算上路上其他传感器，比如监控摄像头，路边测速仪等，对于做感知的是不是发现突然生活就变得美好许多了。如果车辆信息互通，超车，过十字路口，对向错车，提前给周围车辆发请求告知，然后通过统一的策略协调是不是可以大大简化规划控制的设计逻辑，提高安全性和效率，是不是比目前要靠猜测去预测其他车辆的行为安全靠谱？车端你自己去识别，然后设计逻辑回避破损需要维修的道路，或者你之前某处突发交通事故，然而，你前面的车辆正好挡住你视线，它突然急刹车，你要跟着做出反应，先不讨论车端怎么实现，能实现多好，这个问题方车端是不是又困难，又不可靠，如果你之前的车辆给你共享了这些信息，你只需要最简单的规避逻辑是不是就可以，你前方车辆的突然行为比如马路上突然穿出一条狗，它要紧急刹车或者猛打方向盘避让，通过数据链共享给你，你甚至能在它发生可观测的运动状态变化之前做出反应，毕竟数据传输速度远快于车辆制动速度。超车，过路口，错车提前告知周围车辆获得确认，是不是比你设计一个无比复杂行为逻辑或者人工智能模型简单靠谱的多？再加上云端能力的加持，是不是整个系统的能力又可以有巨大提升？
当然，正像我上面段落里说的，整个基础设施的改造投入巨大，且旷日持久，但是不可否认有些事情一定会去做，并且做成之后就可以实现一定的效果，个人觉得期待基础设施的更新换代，然后，推动整体交通系统能力的提升，远比在已经榨不出什么油水的技术路径里抓瞎靠谱得多。
而且通讯端的改造成本摊薄之后真的没多少钱，5g基站总是要架起来的至少国内已经列入规划了，这个不需要无人驾驶的人操心，花钱。不给无人驾驶用也是要架的，这是通讯网络改造的钱，天量的，具体到车端，成本非常少，相当于加了个5g上网卡而已，这个通信模组是5g手机里都有的东西，以后肯定是集成到车载电脑上的，批量生产之后会很便宜。跟现在随便一个传感器比简直忽略不计的。当然考虑到交互问题，很多目前的设计思路都要改，然后，由于这些改进对车端智能复杂度要就的降低从而带来的研发成本降低也非常显著。
主要驳斥一下那些说我技术悲观主义，充满挫败感的评论！
理工屌丝，从小语文不好，可能我的行文，或者表达方式上让读者产生了这种想法。
但是，仔细读过的读者应该不难得出结论，我的主要观点和论证都是基于目前的已知事实和客观的分析得出的。我个人的态度是很客观，甚至很乐观的（对于限定场景无人驾驶，智能辅助驾驶，以及基础设施升级之后可能带来的种种新的改变）。
比如，你不能说我不认为我会突然基因突变，明天就能长出一对可以飞的翅膀，就是悲观主义挫败感。就算有这种突变，并且我还没有因为剧烈的基因改变猝死，以细胞分裂的速度，我每天摄取的新物质，还有转化比看，我也不太可能明天就能长好。这是基于基本事实基本规律得出的。
同样，你也不能说，孙中山死前说：革命尚未成功，同志还需努力；老毛写《论持久战》是悲观主义，挫败感。我们知道这反而是革了一辈子命，对形势有了全面，理性，深刻的认识，彻底想明白了才能得出的结论。一腔热血小年轻，期望革命速成的想法反而是非常危险，并且多数白白送了人头。
事实上，根据之前的分析，一个读者中的专业人士基本上是有一个共识的，突破目前的瓶颈需要需要新的技术出现。已有的路子已经没有太多油水可榨了。具体来说最好这个突破是更加深度的智能，更加类似人类的智能。
通常进行科学探索，工程研发，先观察现象，总结规律，再运用规律解决问题。一个典型的例子，现在的人工神经网就是受了神经科学领域对神经系统结构和基本工作原理的研究的启发。
那你现在需要搞高端智能，推理，联想，类比等等，更具体的你要基于现在的冯诺依曼架构的计算机去编程实现，模拟这些能力（先不说可能不可能）。你起码要大概知道这些到底是怎么回事儿吧，要基本了解它的形成机制，运作原理吧？
然而一个事实是，不管认知科学也好，神经科学也好，生物也好，医学生理学也好，甚至不那么涉及基础科学研究的心理学领域也好。目前对这些问题的研究基本上都还停留在一些很表观的现象上，对深层次的机制上，全都知之甚少。
