近十年以來，人工智慧AI 的技術水平進展幅度驚人。自2010年Google以深度神經網絡來測試「語音辨識」技術開始，隨後在2014年Google併購DeepMind新創公司，並在2017年時推出AlphaGo Zero的圍棋對弈軟體，以模擬人類學習過程的「適應性演算法」 （ Adaptive Algorithm )，從不需輸入任何棋譜的零點起步，用40天的時間自我對弈學習後，擊敗了其上一代軟體的最高階版本（上一代需要先行輸入10萬局棋譜；而圍棋共有10的170次方的變化），並且超過人類有史以來對圍棋知識的總和！這個AI史上劃時代的里程碑，代表人類生活將在未來數十年內邁入截然不同的新時代。我們現在每天都在與AI打交道...... 上網蒐尋資料、點擊影片、網購、上社群網路打卡按讚、手機語音助理...... 當然未來還會衍伸到自動醫療診斷、家用機器人、智慧農場、智慧倉儲、股票交易演算、生物辨識、以及自動駕駛等等高度重覆性的工作。這些日常生活的應用，其中最複雜最困難的就是自動駕駛了。它牽扯到的不僅僅是週遭各種不可預期路況的感測運算，同時要以極高速強大的演算能力才能即時做出判讀與因應動作，才不會發生任何無法彌補的錯誤。
自動駕駛的基本精神，就像AlphaGo Zero一樣，其大腦無法僅靠輸入固定的棋譜（路況）就可以因應實際情況；它要不斷地路試自我學習，以人類學習開車的態度來累積經驗判斷未來各種可能的路況。這幾年以來，自駕車的「視力」輔助設備 （ 光達、攝影鏡頭、雷達、超音波感測⋯ ）能力快速提升，運算器能力跳躍式成長（未來十年甚至是量子電腦技術的爆發期），剩下迫切需求的就是AI最需要的「海量數據」來做學習了。
這個就是需要時間與金錢的累積，也就是為什麼全自駕車遲遲無法商品化的最大原因。現在自駕技術開發的兩大重鎮，也就是AI雙強 - 中國與美國，正全力以密集大量的路試數據來提升全自駕的安全係數。
我認為接下來不會是僅靠路試就可竟全功，究竟如此太耗時耗錢，應遲早會發展出一套強大的電腦模擬系統將過去累積實測的路況交疊，以比實際路況更困難異常的虛擬世界來加速測試自駕系統；這就像是傳統車業所做的「加速耐久」的意義一般，以更嚴苛的測試條件來換算實際更耗時的正規測試結果。
此外，AI自駕系統的「目標函數」非常複雜，它不只是要以最快、最舒適的路徑與方式到達目的地，還需要加上「倫理道德」、「禮讓順位」等等許多課題，以在意外即將發生或預期必然發生時，如何預防或將意外的嚴重程度降到最低。
這些課題顯然不是科技公司汽車廠的任務而已，而是政府單位與學術機構、社會賢達、保險業者共同必修的課題。所以我說，自駕系統絕不是只有技術的高山待跨過，還有更多非技術性的挑戰要全民一起來面對解決，否則全自駕汽車不應該被量產普及化。