就具体这个点来说，可以想象，底层工作机制基本跟 ChatGPT 可以类比，具有一定的常识和逻辑推理，你说的这个问题，甚至跟个性的需求，即使没有在模型里作为默认行为，可以考虑用 prompt 解决，你开车的时候跟他说离大车远一点就行了。

今天刚好看到一个类似的问题，不确定是不是马斯克说的。人类司机在红灯面前只有 1%会停得非常规矩，但监管要求是 100%，那FSD怎么学呢，海量数据和标注/清洗。数据的处理工程被大大低估了，就像 ChatGPT 对方法论大方分享 但是对数据处理永远是含糊其辞。

再来，端到端的自动驾驶怎么知道路权的？
比如无红绿灯支路让干路，端到端AI怎么知道哪个是支路哪个是干路？
再比如，无红绿灯停止线，后到等另外一个方向先到的先通过，怎么学习到？

我估计，在端到端的自动驾驶算法中，与大车相撞的事故，应该是权重很大的负样本。
通过这些负样本，理论上可以学习出，与大车越靠近越危险。当自动驾驶算法决策的时候，就会倾向于采用各种远离大车的方案。

按照现在的神经网络算法，所有的模型推理，是不是依然停留在“知其然，不知其所以然”的阶段？只是根据给的训练数据，模仿出概率最高的结果？所谓的prompt，只是给不同的结果赋予不同权重。
有没有能像真的人一样做到当观察到无数的Ax可以推导出Bx，从而联想到A可以推导B成为定理？

AI的原则不可能是遵循大多数啊，它的逻辑一定是训练优化提升不断循环的过程，而不是把宏观数据总结平均去掉少数，以此来做非黑即白的唯一选择，那不就成了宏观平均数的个体具体体现了么，那还训练个什么劲

这个图里的大车出车祸了吗？

把少数老司机加入AI优化策略团队

高速怕大车，市区怕小车。
行人无所谓，最怕小电驴。。。