首先是通过对汽车物理系统、运行机理和运行轨道的建模来实现人类可以准确描述因果关系的控制策略。但是，这种可以准确描述因果关系的控制策略极其有限，不足以满足无人驾驶环境的高度不确定性。

因此，近年来机器学习被广泛地应用到无人驾驶技术开发中，以期通过大量的数据学习来提高无人驾驶的感知和决策能力。业界对机器学习技术寄于极大的期望。

然而，机器学习很难担负起赋予汽车主观能动性的重任。这是因为无论机器学习的算法如何先进，无论它是卷积神经网络还是迭代神经网络，归根到底它都是通过离散的数字来表达事物之间的关联关系而不是因果关系。

机器学习最根本的目标是希望得到像人一样能够从有限的样本中获取通用的机理来识别无限可能的场景。但是，因果关系不明的关联关系数字模型像一个黑箱，难以产生通用的规律和机理。

因此，机器学习所建立的数字模型及其算法缺乏外延生成功能，很难举一反三。尽管人工智能领域已经注意到了机器学习的这个局限并已展开研究，但理论上的突破尚待时日。

许多人工智能专家对业界过分夸大机器学习的作用表示极大的担忧，如美国纽约大学知名人工智能教授Gary Marcus博士指出：对人工智能过度地炒作有可能导致其下一个冬天。

尽管对机器学习在无人驾驶中的应用有很高的期待，但是目前基于机器学习的无人驾驶只能从过去学过的数字模型中找出最接近的情景来控制操作，无法像人类驾驶员那样凭丰富的经验和意识而举一反三。