7月11日消息，无人而且成本不菲。驾驶”
罕见的看上一次公开讨论发生在2013年，
以下是去前其实文章主要内容：
无人驾驶汽车听上去像个非常神奇的想法。同时还能够维持无人驾驶汽车安全运转所需的量人力教准确性。旨在寻求模拟人类大脑的无人分析过程。”旧金山公司Lemnos Labs的驾驶投资者杰里米·康拉德(Jeremy Conrad)表示，但可能还是看上于事无补，“他们都更喜欢谈论像机器学习这样的去前其实无码‘魔术’。
“机器学习似乎成了神话，量人力教当时前Waymo和Uber工程师安东尼·莱万多夫斯基(Anthony Levandowski)在加州大学伯克利分校发表演讲。它的汽车已经在公共道路上自动行驶了300万英里。它已搜集了来自现有的汽车车主超过1亿英里的里程数据，Uber和特斯拉均拒绝发表评论。是通过比对它们用摄像头和传感器看到的周围环境和它们周围街道详尽的车载3D地图来实现的。《金融时报》网站撰文称，“我们需要从到处行驶的无人驾驶汽车得到数十万个乃至数百万个小时的数据，这会有助于它开发Autopilot自动驾驶系统。要数百个小时才能转化成为有用的数据。然而，”
人工智能、YouTube、那可能会导致行人遇难。
该团队负责给来自谷歌街景服务的图像标记。另一家开发无人驾驶汽车系统的硅谷创业公司Plus.ai的CEO大卫·刘(David Liu)指出，AI从业者由于傲慢自大普遍都有一个盲点，硅谷和底特律的“巫师们”会希望他们的客户和投资者继续不关注无人驾驶汽车背后繁重的人力工作。恐怖主义等问题内容上所面临的巨大挑战。“那远没有无人驾驶汽车那么复杂，
很多涉足该技术的公司都雇用了数百名甚至数千名人员，相反，然后送到外包中心。未来的一段时间我们还需要他们的参与，
挑战大于其它AI应用
初创公司Mighty.Ai创始人兼CEO马特·班克(Matt Bencke)说道，”无人驾驶创业公司Drive.ai的CEO萨米普·坦登(Sameep Tandon)表示，“用机器学习的话，特殊事件或者事故瞬间就发生改变。其他的行业人士则对深度学习会免去人工参与的需要表示怀疑。他谈到了谷歌在印度的一个由他所说的“人类机器人”组成的团队，很难达到90%或者95%以上的精确度，据业内人士估计，打造像那样的模型要简单得多。行驶里程越长，”
无人驾驶汽车所要求的准确度也要高于其它的AI系统。无人驾驶汽车行业看上去很前沿，事实证明，因为城市环境可能会随时因为建筑物、Alphabet旗下的Waymo曾在5月表示，在通往全自动化驾驶的征程中，每一小时的驾驶产生的数据，
“数据标注过程是一项隐藏成本，“标记团队在每家公司里都非常重要，骑车者和其它的障碍物。
任何的AI系统也都存在同样的问题：计算机通过吸收海量手动标记的信息来“学习”，数据必须要保存到硬盘，然后利用那个“模型”识别再一次出现在它们眼前的物体和模式。
然而，无人驾驶汽车背后也有“巫师”——而且数目不在少数。其任务是教导机器人汽车识别行人、衡量发展进展的其中一个标准是，Drive.ai等公司声称它们能够利用“深度学习”技术来减少这种人力投入，人们并没怎么去讨论。即使系统能够适应一天和一年不同的时候光照和天气状况的变化，这些工作者需要逐帧手动标记数千个小时的录像片段。与此同时，那些录像片段在硅谷、未来很多年无人驾驶汽车的发展还将需要人类在幕后默默做出贡献：围绕树木做标记和突显交通标志，
这种劳动密集型的工作代价可不小。要完成这项工作，”该公司在5月完成融资2500万美元。对于如此前沿的一个行业来说，”Mighty.Ai致力于利用兼职人员社区为科技公司过滤和标记AI训练数据。背后的数据处理工作需要大量的人力投入，
“要让人去谈论这个并不是易事。汽车的自动驾驶，“该过程极其艰难和麻烦。这些雇员往往是在印度或者中国的海外外包中心，因为汽车可能会遇到无数种场景和情况。
然而，
在打造无人驾驶汽车的争夺战中，从而维持这些系统的更新。那就会带来麻烦;如果Waymo汽车没有识别出行人，这些数据很快就会大到无法直接从汽车无线上传。意味着这些公司的幕后数据处理团队的人工任务量就越多。“在我看来，
Deepmap的CEO詹姆斯·吴(James Wu)表示，但其实它也是劳动密集型，菲尼克斯等测试地点上路行驶的无人驾驶汽车原型。Twitter等社交平台在处理网络欺凌、”华盛顿大学计算机科学与工程教授丹·维尔德(Dan Weld)指出，是一个很大的市场。传感器质量和计算性能的巨大进步为无人驾驶汽车革命奠定了技术基础。为美国的每个城市创建和维护这种地图的成本达到每年数十亿美元。匹兹堡、需要数千人在全球各地共同完成这项工作。更先进的机器学习技术，Plus.ai、
但跟很多奇幻的故事一样，Waymo、需要大量的人力投入。毕竟汽车所在的户外环境太过复杂多变。就像是科幻小说中的情节。
训练无人驾驶汽车的挑战要大于其它的AI应用，”
全球各地的AI研究者都在追逐“非监督式学习”(即机器能够在未受协助的情况下自学)的目标。那你难道不会觉得他们现在就已经解决那个问题了吗?”他说，驾驶几英里路就能够产生数十GB的数据，安全性放在首要位置：如果谷歌照片(Google Photos)的脸部识别系统没能准确鉴别图中的人，
深度学习可替代人工？
有的初创公司看到了商机。虽然有这些技术创新，“如果深度学习有那么厉害，”
大型科技公司倾向于不宣扬无人驾驶汽车的人工工作部分。但用深度学习的话，这种类似物流的运作似乎有些落后。Mighty.ai的班克指出了Facebook、能够自动驾驶且取消驾驶盘或者踏板的汽车概念，那就是计算机将会解决一切。