Waymo公司CEO John Krafcik本周二在WSJ D.Live技术大会上承认了自动驾驶道路漫长，他说，虽然无人驾驶汽车“真正在这里”，现实中也出现了自动驾驶汽车，但它们还远远没有普及。最主要的原因在于，自动驾驶技术还没有达到在任何天气和任何条件下都能驾驶的最高等级L5。John Krafcik说，这种技术“真的很难”。

Waymo从2009年启动到2016年第一辆无人驾驶汽车上路，花了整整7年时间，从这个意义上看，实现了从0到1，尽管已经一次性从克莱勒斯订购6.2万辆车，但是这个数字距离John Krafcik所说的“普及”还非常遥远。
一个原因是，自动驾驶的场景太多太复杂，算法达不到要求。
举一个简单的例子：算法大牛认为他们可以通过正确的算法提高泛化能力，但是，当我们将图像的几个像素改变时，算法输出的结果就大不同，甚至能将北极熊标记为狒狒、猫鼬或黄鼠狼。
并且，网络越深，我们就越能看到这些失败的泛化。 这说明CNN的体系结构忽略经典采样定理，因此无法保证泛化，结论就是：CNN在物体识别中的表现远远低于人类的泛化能力。
这种能力一旦无法超越人类，悲剧就会发生：
2016年，特斯拉一辆Model S车追尾白色拖车，导致驾驶员丧生。当时特斯拉官方称，拖车侧面是白色的，在太阳强光的照射下导致驾驶者和自动驾驶系统都没有注意到这辆拖车。
今年3月，Uber的自动驾驶车撞上了一名过马路的女子，后期的调查报告显示，自动驾驶软件先是错误地将该女性识别为一个未知物体，然后是一辆车，最后是一辆自行车，最终女子被撞身亡。

自动驾驶不能普及另一个原因被苹果联合创始人Steve Wozniak指了出来：
“道路是由人类建造的，人类是不完美的，而且汽车目前无法解释这一因素。”
听上去还是跟人类有关，但不可否认的是，人类建造的道路基础设施不仅不满足自动驾驶的要求，也跟未来的网联车相距甚远。
深度学习不是唯一解决之道
在算法方面，深度学习并不是唯一的人工智能技术，已经有公司转向了基于规则的人工智能，这是一种早期的技术，可以让工程师将特定的行为或逻辑硬编码到一个自我导向的系统中。它不具备仅仅通过研究数据来编写自己行为的能力，还可以让公司避免深度学习的一些局限性。

不过，由于感知仍然深受深度学习技术的影响，并且深度学习算法在视觉训练上很有效，如果让工程师实验新的技术，很难说他们会接受。
对于特斯拉或者优步的致命车祸，工程师也没有办法提前预测，只能依靠积累大量的数据来训练算法适应不同场景。
但是，场景是无处不在的，比剧本还复杂上万倍，所有自动驾驶车都需要面对某种不可预见的情况，没有十全十美的自动驾驶系统。
前百度首席科学家、Drive.AI董事会成员吴恩达认为，问题不在于建立一个完美的驾驶系统，而在于训练旁观者预测自驾车行为。
换句话说，人们可以为汽车提供安全的道路，这就是车联网的任务。随着5G的到来，在车联网中做生意看上去要比做L5靠谱的多。
虽然苹果联合创始人Steve Wozniak也说“我不相信自动驾驶汽车”，但是，苹果一直在进行自动驾驶相关的技术。特别是在几个月前，苹果雇用了特斯拉工程副总裁Doug Field，并在今年招募了其他数十名前特斯拉员工。

苹果造车的计划一直受到业界关注，但是从Steve Wozniak的观点来看，苹果似乎更关注开发辅助驾驶技术的汽车，而不是追求完全自动驾驶。
Steve Wozniak本人拥有一辆特斯拉，虽然他喜欢开，但并不认为特斯拉的自动驾驶仪（Autopilot）是人们认为的自动驾驶。他解释说，升级了他的特斯拉之后，他放弃了这辆特斯拉能够完全自驾的想法。
Steve Wozniak认为，辅助驾驶技术可以让汽车“发现红灯，识别标志，帮助规避发生交通事故”。