特斯拉 AI DAY：激光雷达算啥？( 三 )

接下来再深入一些，算法改为蒙特卡洛树搜索，逻辑改为神经元网络策略和价值方程，最后系统仅需尝试288次就可以找到进入车位的路径，相比已经优化过的第二种方案，试错再减少98.7% 。

这个案例中也可以看出，不同场景下规控系统中采用的逻辑和算法对于最终的计算量的有着非常大的影响，如果方法对了，事倍功半。
感知和规控两大关键能力实现的自动驾驶框架图最后如下，本篇就不再做过多展开。

02
AI驾校
有了框架，还需要做的事情是把框架中神经网络训练到更高的能力，这好比人类有眼睛作为感知、大脑加手脚作为规控系统以后，还需要积累驾驶经验学习驾驶技巧。让机器学习开车，也需要一个AI驾校，而特斯拉的AI驾校规格自然也不低。
数据标记是个大工作
数据在丢给系统学习之前需要进行标记，人工标记的部分特斯拉没有外包，公司内有一支1,000人级的数据标记团队来做这个事情。

随着时间点的推移，特斯拉标记的数据也是与日俱增，标记类型也从开始的在2D图像上标记演化至直接在带时间坐标的4D空间上标记。

不过数据标记的重点还是自动标记，比如输入行驶素材后系统可以自动标记车道线、路肩、路面、人行道等等。