如今，作為人工智能另一重要分支的自動駕駛，同樣繼承了這兩樣法寶。
在人工智能的世界里。要想跑得好先要跑得多。一輛車縱使渾身上下全是雷達和攝像頭，也只是具備了自動駕駛的“發達四肢“，行駛中采集的實時數據需要通過聰明的大腦來分析，才能得出正確判斷。而這個大腦，需要大量的數據來進行訓練，正如AlphaGo吃盡了數百萬人類棋譜，并不斷進行自我對弈、自我訓練，才鍛煉出這顆近乎完美的大腦。
具體到自動駕駛，數據最重要的兩個來源則是真實世界的行車數據和虛擬世界的模擬器訓練，二者缺一不可，共同驅動自動駕駛的不斷進化。
測試車、量產車：跑出來的數據
真實的行車數據很好理解，它主要來源于自動駕駛測試車隊和已經上路的量產車的真實數據。
得益于科技公司、車企在自動駕駛方面的不斷投入，在國內一些城市，頂著旋轉的小攝像頭穿梭于大街小巷的測試車越來越常見。它們為自動駕駛收集了大量真實的行駛數據。根據前不久由北京智能車聯產業創新中心發布的《北京市自動駕駛車輛道路測試報告(2019年)》顯示，截止2019年年底，各企業進行自動駕駛路測的車輛累計達到77輛，測試總里程超過104萬公里(其中百度憑借52 輛測試車輛，75.4 萬公里的全年測試里程占據絕對優勢)。
在2月末，加州機動車輛管理局(California Department of Motor Vehicles)也發布了一批2019年自動駕駛汽車的測試報告，列舉了Waymo、GM Cruise、蘋果、Uber等公司在加州的公共道路上開展測試的行駛英里數，從數萬到數十萬不等。
可以說，自動駕駛的路試在全球范圍內正如火如荼，這些行駛數據精確而全面，是最具有含金量的。
除了主動測試，每天奔跑在全球各地的汽車也是一座無比巨大的數據金礦。受傳統觀念和技術的限制，它們并沒有被開發利用或僅僅開發了一小部分。而隨著自動駕駛的逐漸逼近，這些數據的力量將迅速崛起。
舉個最典型的例子，最具科技基因的車企特斯拉在最開始的產品設計理念上便極其重視行駛數據，通過其全球用戶使用Autopilot的行駛數據反過來訓練并完善其自動駕駛系統，形成了非常成熟的數據閉環。每一輛奔跑著的特斯拉都在源源不斷地為其提供“數據原油”。
如今這也是特斯拉最大的優勢之一——讓我們通過數量級的對比來感受一下：截止到2020年1月，特斯拉已采集超過20億英里的行駛數據，相比之下最強的對手谷歌Waymo，僅收集了2000萬英里的行駛數據。而上文提到的測試車輛呢?100萬英里已是頂尖水平。
當然，在這一方面，“傳統”車企以及網約車公司(國外的Uber、國內的滴滴等)也在不斷利用各自的優勢不斷發力。
“虛擬”的世界，“真實”的數據
除了積累真實世界中的數據，建立在計算機上的模擬仿真測試也在變得越來越重要。
簡單來講，自動駕駛的模擬仿真測試就是通過軟件模擬車輛性能和操控、交通道路狀況乃至天氣、環境等各項參數，讓車輛在虛擬世界中行駛并積累經驗——這很容易讓人聯想到一些模擬賽車類游戲。從形式上看，二者的確是相通的。騰訊的自動駕駛仿真系統TAD Sim(Tencent Autonomous Driving Simulator)便結合了專業的游戲引擎。如同一部大型的RPG游戲，來還原足夠真實的場景。
模擬仿真測試的優勢非常明顯。
其一，它可以在短時間內 “喂給”自動駕駛極其龐大的數據。在計算機能力愈發強大的今天，模擬訓練是非常高效的數據獲取手段。畢竟它不需要遵循現實世界中的時間，且可以多線程同步運行。據數據顯示，Waymo公司的模擬自動駕駛測試總里程在2019年7月就已經達到了100億英里，而在2018年9月時，這一數字還是50億英里。
其二，它可以測試極端情況，同時規避測試車輛的風險。有些極端場景(如惡劣天氣、稀有地形、特殊事故等)可遇不可求且費時費力。實際測試時還有可能會對車輛、人員和周圍環境造成危害。
其三，針對某些場景可以節約經濟成本，一切都在計算機上運行，不再需要派出車輛和人力，并協調相關的測試場地。
可以說，模擬仿真測試已經成為自動駕駛必不可少的工具。然而縱觀這些優勢，我們又并不能得出“模擬仿真測試可以完全取代實際測試”的結論。
即使圍棋再復雜，它終究是一個縱橫交錯絕對規律且“有限”的世界。而真實世界的各項參數則是時刻變化、無窮無盡的。個體的行為無法精確預測，道路環境每天都不一樣。
因此，自動駕駛仍需要實際的經驗數據和數學模型共同來回答，甚至可以說，仿真模擬測試應該更多的起到輔助作用。
依據目前的經驗和理論，我們還無法斷言在這兩個引擎的驅動下，自動駕駛最終會發展為什么形態。但虛擬與現實并駕齊驅的發展模式正日漸明晰。
