首先，感知技术。

目前，应用于自动驾驶开发的传感器主要有摄像头和雷达两种，其中雷达又可分为激光雷达、毫米波雷达和超声波雷达，除此之外还有刚刚崭露头角的生物传感器。这些传感器从功能上来讲，各有各的长处，如摄像头分辨率高、速度快、成本低，激光雷达探测范围广、探测精度高，毫米波雷达识别精度高、性能稳定。但单独使用时它们的缺点也很明显，像激光雷达在雨雪雾等极端天气下性能较差、价格高，毫米波雷达对周边所有障碍物无法进行精准的建模、无法感知行人，超声波雷达抗干扰能力稍差、作用距离短几乎每一种都有缺陷。

在此背景下，现在一些企业想到了将不同种类的传感器进行组合使用，如摄像头+毫米波雷达+超声波传感器组合，或者超声波雷达+毫米波雷达+激光雷达+摄像头组合方案，效果的确比使用单一传感器要好，但成本往往也更高，用在量产车上根本不现实。

其次，数据瓶颈。

对人机围棋大战有了解的人都知道，AlphaGo在学习围棋技能时，通过大量数据分析学习了3000多万步职业棋手棋谱,理解什么才算合规的下法，并通过增强学习的方法自我博弈,寻找比基础棋谱更好的棋路，才终于有了今天的成就。而最近刚刚出了诗集的微软小冰，其现代诗创作能力，也是通过对1920年后519位现代诗人的上千首诗反复学习（术语称为迭代）10,000次达成的。可以说，一旦离开了这些数据，人工智能根本无法在围棋领域称帝、出诗集。