举例说，丰田 Corolla 在 2015 年销量逾 120 万台，假设每台车子在 2015 年最少跑 1000 公里，即去年 Corolla 在全球就跑了约 1.2 兆亿公里！我们假设自动驾驶汽车，每跑 300 万公里就会发生小错，那每年 1 兆亿公里的话，就是一年之内犯了 30 万次错误。

　　换言之：巨大的现实交通流量，会把本来很低的犯错机率，无限量的扩大。

　　数量大了，环境复杂了

　　当然，30 万次错误可能都是小错误，没什么大不了。但当行车里数的进一步增加到 1.2 兆亿公里，所遇上的路况可能与 300 万公里所遇上的，远远更为复杂。

　　Google 的 300 万公里行车里程，都是在美国本土进行；但丰田 Corolla 的 1 兆亿公里里程，就包括全球各个地区。当中有马路犹如战场的北京、人口密度不高的渥太华、高温多雨的新加坡、或是弯急路窄的四川。当自动驾驶汽车覆盖到更多的地点，就需面对和以往数据完全不同，而且可能是更复杂、更恶劣的路况。

　　但更麻烦的是当数量多了，个中的变数也同样多了；例如大量的自动驾驶汽车同时行驶，可能互相干扰对方的无线信号，又或是当人类驾驶和自动驾驶两种汽车同时存在，系统如何调适两者的驾驶习惯？

　　除此之外，由于自动驾驶的车子多了，针对自动驾驶的恶意行为也增加；例如会否人为了贪玩而作出混淆自动驾驶汽车的突发行为？又或是会否出现更多针对自动驾驶汽车的黑客或病毒？

　　关键是测试数据

　　故此，在人工智能的世界里，技术、算法虽然重要；但在自动驾驶汽车里，测试数据可能比我们想像中更重要。你没有足够的测试里程，就没有足够的数据；没有足够的数据，即使你请来奥巴马试坐，也不能让人安心。

　　所以，尽管 Geohot 很不屑地指责 NHTSA 连试驾都不愿，即使 Google 老是说政策如何阻挠自动驾驶；但自动驾驶其中一个主力提倡者、特斯拉的 Elon Musk 也在推特里承认：

　　没有 10 亿英里（注：约 16 亿公里）的数据，就不能称有足够的数据。而且，10 亿英里的数据只是“需要条件” (necessarily)，而非“充份条件” (sufficient)。

　　如果说 Geohot 的 50 万公里不足为道，那 Google 的 300 万公里又如何？一样远远的不足够。Bloomberg 就狠批 Google 的自动驾驶计划，指他们早就输了。他们转引了摩根士丹利分析师的说法，指 Uber （上图）的自动驾驶汽车计划，能轻松的把 Google 甩出一个世代：

　　Uber 在 24 分钟内，就能取得 Google 自动驾驶汽车目前所能累积的数据。当然，它们的数据没有一英里是由完全的自动驾驶所取得，但我们需要理解这个规格的经验能有助人工智能的发展，有助自动驾驶学习和建立地图。

　　无疑，Google 是最早一批力推自动驾驶的科技巨头，但爱范儿就曾指出，传统车厂与不认同 Google 的想法，逼使 Google 只能靠自己单干，atv直播，导致使它们的数据累积速度严重落后。

　　后来，爱范儿也报道过Google 自动驾驶汽车包括 Google X 创始人 Sebastian Thrun（下图） 在内的重要成员，也分别陆续离职。接着， Google 自动驾驶项目突然从 Google X 里独立出来。随着 Google 自动驾驶的光环愈来愈淡，这故事愈来愈像先前爱范儿提过的“波士顿动力”出走记。

　　作为自动驾驶的先驱，atv， Google 在近几年不但被人冷待，原有的光环也开始失色。除了是因为 Uber 能轻松的在数据上辗压 Google 之外，更要命的特斯拉的自动驾驶汽车大量现身，夺去大众和媒体的集点，成为目前自动驾驶汽车领军人物。

　　为什么特斯拉能成为目前自动驾驶的焦点所在？也是因为 Musk 表示在 6 个月内，取得 Google 远远追不上的 10 亿英里数据。而个中的关键，是目前特斯拉每年出货量 5 万台以上，每辆合计几万公里的行驶里程，短时间就能完成这个庞大的数据收集任务。

　　虚拟驾驶与实际数据

　　为什么特斯拉或 Uber 的数据能快速累积？除了是因为特斯拉或 Uber 有大量汽车在外面行走，更重要的是：他们都在用实际的行车环境，来进行虚拟的人工智能训练。