自动驾驶社区仍然在蓬勃发展，技术迅猛推进，投资热潮热度不减，然而实现L3级别以上的自动驾驶公司并不多，据说特斯拉今年会在自动驾驶领域实现重大的技术突破，业界拭目以待。

    众所周知，自动驾驶和商业驾驶的路径完全不同，前者的核心是用户体验，后者的核心是商业运营，所以后者相对来说，环境单一，路线固定且标准，对于当下火热的机器学习来说，构建单一模型的算法难度相对较低，实现小规模甚至中大规模的应用不是太难的事。但是对于以用户体验为核心的无人自动驾驶来说，其环境高度动态复杂，以单一环境模式为主的机器学习技术很难应用在通用环境场合，所以推进L3以上的应用，可以说是横亘在自动驾驶公司面前一座不得不面对的难题。

    其实，可以这么去想，人类面对复杂环境时的应对措施，我们走路时，往往在不同的地面环境中，会潜意识地切换不同的模式，以便于让我们尽快更好地适应变化的新环境，比如在水泥地路面行走时，我们可以放松自己，甚至边低头看手机边迈步前行，但在上山时，我们高度集中精力，走路也小心翼翼，这个过程的切换是迅速的，所以我们不难看出，随着Intel新一代神经网络CPU的推出，其内核集成了几千万甚至上亿量级的神经元已经正在变成现实，这样计算的实时性没有任何问题，另外随着5G的推出，低时延也没有技术问题，所以可以想象，“通用环境”的AI一种可能的实现方式是：1）底层硬件架构不变，通过提供不同的软件接口，用于连接不同的单一环境AI模块，问题是如何激活不同的单一环境下的AI模块，这是关键问题。2）根据人类的认知规律，可以通过几个关键的环境属性特征来判断单一环境下对应的不同AI模块，对这些抽象的关键的环境属性建模可以用传统的模型驱动方式进行，这样当一些关键属性越过阈值时，就可以判断（分类）单一环境模式发生了变化，机器就会自动装载这一环境下对应的AI模块，实现了单一环境之间的快速切换，即场景切换过程需要传统模型提取几个描述环境本质属性的方法来建模和判决，与人类对环境的判断过程类似，比如看到天空乌云密布，我们就会想到可能要下雨了，就准备好了雨伞等。3）当我们拉长时间轴，从整体上来看，当这个模式切换过程非常快地执行的时候，实际上我们认为机器已经具备一种适用于通用环境的能力了，这时候实现L3以上的自动驾驶或许就不是什么难题了。