2）我们的需求迫切不迫切？从我目前来看，中国市场对于商用车的自动驾驶不是非常迫切的。因为国内商用车的驾驶员人工成本是比较低的：国外商用车驾驶员基本上月薪要1-2万美金，国内可能为3000-4000人民币。

　　3）我们到底能不能买得起？国外的奔驰、沃尔沃等大概会在100万人民币以上，国内像一汽、解放等大概在40万人民币左右，是国外价格的三分之一。整个成本要求是很高的，对我们现在自动驾驶系统要增加很多成本这件事情，他们接受的程度就比较低。

　　4）我们能不能做出来？目前在国内的商用车市场，商用车整个执行器，包括转向、制动、油门，都是不可控的。所以整个商用车技术还需要一定的发展，在整个执行器方面能够达到自动驾驶的需求之后，我们才有可能做出这样的自动驾驶系统。

　　自动驾驶系统目前应用场景最广的是商用车，因为首先第一步就应该切入商用车。但是，我们目前对于商用车没有任何的需求，至少在目前这个时间点上，如果我们做商用车，肯定是死得最早的一批。

　　自动驾驶系统和DL算法结合

　　当前自动驾驶是AI方向和汽车方向二者结合最典型的点，大家就会想，为什么不能把自动驾驶和深度学习做结合：

　　1）深度学习、增强学习是目前非常流行和高大上的两个热点方向，它也在市场上备受追捧。

　　2）是目前深度学习在自动驾驶决策中的部分应用，它可以产生应用和结合的算法。

　　3）增强学习通过足够的样本，来训练自动驾驶系统，即以后不需要任何的开发，我们只需要人开，开的时间越长，最后自动驾驶汽车感受越好。

　　4）它的代表公司是Comma.ai，Comma.ai创始人说，他用8000行代码就可以搞定整个自动驾驶系统，可以达到仅次于特斯拉的体验程度。

　　自动驾驶系统的“落地”

　　其实一旦落地到汽车行业里，就会发现有很多问题：

　　1）如何将最新的算法回归到汽车工业？

　　2）自动驾驶与增强学习的结合靠谱吗？

　　3）能保证不像AIphaGo一样突然失控吗？

　　首先，深度学习，或者神经网络并不神秘。在车辆工程领域，它在汽车工程领域很早就有应用，比如说发动机、底盘、轮胎等，在动力学、力学包括燃烧上，有很多现在通过建模很难达到的系统里面，我们一般都会应用神经网络：

　　1）理论体系不完善。现在我们可能在车用，尤其是发动机里有很多燃烧、流体等复杂的东西，里面的系统可能不是特别完善。

　　2）由于不是同一领域而对理论认识有限。因为汽车行业是一个交叉性的应用学科，所以里面有很多非车辆行业的知识，在这种情况下，一般汽车工程师都会有一部分的建模，用神经网络表示出来，最后再进行动作分析。

　　3) 理论体系太过复杂无法工程化时，引入神经网络作为一种替代方案。由于理论体系太过复杂无法工程化的，现有的芯片或计算平台难以将它实现。在这种情况下，研究神经网络就作为我们的一种替代方案。

　　其次，深度学习是一种概率的学习,与安全性相矛盾,因此在车辆领域的应用非常谨慎。主要是由于：

　　1）我们没有办法知道问题出在哪里。这在汽车行业里是非常重大的一个问题，因为它直接关系着我们所有人的生命，这是完成的一个重点。

　　2）外延性是无法验证的。你通过你学习的那些样本得到了你没有学习到的情况，如何能够验证你的外延性？

　　3）所需数据量很大，处理器需要很强大，所以它的成本很高。

　　第三，汽车领域和安全直接相关，因此所有系统的安全性必须要达到100%的可靠性，并且加入冗余。车辆领域对安全性的要求有以下几点：

　　1）出现问题可以复现出来。比如，有一些故障是偶发性的，或者，一辆车怎么开都没有问题，一旦车上量了以后，它突然会出现5辆车出现问题，这样的问题我们都必须复现出来。

　　2）出现问题可以立即改正，这两个要求深度学习目前都无法做到。 比如，我们把车辆召回以后，如何把整个控制方法做一些修改，目前深度学习都没有办法做到。

　　目前在车辆领域主流的方法是：在对理论探索之后,在原理基础上进行简化,而一般不直接应用神经网络。 但可能有一些比较细微的地方，或可控范围内，我们可以引入深度学习或神经网络。