那么，自动驾驶汽车同样如此，如果希望汽车能够拥有同人类一样的驾驶水平，也必须从汽车驾驶的情境中提取海量的数据，并根据不同的场景对这些数据进行分类，供人工智能进行学习。如此一来，且不说真实世界中车辆行驶的工况复杂多样，远超AlphaGo和小冰用来学习的数据，即使能够收集完全，也需要花费很长的时间业界普遍认为，自动驾驶汽车需要测试数亿至数千亿公里，才能验证它们在减少交通事故方面的可靠性。更何况就算花很长时间收集了大量的数据，也难以覆盖所有的状况。此外，这些数据后期的分类标定、数据质量以及算法，也还存着在很多的不确定因素，足以影响行车安全。

再者，算法难题。

由于现实生活中的车辆行驶工况千变万化，异常复杂，而自动驾驶又是一项对准确性要求比较高的操作，稍有不慎就会造成人员伤亡，因此要想尽可能地提升驾驶安全性，必须采集充分的数据，让车辆对周围环境有准确的认识，从而为下一步的控制执行建立决策依据。在此背景下，传统的算法已经难以满足自动驾驶汽车的需求因为难以达到深度学习的高精确度要求；面对非道路环境，传统算法无法和数据库中的道路信息匹配，可能会做出错误的判断。此外，在庞大的数据面前，传统的计算能力会让人工智能的训练学习过程将变得无比漫长，甚至完全无法实现最基本的人工智能数据量已经超出了内存和处理器的承载上限，从而极大地限制了人工智能在自动驾驶领域的发展和应用。

更重要的是，即便现如今的交通法规已经如此完善，尚有大量不遵守交通规则的人，且他们规范交通法规的形式各不相同，常常令人出其不意，这种情况下，仅仅靠学习已有的工况很难应对，而是需要打破原有判断标准，对照陌生的突发情况重构一套应对方案，这就需要超人工智能提供技术支持。

最后，控制执行。

自动驾驶控制执行与传统汽车类似，即对车辆进行加速、减速、转向等操作，作为上述所有步骤的最终执行者，其执行效果直接关系到自动驾驶汽车能否准确且实时地完成上层智能控制系统的控制指令，对于保证行车安全至关重要。但与传统汽车不同的是，面向量产的自动驾驶汽车必须对车辆的传统执行机构进行电子化改造，升级为具有外部控制协议接口的线控执行部件系统，从而让车辆按照计算得出的结果进行更准确的操作，因为自动驾驶汽车上，最终控制车辆的不是人而是汽车本身。