為了訓練自動駕駛系統，蒐集大量數據讓系統學習如何因應各種狀況是其中的關鍵——特斯拉透過量產汽車蒐集，Google則是耗費8年的時間讓無人車走透透，但現在有更省時省力的方式。人工智慧實驗室OpenAI今日開源一套透過《俠盜獵車手》學習的自動駕駛系統，只需要一部電腦、購買一套遊戲，人人都可以開發出自動駕駛系統。
可訓練自動駕駛系統避免碰撞、到達目的地、維持在道路中央等
由OpenAI開源的自動駕駛訓練專案來自「DeepDrive」，其在2015年將《俠盜獵車手》改為適合訓練自動駕駛系統的環境（如拿掉遊戲中的暴力或違法元素），再將遊戲作為自動駕駛系統的訓練模擬器，強化系統避免碰撞、到達目的地、維持在道路中央等駕駛行為。
OpenAI將DeepDrive整合進旗下訓練AI的虛擬世界Universe，並於今日開源，將繁瑣的事前環境設置簡化到只需20分鐘即可完成。開源項目除包含將遊戲設定為適合訓練自動駕駛的程式碼，也提供已訓練了21小時、相當於60萬格影像的「代理程式」，雖然其駕駛表現已和人類差不多，但仍會出錯，如在高速公路上突然迴轉。
不同路況、天氣和交通工具等擬真場景可加速自動駕駛系統學習
自動駕駛系統如同其他人工智慧，必須透過大量數據學習。不過，真實世界收集數據的速度有限，相較下，來自電腦合成並自動標記註釋的數據，不僅快速且品質穩定，可加速人工智慧訓練。例如，蘋果在2016年推出首份人工智慧論文，內容便是如何利用電腦合成圖像改進演算法辨識圖像的能力。
而《俠盜獵車手》的高擬真環境，正好相當適合訓練自動駕駛系統。該遊戲的場景範圍約是1/5個洛杉磯大，路況包含蜿蜒的城市街道、山區、沙漠和高速公路，提供廣泛多樣的訓練場景，且每種場景都能搭配14種不同天氣，以及257種不同汽車和7種腳踏車。
透過不同場景、天氣和交通工具的排列組合，自動駕駛系統能在短時間內在大量情境中學習。
減少訓練成本和時間、讓自駕車上路測試前更安全
用《俠盜獵車手》這類的虛擬環境訓練人工智慧，優勢在於可快速處理用於機器學習的數據，自動將場景內的物件分類，例如汽車、行人、自行車、動物、路面、交通號誌等，省去辨識和分析的時間及成本。在真實世界，單是收集街道影像和標記物件，都要耗費上千小時。
此外，DeepDrive可加速測試過程、減少測試成本。過去，要訓練AI處理特定事件，如在結冰的道路上行駛，需收集上千小時的道路駕駛經驗，但透過電玩模擬器，便可讓系統直接針對特定情境學習。這也讓自動駕駛系統在實際上路測試前變得更安全，因為在上路前他們已經歷過大量模擬事件。
資料來源：OpenAI、Inverse、TechCrunch
