无人驾驶汽车的软件主管迪米特里-多尔戈夫（Dmitri Dolgov）认为，我们能够将我们看到的周围景象与地图中说明的路况进行对比，从而精确地确定我们在地图中的位置——精确到几厘米。一旦我们知道自己的确切位置，我们就会把地图中存储的相关路况信息提供给汽车。 
        一旦了解自己的位置所在，无人驾驶汽车就能够监测和模拟周围动态物体（如其他车辆、自行车和行人）的行为。 
        这里，谷歌用到了另一个方法。多尔戈夫的团队利用机器学习算法来创造路上行人的模型。无人驾驶汽车行驶的每一英里路程的情况都会被记录下来，汽车电脑就会保持这些数据，并分析各种不同的对象在不同的环境中如何表现。有些司机的行为可能会被设置为固定变量（如“绿灯亮，汽车行”），但是汽车电脑不会死搬硬套这种逻辑，而是从实际的司机行为中进行学习。 
        这样一来，跟在一辆垃圾运输卡车后面行驶的汽车，如果卡车停止行进，那么汽车可能会选择变道绕过去，而不是也跟着停下来。谷歌已建立了70万英里的行驶数据，这有助于谷歌汽车根据自己的学习经验来调整自己的行为。 
        5 非理性效用 
        大多数驾驶情况并不难理解，但是如果出现少数棘手的或意外的情况如何处置呢？在当前的情况下，谷歌会让人类司机代劳，以确保汽车行驶安全。但有意思的是，在人类司机代劳的情况下，无人驾驶汽车也会记下自己自动处置这种棘手情况的可能做法。这样一来，工程师们就可以测试在极端情况下汽车需要怎么做才不会伤及无辜。 
        每一辆谷歌汽车既记录有以前驾驶的数据——在真实道路上行驶获得的数据，又记录有电脑输出的驾驶数据——主要是其他汽车司机如何处置各种情况的模型。 
        通过这种方式，谷歌汽车的工作方式与我们人脑反应的方式之间就建立了联系和类比。我们大脑的反应方式是接受来自感官传来的信息，并采取相应的行动。事实上，我们的大脑无时无刻不在进行各种预测，它引导着我们的认知。实际驾驶过程中的感官输入信息——灯光映照在我们的视网膜细胞上——会与我们大脑多年来在现实世界中习得的经验相互印证。 
        谷歌的无人驾驶汽车也运用了这一原理，这不足为奇；他们通过这种方法已取得了很大的成功，这也不足为奇。 
        谷歌人工智能主管彼得-诺维格（Peter Norvig）及其两名同事，在一篇论文中用“数据的非理性效用”来描述庞大数据对于极端复杂人工智能问题的影响。一幅漫画中的话可以用来总结诺维格的论文观点，“走出去，收集数据，看看它能做什么。” 
        即使这意味着要持续不断地、永无止境地行驶完400万英里的路程，并录入和整合这些庞大的数据，谷歌也会坚持不懈地做下去。