互联网汽车的发展进程由原来关注焦点的配置、发动机，逐渐转移成辅助驾驶、自动驾驶。在这个互联网时代里，汽车制造商历经转型但领先优势却不在，至少在自动驾驶方面，未闻硬件的刚需是可以替代软件算法的，当然，这两个都必不可少，但在硬件极具稳定的发展上，软件的开拓更令人担心牵挂罢了。

　　若是解决了硬件问题，与此同时软件也在不断完善，那么自动驾驶就会离我们更近吗？据麦肯锡(McKinsey & Co)和彭博新能源经济资讯(Bloomberg New Energy Finance)日前联合发布报告称，2030年高级别自动驾驶汽车将达到整体销量的50%，电动汽车将占到2/3。乍一看这只是个预期数值，可依旧存在太多期待与侥幸，就论谷歌放声2020年实现自动驾驶，再到其他同类型公司给出的2025年的时间预期，此报告就显得过于乐观了，更别妄谈高级别（Level 4）自动驾驶的销量。

　　自动驾驶的定义大多数群体对其的概念是懵懂混乱的，以为无人驾驶便是传说中的无人车，在此小编首先要纠正的是，自动驾驶是处于辅助力量，并非一味的依靠汽车与系统驾驶决策，如若真正的完完全全的达到一个无人状态下，atv直播，是需要人工智能质的飞跃，而非目前的弱人工智能形态。

　　对于自动驾驶有着标准的分级，如下图可见。如今日常的汽车是L1级别，能实现部分功能自动化，譬如加速减速、定速巡航、线路纠正、防追尾等，但局限在于一次只能启动一项功能。而L2则是优化与连通了L1，局限性缩小，也就是说人为干涉，特斯拉、宝马等都具备其特性，甚至可以说接近受限自动驾驶的L3。但L4的机制却并非那么简单，它需要拥有自主意识，也就是所谓识别与决策能力的总和，而这依旧指向于人工智能，这时汽车才能达到我们常言之的高度自动化。

　　据IBM商业价值研究院对21个国家的175位汽车行业高管进行的调查显示，只有8%的人认为2025年前，完全无人驾驶可以得到推广，87%的人认为半自动驾驶技术将普及，所以总的来说L4的期待与预判言之过早。不仅如此，未来就算能达到高度自动驾驶水平，可依旧难以实现民用普及。

　　第一，成本与建设方面。众所周知，自动驾驶的决策能力需要建立在识别认知能力上的，所以原始信息收集的质量和全面性是最为关键的，这也是自动驾驶技术的主要核心——传感器，所需要的传感器有激光雷达、电磁波雷达、超声波雷达、被动视觉传感器（摄像头+算法），由于偏离严重，譬如激光雷达擅长远距离侦测、精确高，电磁波雷达侦测速度与应用场景广，超声波则是适用于近距离，而摄像头能识别颜色与复杂的图形，其中内含图像识别的算法，所以说若是构建识别这一能力，其中耗费不言而喻。

　　就拿谷歌无人汽车为例，其核心是智能软件和感应设备，首先通过换挡、加速、刹车以及机械手臂接入，用摄像头、雷达编码、谷歌地图进行指导控制，通过特定的执行器机械手最终实现无人驾驶，而这辆车的成本至少在200万美元。其次是外部定位加地图数据的建设，是为解救上述视觉图像的短板问题——稳定性不好。需要用差分GPS，中国可以用差分北斗实现车道级导航，但是大规模用，需要建立差分观测站网，和通信塔是一个意思，时长所需至少20年，且存在地域局限。

　　第二，交通BUG与规章局限。最为关键的是交通规章的设立、事故负责性问题，如今的车辆事故是由驾驶人员承担民事责任的，但若是购置无人驾驶车辆了，也就等于雇用了系统去开车，那么是由软件公司、车厂或是给机器认证的机构承担事故责任吗？如果由车主承担，花钱购买无人驾驶功能显得鸡肋。再者，高度自动驾驶的出现，使得传统驾驶规章改变，就像幽灵堵车，单靠自动驾驶行驶时迎刃而解，但其中夹杂着大量传统汽车呢？在不规范的驾驶上无人车难以实现，就如谷歌汽车无法识别卡车横面从而导致事故，所以还需解决车与车间如何通讯，通讯技术数据的提取、总结、下载、归纳如何配送至车辆，车与路如何交流与路标识别，因为只有将车与路、车与车、车与网络全部建立起来才可能实现自动驾驶。