事实上，在这类问题上，任何一项基本的发现都会被整个科学界视为极为重要的突破，一定是会被放到新闻联播里面吹的。比如，左右脑分工的研究就被颁发了诺贝尔奖。不说你能搞出或者模拟生物体的这类高端智能，哪怕你把人类对此类问题的认识向前推进一小步，炸药奖或者同等份量的科学认可一定是要给你的。
所以，我认为，就算有什么突破，也必然是那帮搞认知，生理，神经等基础学科的先去突破了。我自始自终都不能理解为啥总有一大帮EECS的码农能够有如此狂妄自大的优越感，自己能够凌驾于所有其他学科之上。还是自己过于无知或者目光狭隘？
再重新回到人工智能的问题上，哪怕你搞不出更牛逼的技术，更吊的方法去模拟高端智能。如果能回答我上面的提到的问题，目前深度学习也好，强化学习也好能力边界在哪里？或者问题范围继续缩小，目前你们口口声声的说要实现的L4是否在目前已知技术的能力边界范围内，或者再进一步，L4还需要做哪些突破就圆满了，不用你去给具体解决方案，只把方向指出来？
这个问题无论是理论上，还是工程上都有巨大价值吧。要是能回答出来，多的不说，给评个院士，或者再不济，各种顶级杰出人才的头衔要给你一个的吧。自己可以掂量一下上面的问题哪个是自己有希望能在可预见的未来搞定的，要是真的是认识清楚还有这个自信的旷世奇才，干嘛还窝在小创业公司里面996搬砖呢？
上面关于能力边界的问题连我这种水平的都能提出来，热血小年轻，大忽悠老中青们最喜欢拜业内大神，祖师爷，祖师奶奶们会想不到？会看不到这类问题的价值？只不过人家水平足够看出这类问题的深度和复杂度，大概率是故意很鸡贼的回避掉不去碰这个钉子罢了。
所以，很多热血小年轻的乐观就是什么都没想明白盲目乐观？
至于不少老中青的盲目乐观成分可能就比较复杂了。可能有些是真的不懂，没琢磨透，有些就是忽悠牟利，给无知小年轻们画大饼，打鸡血。比如我曾经的某位领导，某大专家，虽然本人并非相关专业出身，也没搞过相关领域的工作。至少表现上对无人驾驶落地是极其乐观，我就非常不确定他表现的如此乐观，是真的无知，还是纯粹为了找上头把项目，经费，人员忽悠到手，以及给我们下面这些小兵打鸡血。因为哪怕从最初的接触，我就强烈的感觉到这个人无比的鸡贼，并且有相当的技术领悟力。毕竟这个社会上能混的好，爬的高的多多少少都有其过人之处。
那些对人工智能前景，L4中短期内落地前景依然乐观的朋友们，我个人这里来说就很简单。我就盯着每年的诺贝尔奖，图灵奖，院士增选。你们要真能搞出什么革命性的东西，这些都少不了你们的。我期待在新闻联播，各大头条上看到你们的身影。
对了还要插一段关于这个行业的“专家”：
不用奇怪，只用稍微想一下，10年前全世界都没几个人搞的东西，google最早开始搞产业落地，满打满算也就10年，怎么就这么短短几年时间突然冒出来这么多从业人员，甚至大专家呢？专家这么多，这么容易混的么？其实很多都是从其他领域转过来的，有些是相关领域，有些连相关领域都算不上。对了还有一个有意思的现象，越是成熟的领域，你见到能称为业界公认专家少说都是领域内深更20年往上的，再不行10年也是有的，人家是真专家，一般情况下，自己领域内没有搞不定的工程问题。你看搞无人驾驶的，尤其是那些近些年才冒出来的创业公司的专家，半路转行来的专家，各种不知道什么会议水过几篇文章的小年轻博士各个都是专家，连关注这个问题，给过回答和评论的人里，貌似就有口口声声要落地L4，研究L5的行业大佬，业内专家。整个行业连个靠谱的商用解决方案都没有一个，结果全他妈是专家，请问这是什么专家？
评论区有很多评论在问法律问题，伦理问题怎么解决。出了事故怎么处理纠纷之类的，是否有这方面的进展。
首先，我对这方面不了解，我个人觉得目前无人驾驶应该还远远没进展到这个地步。毕竟现在能商用的东西都没做出来，目前都还在研发阶段，而且似乎都还远远不是研发收尾阶段。法律，伦理都是以后的事情了，是要做产品工业化量产，商业推广才需要考虑的事情。
不过我个人认为，这些问题其实都好说的，只要东西做出来，并且有利可图，自然会有资本争先恐后的会去推动这些事情的（尤其是那些早期投入巨大研发资金的，马上就能收获了，谁不兴奋呢？）。
