前方有障礙物。兩種技術的反應是這樣的：

鐳射雷達：距離前面物體距離3米，需要剎車。

攝像頭：已經識別，前方是頭豬，按照AI雲端資料，70%這個圓滾滾的物體會自行跑開。（也許應該響一下喇叭？！）

馬斯克做得對。

自動駕駛本身就應該基於影象和路況的綜合分析，因為很明顯鐳射雷達識別不出障礙物的屬性，這當然不是最終的自動駕駛解決方案。只是在現階段，你如果要提前上馬自動駕駛，這個鐳射雷達是必不可少的，因為影象識別尚有不完整，你雖然不知道障礙物，但是雷達告訴你有障礙物，提前停車總是沒有錯的。

所以，特斯拉的思路當然是正確的，但是影象識別如今依然還需要機器學習。要有很多現場狀況反饋給並行神經網路，讓ai程度提升。

如今有人臉識別，甚至於無聊的工程師還開發了貓臉識別。據說（未確定），阿里的養豬計劃還有豬臉識別（豬頭肉會不會吃不下去？）。但是有很大缺陷，比如識別反饋比較慢，你在機場或者火車站如今就有這類，自動識別有的時候會出現卡頓。這個情況在5G時代可能會有所改觀。

AI雲端是必然的，雲端的AI大腦實時學習。你開車遇到特殊情況，雲端的AI會學習到這個情況，當同個系統中任意一輛車第二次遇到這個情況，問題已經解決（這樣，人就不會兩次掉入同個大坑。）

所以，未來語音識別，影象識別依然是非常大的市場。比如海康威視在國內就是比較強大的人像識別企業，但是對於自動駕駛，這還遠遠不夠，必須降低延時，減少卡頓，畢竟開車期間並不能“時間停止”。