这个问题有几点需要考虑：

首先，训练时间可能是一种欺骗性的衡量标准。神经网络训练被认为是“平凡的”可并行化的。这意味着您可以访问的计算机越多，您训练的速度就越快（大多数情况下，一个计算不依赖于另一个计算，因此您可以同时进行这两个计算）。自自动驾驶汽车当前阶段开始以来，GPU 性能已提高了5 倍以上。此外，像谷歌这样的大公司已经迁移到人工智能专用的 ASIC 芯片。这些仍然更快。这意味着对“时间”的任何估计都可能令人困惑或误导。即使所需的处理周期数保持不变，训练网络所需的时间也会随着时间的推移而迅速下降。

其次，自动驾驶汽车公司不太可能花时间训练单一模型。相反，他们可能从给定模型（比如上个月的模型）开始，并尝试不同的方法来改进它，使用新数据、替代培训方法或“专家”领域知识。这使得很难理解“获得当今自动驾驶汽车中使用的结果”意味着什么。如果我们计算所有失败的尝试，可能是数百或数千人年的研究人员（6-7 年，并且没有数千人从事该领域的研究）。如果您还计算相关的开发和工程工作，它可能是一个数量级或更多。

也就是说，考虑以这种方式训练网络所需的模拟驾驶时间可能会更有趣。正如这篇出色的博文“深度强化学习还行不通”中所讨论的，为此类问题训练神经网络所需的训练经验量非常大。要学会比人类玩家更好地玩简单的 Atari 游戏，需要大约 244 小时的接触时间。这些游戏通常只有一个屏幕，大多数人可以在几分钟或更短的时间内拿起它们。该网站估计一个人学习熟练驾驶的平均时间约为 70 小时。应用相同的比率，我们可以推断出深度神经网络需要类似的东西2年驾驶经验，达到人类水平的表现。这似乎是正确的球场，但可能很多驾驶是在模拟环境中“离线”完成的，而不是直接操作车辆。

当然，这些只是大概的估计。确切的数字可能是专有的。此外，有一些报道称，由于训练困难，现代系统正在放弃神经网络，并转向更加“基于规则”的范式。我不确定给这些报告有多少功劳，但这又使确定培训时间变得困难。