看來這文中的「蘇老師」對自動駕駛的理解，真是非常奇怪。
「交通安全」「事故發生率」，才應該是自動駕駛adas的基本價值吧？
這篇講「出行效率」，「降低成本」「使用者體驗」？

自动驾驶行业观察 | 腾讯自动驾驶的布局与核心竞争力

這個問題問得很好, 我們請樓下來回答

『自動駕駛汽車可以為新基建戰略下的iot、大數據領域的設備，提供基礎的數據和服務』
這句我非常有意見。iot之所以沒有逐漸發展起來，有一個問題，就是對「家電」「冷氣機」「冰箱」這類的大數據，大部分用戶認為沒有價值
反倒是「電視機使用的大數據」，已經反應在商業上，多少業者跳進去做「串流」，那就是基於電視機使用率的大數據

還有「信用卡使用」的大數據，這也是帶起一波「行動支付」「第三方支付」風潮的原因，那些資訊有很高的商業價值

好了，這篇後半講了：不論你的駕駛系統打算使用「模型驅動」「數據驅動」，當你的系統要驗證的時候，都要遇到「驗證」這一關，而驗證需要大量的數據
這個驗證，指的是把系統放到「倣真環境」或者「實際環境」，去測驗系統是不是能安全的自己行駛

既然已經知道，驗證系統就需要大量的行駛數據，那為什麼不一開始就走「數據驅動」，而要拆開兩部份，系統開發的時候用模型驅動，等到系統開發告一段落要上路，才開始「收集實際行車數據」？

剛好我在七月的時候，看完了特斯拉的ai主任Andrej在cvpr2021的講座影片，不只看一次，還看了其他人分析這個講座的說明影片。這篇文章後半，蘇老師講「如何做數據閉環」，還真的就是複製Andrej的說法，只是改成中文圖表，然後加了一堆「細節」
而那些細節，對一個聽講的來說，你蘇老師沒有加註細節的兩部份（數據標註，算法訓練），才是特斯拉方面團隊的演講重點，這篇「蘇老師」反而沒講解了

文章最後講「數據閉環優化算法」，使用「數據管理系統」，與其要講個概念，不如從貴公司的實際操作中，讓我們看一下貴公司的系統實務上如何運作吧
在這裡我覺得Andrej做了很好的示範，他講了三個實際行車案例，說明他們用什麼方法，驗證「純攝影機方法」優於「毫米波雷達」，於是決定從原先的硬體系統中，排除毫米波雷達

Andrej也不談什麼「倣真方案」，因為你的車（就是adas整個系統）終究是要在實際的行車環境上「被驗證」，那麼花時間精力去打造一個「貼近99％現實的倣真方案」，有什麼意義？