汽车自动驾驶在人工智能提出来不久就作为一个目标，当时认为很容易解决。没想到，60多年过去了，汽车自动驾驶技术还没有得到广泛推广。虽然有很多大公司投入巨资进行研发，也有一些车辆，提供了自动驾驶辅助功能，但是自动驾驶汽车事故频发，尤其是车辆失控、人员伤亡等重大事故，让人放心不下。击败围棋世界冠军的谷歌公司对此也一筹莫展。特斯拉汽车经常失控，事故背后的原因却难以溯源。汽车自动驾驶为什么这么难？我认为有以下三难。

首先， 实时环境感知难。汽车行驶的外部环境千变万化，受到外在环境、天气、道路情况和其他车辆、行人的影响，难以穷举。再多的训练数据也难以穷尽所有的情况。尤其，还要实时感知，这就更难了。传统的大数据加深度学习模式，难以取得好的效果，尤其是一些对抗样本的出现，更是让系统给出张冠李戴的结果，令人提心吊胆。

其次，实时推理决策难。 周围环境感知之后，要结合道路情况，进行实时推理决策。是加速、减速还是惰行，是保持直行，还是变换方向或更换车道。如果有多个潜在的风险，应如何合理规避。这些不仅难以处理，而且实时性要求高，就难上加难了。又不可能提前预备好所有预案，这非常挑战人工智能的水平。经验丰富的老司机在面对复杂情况，往往靠直觉进行推理，下意识的决策，这是人工智能难以模拟和学习的。 

最后，实时车辆控制难。 在推理决策之后，还要对车辆进行实时精确控制，这也有不小的难度。车辆有惯性、延时和非线性等特性，难以精准控制。有的时候，差之毫厘谬以千里，就容易导致交通事故。

总的来说，汽车自动驾驶看似简单，其实相当复杂， 比计算机视觉、图像识别和语音识别等单项技术要难得多。汽车行驶的外在环境是动态的、开放的，而且不确定因素多，尤其对安全性要求高，对实时性要求高，确实是一道人工智能的超级难题。我认为，真正掌握汽车自动驾驶技术，实现比人类司机驾驶更节能、更舒适，而且能达到零重大事故，是人工智能高水平综合应用能力的试金石 。