回复@Raines雷: 这就叫专业//@Raines雷:回复@Zerofvq:这个文章我一字不差的看完了，逻辑混乱，结论离谱。唯二的没有错误的点在于：1.指出端到端核心在于无损感知；2.破解了FSD多条路径规划器加一个策略选择器的混合专家的模块化架构。
然而，你如果认为这是“全网”都少有的深度文章，那只能说你被专业名词和各种没有意义的缩写所忽悠了。真正论述逻辑的人，都会避免专有名词以及业内缩写，这些东西是用来高效和同行沟通的，而不是用来和大众科普讨论的用语。
随便举个例子证明他的逻辑混乱。他首先给出一个错误观点，即“自动驾驶”和“围棋”很像，因为都是“多步博弈”。这首先就是错的，从任何层面两者都不是同一种类型的问题。从博弈类型上来说，围棋是完全信息博弈，而自动驾驶不是完全信息博弈，存在视线遮挡受阻等情况。两个问题在搜索的空间、解决的难度、最优策略选择上都完全不同。再从博弈方式来说，围棋是一对一的对称博弈，因此可以用强化学习通过暴力搜索左脚踩右脚起飞，而自动驾驶是非对称的多个不同类型参与者的博弈，有行人，有电动车，还有自车与社会车，警车等等。因此，这种左脚踩右脚暴力搜索的训练方式也行不通。总的来说，说围棋像自动驾驶就是瞎扯淡。无论是问题的难度、解决问题的策略目标，以及问题的理论解法都完全不同。
站在一个错误的类比上，他在逻辑错误的路上越走越远。因为他完全错误的将自动驾驶问题归为围棋的同类问题，所以导致他错误的引用一篇讨论围棋的论文得到的结论来对自动驾驶作出定论——围棋无法抛弃策略搜索算法，因此自动驾驶也不能抛弃传统的策略搜索。不仅如此，他还同时自说自话的讲这才是自动驾驶的正确技术路线，简直笑掉我大牙……如果马路上突然出现了一只野生皮卡丘，那么减速10%绕行是合理的策略，停车等皮卡丘自己离开也是合理的策略，关键在于要将这个极端情况泛化理解为“避障”场景，而不是搜索一个可能不存在的理论最优解。在自动驾驶这个问题上，泛化显然比搜索更重要。数据驱动算法所特有的泛化能力，就注定了他一定比策略搜索算法更合适。
在如此扯淡的逻辑下，作者还用煽动性的语言说：要使用第一性原理，而不是认为马斯克就代表第一性原理。问题在于，他的论述和第一性原理沾不到边。他认为数据驱动的方法属于次优办法的唯一依据就是数据驱动模型的“不可预测、不可解释性”。因为任何端到端的架构都不能彻底清除不可预测性，所以端到端就不可取？因为传统规则导向的搜索算法的“可预测、可解释性”这一个次要原理，所以就认为策略搜索的方法是最理想的而基于数据驱动的神经网络是不理想的？
文章的作者显然没有抓到解决自动驾驶的第一性原理不在于最大化可解释性，而是最大化安全性。举个极端的例子来证伪：如果一个系统每开100万公里出一次不可预测的错误，可能是绕路、不敢绕行、开的太慢等问题的任意一种。而另一个系统可以稳定开100公里，然后必定出现一次急刹，急刹后紧接着会出现超速，然后必定忽略前方障碍物直接产生冲撞。在这里第一个系统是随机的安全，第二个系统是确定性的危险，那么两个系统哪个更理想？从这个例子可以知道，自动驾驶的第一性原理在于最大化安全性，而不是最大化可解释性或可预测性。当可解释性与安全性发生冲突时，基于第一性原理应该放弃对可解释行动的追求。因此，文章作者的论述又一次的出现了根本性错误。