车载电脑首要任务是整合传感器数据。它将采集激光器和摄像头的数据，并将它们整合成周围环境的视图，之后它将利用整合好的视图来定向（配合GPS）。

无人汽车团队软件主管迪米特里·多尔戈夫（Dmitri Dolgoy）表示：“我们可以将看到的景物与存储在地图中的数据相互匹配，以此来精准地确定我们在地图上的位置。一旦我们知道自己身处何处，所有编制在地图中道路的结构和语义数据都将为汽车所用。”

一旦知道自己处于何处，无人汽车就可以观察动态物体的行为并构建模型，包括其他汽车、自行车和行人。

在这里，谷歌采用另一种方法。多尔戈夫的团队利用机器学习算法创造路上其他人的模型。驾驶过程中的每英里路段信息都被输入计算机中，还要对不同类型的对象在不同环境中的表现进行分类。即便有些司机的行为已经进行硬编码（比如说“红灯变绿，汽车启动”），但他们并不照搬逻辑程序，而是学习司机的实际行为。

这样，我们就知道，一辆尾随在垃圾车身后的汽车，可能会换道绕过来。谷歌已经建成了70万英里的驾驶数据，它们将帮助谷歌算法理解汽车的行为。

谷歌的非理性效用

多数驾驶情况并不难以理解，不过要遇到棘手或突发的情况呢？谷歌目前采用的方案是让人类司机加以控制，安全驾驶汽车。不过，在人类驾驶员必须接管的情况下，谷歌汽车会记录驾驶员的行为，这样的话，工程师就可以测试出在极端情况下汽车如何不伤害公众。

每辆谷歌汽车记录着之前的驾驶数据——“爬遍天下”捕捉而来的图像和数据——以及计算输入的驾驶数据，包括其他驾驶员在行驶过程中应对各种情况的数据。

谷歌汽车的工作方式和我们大脑运作方式有些相似之处。我们在思考时接受感官输入的信息，动作会相应地做出反应。我们的大脑一直在作出判断，指导我们的认知。实际的感官信息——比如灯光打在视网膜细胞上——其地位仅次于之前大脑存储的各种体验。

谷歌自动驾驶汽车运用这一法则也不足为奇，他们为此取得了巨大成功同样也不足为奇。

谷歌人工智能主管彼得·诺维格（Peter Norvig）和他的两名同事创造了一个短语“数据的非理性效用（unreasonable effectiveness of data）”，它描述了海量数据对高难度人工智能问题的影响。

即便这意味着谷歌汽车将持续不停地跋涉400万英里的道路，并且手动处理大量的数据，他们也会坚持下来。

这就是谷歌的非理性效用。