当然肯定会有新老资本的博弈，不会一帆风顺，就好像现在国内的高铁，基建，互联网，5G领先了，可以去全世界割韭菜了，国内的资本和政治力量就会去推动这个事情。美国佬，欧洲人看你要赚他的钱，割它的韭菜，就会用各种，伦理，法律，政治上的问题跟你搞事情。比如最近炒的比较火的封禁华为，逼字节跳动把tiktoc卖给美国公司之类的。比如以后无人驾驶先被谷歌之类的互联网公司搞出来了，那么传统车厂一定会用你说的问题攻击无人驾驶，直到做出利益上的妥协，比如让他们合资入股，搞技术转让，或者别的什么办法能够让大家都能分到肉吃。
哪怕你是先进生产力，代表未来的发展方向，你也不能把那些比你落后的全都一棒子打死，不然作为脆弱的新生事务，被干死的可能性反而更大。正常的社会发展进程都是在新旧力量的博弈斗争中曲折前进的。
总之一个原则就是没有人能把所有好处占完，不然全世界都会来反对你，这也是人类社会永远的法则。伦理也好，法律也罢，不过是协调利益冲突的工具。而我个人的观点最大的利益冲突来源于资本的博弈，具体到终端用户那里，反而，不是主要的矛盾了。最终胜利的一方资本力量，一定会定一个对他们有利的规则来解决这个问题的，并且通过强大的宣传机器来取得全社会对这个规则，或者某些伦理观念的广泛认同，至于少数头铁的，从来都不足以造成实质性的障碍。
很多人说法律问题，其实仔细分析，根本不存在所谓的法律问题。
只要能做出来，法律问题，理赔什么的很好解决。
刚上市的头两年，车厂，或者无人驾驶运营商为了打消公众疑虑，必然大幅度补贴，大包大揽，把事故的理赔揽下来。其实这个也花不了太多钱，因为，如果能够商用，那么那个时候，无人驾驶的安全性一定是远好于正常人类司机，甚至你碰瓷都不太容易碰。
分析如下，无人驾驶会上各种摄像头，传感器，相当于360度的行车记录仪，包括，行车过程中会把传感器数据，和程序处理过程日志全部录下来。那么出了事故，谁的责任拿数据或者日志一分析就行了。
大概率是，行人或者人类司机的全责，因为如果程序或者传感器没有错误或者故障，无人驾驶是绝对不会违反交通规则的，因为程序就是按照交规写的。
如果分析发现是设备故障，或者程序bug造成的问题，那么，车厂，或者无人驾驶运营商的责任，这种责任判定是非常清楚容易的，出事故相当于帮车厂或者运营商测出来一个bug，他们赔钱也不冤枉。因为，如果不修复可能大量出现，那么他们赔的更多。
这个相当于你买手机，电视，厂家给你的保修条例，保修期内没有不正常使用出了问题，一定是要厂家负责维保的。厂家为了少赔钱必须努力把质量，这里是安全性做高，良品率提高。
其中还有一种情况，就是，一般车厂把车卖给用户，会有一些使用规范，包括车上本身会设计故障检测预警。比如开几万公里你要去检修一下，传感器不好使了，自检系统给个报警，这个车你不要用了要去修，这个时候，如果用户强行使用出了问题，根据免责协议，车厂不负责，用户全责也是很清楚的。而且这个也很容易从车上记录的数据分析出来，责任判定会比较容易。
最后，如果无人驾驶事故率选低于人类司机，那么，保险公司会非常愿意来赚这个钱，并且可以想象，这个保费，是会低于目前的费率的。可以想象，车厂为了推他们的产品，甚至你购买无人驾驶车，送你两年三年保险这种促销活动，不过羊毛出在羊身上，这个成本完全可以加在售价里面，转移到用户身上。
车厂可以通过定期维保协议，和保险降低自身的风险，甚至可能还可以通过这种方式赚钱，他们一定是有这个动力来做这件事的。
以上分析是针对L4及以上等级无人驾驶的，其实也适用L3及以下。因为L3及以下的适用条件更加严苛，那么对应的用户使用协议也会规定的更加严格。比如，全神贯注，手不能离开方向盘之类的鬼东西，那么你用户违反了，不好意思，哪怕是车辆本身的问题，我厂家不认账的。打官司也打不赢，毕竟我当时用户协议说的清清楚楚。这也是为啥L3及以下的自动驾驶不实用的原因，无良厂家拿这些东西吹逼自己有多高科技，有不把风险说清楚，以便自己卖车，简直就是无耻。
所以，你看分析下来，其实根本不存在所谓的法律问题。