Intel以人工智能作为自动驾驶的技术路线，其最终目标是打造一个人工智能驾驶系统。该系统可以理解为设计制造一个机器人，这个机器人懂得用传感器感知汽车周围信息，并且根据人工智能算法做决策，以实现与人类一样甚至超过人类表现的驾驶水准。就技术角度，Intel负责这个机器人的大脑（计算部分，Intel毕竟是处理器行业的老大其芯片能提供足够强大的计算能力），而Mobileye负责机器人的眼睛（传感器信号处理芯片，传感器的原始数据量非常大，需要专用的高效处理芯片做预处理后再送去后端的通用处理器做自动驾驶的决策）。
Intel设想的自动驾驶系统中需要用到多种传感器，包括摄像头，毫米波雷达，激光雷达，超声波传感器等等，Intel购买Mobileye的目的，就是为了给自动驾驶系统加上一双敏锐的双目，实现高效传感器融合。算法部分两家公司各有积累，融合之后预期会有更好的算法出现。而数据方面，就要靠与Intel合作的各大车厂提供以训练深度学习算法了。
Intel选择的使用神经网络人工智能的自动驾驶归根到底是一种仿生学设计，其效法的对象就是人类本身，无非就是用传感器替代了人类的眼睛，用深度学习算法代替了人类的大脑。从另一个角度想，人类的极限基本就决定了这套自动驾驶系统的极限。在自动驾驶分级中，这套系统支援到第三级（有条件自动化）没有任何问题，因为自动驾驶系统并没有完全接管汽车，这时候相当于真人驾驶员是驾校教练坐在副驾上，而自动驾驶系统是新司机（虽然这个新司机在大多数时候比真人老司机开得更好！），一旦自动驾驶出了什么问题真人老司机立马介入避免事故。
然而，到了第三级以上的自动驾驶（副驾真人老司机在开车过程中基本可以打瞌睡不管自动驾驶系统），人工智能想要真正接管汽车还有不少问题。目前人工智能中深度学习的原理是使用海量数据去训练网络，深度学习网络在训练后可以根据输入数据做决策。然而，数据即使再大，也不可能覆盖所有状况，在很多意想不到的情况下算法可能出错。例如，就拿基于摄像头的自动驾驶来说，摄像头首先获取图像数据，之后处理器在图像上做分割，将背景与前景物体分割开，再识别前景中的道路，车道，活动物体（包括其他汽车，自行车，行人），估计这些物体与车的距离，并做驾驶决策。然而，无论是图像分割，物体识别，还是距离估计，都可能出错，而且出错的地方往往意想不到。之前Tesla的自动驾驶因为没能识别前方的白色大卡车而产生了车祸，据报道援引可能是算法把大卡车当成了白云。这样的错误在人类看来不可思议，但是在基于深度学习的人工智能中却非常有可能，只要训练数据中没有包括这种情况就有机会犯这种错误。然而，驾驶时路况千变万化，训练数据理论上不可能覆盖所有状况，永远有这类落网之鱼。即使统计学上的概率非常非常小，但是对于每个车主来说一旦发生了就是发生了。而且，一旦发生事故，如何界定法律责任也是一个问题，究竟是车厂的责任还是司机的责任，也是一个尚待解决的问题。
另外，这还牵涉到了车主对自动驾驶的信任问题。虽然现在人工智能使用的深度学习网络研究非常火热，但并不代表人们已经理解了深度学习网络。深度学习的基础是统计学，网络的效果好坏也是看测试数据集上的测试准确率，因此人们不完全明白深度学习网络的决策过程，一个典型的例子是AlphaGO对战李世石的时候专业棋手连连表示看不懂AlphaGO的思路，但是最后AlphaGO就是在一片“看不懂”中赢下了比赛。往好里说，这是神奇，是潜力无穷，往坏里说，这是不确定性大。Tesla的自动驾驶汽车能高难度过弯却会阴沟里翻船，将来自动汽车也可能在完全不确定的地方出事故，让车主不能完全信赖。说到底，这个信任问题的根源，还是因为人工智能自动驾驶完全依赖于一个人类还不能完全理解的技术。
小结：Intel基于人工智能的自动驾驶技术是想做一个和人一样根据周围环境做决策完成驾驶任务的系统。Intel的技术可以快速抢占目前主流的0-3级自动驾驶市场，但是在更高级的自动驾驶（即自动驾驶系统掌握车辆的更多主控权）领域，光靠人工智能是不够的。
3
