共享，百度那才是真正完蛋了。

他现在内心非常绝望，就像是确诊癌症的患者在等待第二次复诊结果一样。

电话一个接着一个，林甲的说辞也大差不差，她整个上午就只有一件事，那就是接电话。

“元光，大致情况就是这样。”林甲说。

陈元光说：“你可以和他们说，让他们不用担心，因为这技术压根就不是用来做无人驾驶的。

这么高的成本去搞无人驾驶压根就不划算。

我们之所以展示无人驾驶技术，单纯只是为了去验证技术的合理性。

整个机器人的成本接近五千万rmb，单说制造成本，不包括技术研发投入，专利费用。

因此它在无人驾驶领域压根就不具备性价比。

它的真正用途，以及实际技术细节也和无人驾驶没有太大关系。

包括它迭代出来的无人驾驶算法，后续我们也会开源，但即便开源了，估计也没有太大帮助。

所以大可不必这么紧张，你就只需要把成本告诉他们就行，说即便后续工艺流程优化，大规模生产压缩成本，也不可能把成本降到百万以内。

至于无人驾驶算法其实意义也不大，它训练出来的无人驾驶算法，就只是针对这辆车，这个机器人，变了一点，它也称不上L4.”陈元光说。

这搞得林甲非常好奇，“这到底是怎么做到的？”

陈元光说：“你可以理解成，我们培养出了一个专门的机器人司机，它就只干这一件事，它的经验是从人类大脑里提取出来的。

怎么说呢，你可以理解成我们用一种脑机装置提取了网约车司机的脑电波，然后把这些脑电波作为原始数据喂给了机器人。

然后机器人基于这些数据开始试着开车，先在实验路面开，然后去园区开，再到一些城市的新区开，最后才是普遍上路。

中间没有任何人为的干预，初始的模型它就会开车，但也仅限于最基本的行驶规则。

在大规模投喂网约车司机开车过程中的脑电波数据之后，它开始学会了这项技能，你可以理解成它把技能进行了复制。

但背后的原理、到底是怎么实现的，我们一概不知。它有点类似人工智能领域的涌现。”

涌现效应在人工智能领域是指，原本的模型性能实现了陡增，数据上升曲线中的一个陡峭的跃迁。

像深度学习的“涌现”，有两层意思。一层是说，随着神经网络规模、训练机器速度、样本数量不断增加，到了一定规模以后，忽然一下就“量变到质变”，神经网络能力跃升“涌现”，把图像识别效果大幅提升。第二层是说，深度学习在图像识别领域表现极好，这个能力还迅速推广到了其它计算机领域，甚至改变了其它学科，能力的应用范围也实现了涌现。

很明显，陈元光所指的是，当我们用人类大脑数据来培养机器人的人工智能之后，它的技能水平出现了“涌现”。