自动驾驶作为人工智能领域最具挑战性的问题之一，一直受到了广泛的关注。MIT人工智能教授 Lex Fridman 在其2月的讲座中回顾了这一领域的发展现状，并展望了2019。
自动驾驶的使命在于增强获取交通的便捷性，提升效率以及挽救生命。
- 自动驾驶的大规模应用不会仅因其更安全，速度更快亦或价格上更便宜，而必然是因其提供了更好的用户体验。
- 传统的L0-L5分级主要应用于政策制定，对于实际的设计与工程领域应采用以AI是否承担全部决策责任进行分类。
- 以人为中心的自动驾驶系统，即AI不承担驾驶的全部决策。因为有人的参与，便可以根据路况分别采用不同的策略。比如高速上使用自动驾驶，而复杂路况时则交由人处理。目前特斯拉的“Navigate on Autopoilt”即处于该阶段。此外，人们通常被不能与自动化程序形成良好交互，但特斯拉的“34.4%的里程有自动驾驶的参与”的数据反映了不同的观点。
- 以AI为主的自动驾驶系统，即AI承担全部驾驶决策，人不可更改其决策。这对应了通常的L4，L5 的自动驾驶类别。
- AI系统在训练过程中必须有人为的监督干预，否则会有意想不到的结果。例如，已有科学家预测，AI自动驾驶车辆会因试图避免停车费用在道路缓慢行驶，加重拥堵。
- 公众通常误以为驾驶任务是简单的。但由于驾驶环境变化的不可预见性，驾驶者所获得的周围边信息的有限性，以及驾驶本身往往需要采用风险策略，专家相对于公众往往对自动驾驶的完全实现持悲观态度。
在不考虑车联网，新型轨道交通，飞行器等非传统思路的情况下，自动驾驶现阶段主要有特斯拉和waymo分别为代表的两条技术路径。
- 特斯拉的Autopilot作为视觉解决方案的代表，其行驶里程业已超过 10亿英里，且预计明年会达到23亿英里。这是世界上目前最大的直接参与到日常生活中人工智能神经网络。
- 视觉方案通常与深度学习相结合。摄像头的图像数据具有清晰度高，数据易采集，规模大等特点，非常适用于机器学习。同时因为价格便宜，可以随着特斯拉的大规模交付进而普及推广。从另一个角度上说，由于道路本身即为人眼设计，视觉方案也符合马斯克的第一性原理。
- 视觉方案的缺点也很明显，即对周遭环境的感知不够精确。同时由于神经网络自身的特性，我们无法了解到其内部运作方式，一致性也无法得到保证，因而公众对其的质疑将会长期存在。
- Waymo的自动驾驶方案采用了激光雷达加高精度地图的思路。相较于普通雷达，激光雷达具有分辨率高、支持360度探测等特点，可以获得精确的距离信息。结合的高精度的地图信息的辅助决策，waymo的自动驾驶率先实现了在凤凰城的商业化落地。但率先落地不代表前景一片光明，高昂的成本、有限的场景、特定的限定区域致使其CEO认为自动驾驶汽车甚至在数十年内不会普及。
- 目前来看，这两条技术路线之争仍会在2019年继续。关注的焦点将会集中在特斯拉的AP 3.0 的AI芯片的效果究竟如何？Waymo的推广复制成本能否大幅减低？
