当人们开始认为自动驾驶汽车将在不久的将来取代一些道路上的车辆时，这在某种程度上意味着机器人软件中的学习器可以达到非常低的经验误差以确保乘客的安全。收集到的大量驾驶数据和深度强化学习算法在很大程度上促成了我们所看到的自动驾驶实践的成功。
在我们自己实践的许多案例中，我们仍然无法建立一个如此高精度的预测模型来为我们自己的业务带来巨大的差异。
我的问题是，当我看到机器学习技术因其成功的算法可以很好地实现行为克隆任务而对汽车驾驶产生革命性影响时，这种成功的最主要原因是什么，大训练数据集或深度强化学习技术或自动驾驶问题的任何特殊原因？
此外，这种成功能否复制到我们在机器学习中解决的大多数实际问题中？换句话说，如果今天的机器学习技术可以帮助汽车自动驾驶，那么在开发自己的预测模型以促进业务发展时，我如何能取得同样的成功？如果我们不能，有什么限制，在特定情况下没有足够的数据或还没有智能模型？自动驾驶蓬勃发展的原因可以帮助回答这个问题。
我会给出一个高水平的答案。
我们对努力的偏见
尽管自动驾驶技术现在正处于成为主流的边缘，但其发展却付出了令人难以置信的努力。帮助这项技术进步的 DARPA 大挑战始于 2004 年。想象一下在 13 到 14 年间投入这项技术的总努力。许多实验室的设立的唯一目的是在这一挑战中竞争。
所以当你说我们不能直接在我们的业务中复制成功时，最好问问比较是否公平。在您的业务中，您是否曾在一个问题上研究到许多聪明人已经研究了多年的程度？如果不是，则比较不公平（对您的业务而言！）。
由于单一算法，自动驾驶汽车并非一蹴而就。
没有单一的秘密酱汁
媒体报道让我们相信，只有一种算法统治着技术，现实更加复杂。查看这篇关于任务复杂性的评论文章。涉及到许多模块（传感器、感知、规划器和控制模块、反馈回路）。是的，概率和机器学习在所有模块中都发挥着重要作用，但没有单一的预言机算法。像卡尔曼滤波器这样的老算法也承担着繁重的工作量，但不会在深度学习的炒作中被提及。
是的，大数据有帮助，强化学习有帮助。但是从人工干预和控制理论以及旧算法中推断出的规则也是如此。
概括
工程学的许多领域（经典控制理论、强化学习、机器学习）构成了自动驾驶汽车的基础。我们不能轻易地将成功复制到其他领域：没有单一的秘诀，而是长时间的大量辛勤工作和扎实的工程。