在包括孩子在内的长途旅行中，您有没有玩过间谍游戏?这是一种简单而便捷的打发时间的方式，可以让孩子全神贯注，同时还可以提高他们作为萌芽幼儿的认知能力。如果您从未使用过游戏，这就是游戏的进行方式。

当汽车在拉动时，孩子将目光投向汽车外部以试图识别各种在车辆行驶过程中容易看到的物体。例如，也许在度假期间穿越农田等空旷地区，您告诉孩子发现任何母牛。这使年轻人急切地扫描周围的环境，希望能监视周围的人。

如果蹒跚学步的孩子还很年轻，可能是他们不确定一头母牛的长相，并可能在看到马或山羊时错误地叫喊。经过成年人的温柔和提供定义的矫正，孩子开始学习与其他动物相比，母牛是什么。这可能会持续几个小时，尽管对母牛的搜寻可能会变得很累又重复，因此，您可能会转而发现其他东西，例如拖拉机或犁头。

您可以提高年龄较大的孩子的。在城市环境中开车时，您可能会要求孩子监视滑板上的任何人，或者可能找到拿着雨伞的人。如果性能可能正在下雨，那么伞式搜索就有点过头了，因为肯定会有数十个这样的游戏，而且游戏并不是特别费力(另外，让年轻人不断大喊大叫他们发现了一个，这可能会让人感到紧张-为在车里的成年人大吵大闹)。

在极小的年龄，孩子可能无法区分所见事物。要求寻找一头牛或一把雨伞已经超出了他们的现有理解力，因此通常情况下，您可能会求助于年轻人寻找整栋建筑物或在天空中发现浮云。除了孩子无法识别较小且与众不同的物体外，他们可能还很难区分另一个物体。让他们在行人中找到一个特定的人可能会超出他们的智力敏锐度，而这群人似乎只是许多人的模糊而不是一群可区分的个人。

为什么要提起这个受欢迎的孩子的游戏?

因为它提供了对某个方面的敏锐见解，这些方面继续阻碍基于AI的真正自动驾驶汽车的出现。

具体而言，自动驾驶汽车面临的最大挑战之一是AI能够找出汽车周围的各种物体，并且这是驾驶工作范围之内的。您可能认为这是一件容易的事，因为作为驾驶员，您几乎可以轻松地做到这一点。当您坐在驾驶员座位上时，您会不断来回扫描以发现附近的其他汽车以及那些可能突然飞入街道的讨厌的行人。

您可以在背上拍拍自己，因为他们在认知上非常敏锐，可以直观地查看场景，识别可以看到的物体，并对这些物体做出各种心理判断。

考虑一下当您沿着每天的附近郊区街道行驶时会发生什么。

您向下看这条街，可以看到它是绿树成荫的，还有一些房子在街上。在街上停着汽车，在车道上停着一些汽车。仔细观察，您会发现其中有消防栓，电线杆，灯柱，路牌等。如果要累加所有可以看到的对象，则数字可能会让您感到惊讶。在您行驶的那条简单而平静的街道上，这是巨大的杂音(想象一下，沿着繁忙的市区行驶时，这些物体会泛滥成灾)。

从事驾驶任务的新手驾驶员(例如青少年)正在学习驾驶。对于他们来说，邻里街道呈现出名副其实的海啸对象，每个对象都需要考虑。车道上的那辆车会突然启动然后回到街上吗?那些在房屋前草坪上玩耍的孩子在追逐足球时会无意中掉进车道吗?

父母在教他们的少年开车可能会关注更高概率的问题，并且可以迅速评估哪些值得关注和哪些不需要关注。那群在草地上玩耍的孩子离街道足够远，以至于他们不太可能及时赶到汽车上。而且车道上的那些车没有人，因此，这些车倒入街道的几率几乎为零。

这就是经验丰富的驾驶员所发生的情况，而新手驾驶员尚未想出如何优化情况的大小并确定潜在的问题和可以给予最小优先级的问题。

切换档位并考虑AI驾驶系统的驾驶任务。

通过摄像头，雷达，激光雷达，超声波和其他专用设备之类的传感器，人工智能正在收集代表驾驶场景的数据。必须检查和解释该数据，并注意那里有什么对象。除了识别对象之外，驾驶问题还包括这些对象中的任何一个是否对汽车构成潜在威胁，以及汽车是否对这些对象中的任何一个构成威胁。

要意识到的一个重要方面是，当今的AI并不是有感觉的，并且没有任何常识性的推理。万一您对这一发现感到震惊，我敦促您以媒体夸大其词，说人工智能是超人的，或者接近于人类的认知能力，如Malarkey，并且不要因为大量的浮夸而堕落。也许有一天，我们将拥有这种AI，但不是现在，也不是不久的将来。

因此，关键是AI驱动系统正在通过大量计算进行搅动，以试图找出进入传感器的数据，然后试图辨别道路的组成。这在数学上都是发生的，需要大量的计算机处理才能进行。

这就是为什么自动驾驶汽车通常塞满传感器和大量计算机处理器的原因。所需的计算机处理非常广泛。在自动驾驶汽车试验的早期，汽车的后备箱和后座通常完全被计算机处理器占据。如今，考虑到计算机的小型化，设备通常比以前更小，并且幸运的是它们提供了更快的处理速度。

然后，我们已经确定，需要大量的计算工作来检查感觉数据并尝试识别周围存在哪些物体，并评估这些物体的性质，例如它们是否运动或静止不动，是否处于静止状态。他们正走向自动驾驶汽车或远离自动驾驶汽车，以及其他重要信息。