不要迷信端到端。深度学习，或者说数据驱动的机器学习都有一个共同点，就是待解决问题无法稳定地收敛。所谓稳定收敛就是，你手上如果还有10个问题，解决了5个，你知道还剩5个，也大致知道还要花多少时间解决剩下这5个。深度学习可能是：你解决了5个问题，在解决第6个问题的时候可能又引入了5个问题；或者，已经解决的第4个问题又不行了；或者冒出一个以前没有遇到过的场景，发现多出来12个问题。最后很有可能就是这么一种体验：很快就能到80%可用，让人觉得未来已来，世界即将被颠覆。然而80%到90%可能需要花5年，90%到95%可能要花10年。
举个例子，搞深度学习的都知道有个老大难的问题，叫捷径学习。因为你是在用给算法新的数据的方式在解决问题，你不知道算法学到的到底是你想要的底层逻辑，还是一个你意想不到的无关逻辑。让算法看片子识别肿瘤，在一家医院结果很准，拿到新的医院发现不行，分析下来原来算法是把片子最下面诊断信息里疑似肿瘤的代码当作关键特征了，然而换了一家医院，这家的片子没有这个字段。
这还只是端到端解决判别问题，如果是难10000倍的规划、控制问题，那个不可控就更可想而知。如果你是特斯拉的投资者，千万不要陷入线性外推的思维误区。看到它出来一个基本可用的版本只花了1年，按按计算器，四舍五入，觉得明年满世界都是特斯拉的robotaxi了。
实际上任何行业投资决策都不应该线性外推，AI相关领域尤甚。
$特斯拉(TSLA)$