Stell dir vor, du versuchst ein Problem zu lösen. Lass uns eines aus einem Hut ziehen: Autounfälle! Das ist ein schwieriges Problem zu lösen, da sie außergewöhnlich selten sind. Im Kontext des US-amerikanischen Straßeninfrastruktursystems und der kulturell festgelegten Verkehrsregeln sind Menschen ziemlich gut. Ein Unfall alle 700.000 Meilen; 5 Neunen! Stell dir vor, um einen Unfall rechnerisch zu "lösen/zu verstehen", musst du diese bestimmte Art von Unfall etwa 100 Mal beobachten. Erstelle eine Taxonomie von Unfällen, vielleicht gibt es 10 prototypische häufige Unfalltypen, die du studieren und verstehen musst. Der 10. häufigste Unfalltyp tritt wahrscheinlich ungefähr 1/10 so häufig auf wie der häufigste Unfalltyp; 3-4% der Unfälle könnten in diese 10. häufigste Kategorie fallen. Du wirst also den 10. häufigsten Unfalltyp nur alle 20 Millionen Meilen oder so erleben. Aber du benötigst 100 Vorfälle dieses 10. häufigsten Unfalltyps, um ihn zu verstehen: 2 Milliarden Meilen. Du benötigst Zugang zu den 2 Milliarden Meilen an Daten, um die halbe Stunde an Daten zu erfassen, die deinen Ansatz für diesen 10. häufigsten Unfalltyp informiert. Es ist nicht das rohe Volumen der gesammelten Daten, das zählt, sondern der Optionswert, den diese Daten bieten. (Die Realität ist viel komplexer als das, offensichtlich, nicht zuletzt, weil das Lösen von Unfällen mehr ist als nur das Lösen von Unfällen; es ist die unglaublich komplexe Grammatik der Straßenbenutzung und Navigation, die zu sicherem defensiven Fahren führt, was sich in sicherem autonomen Reisen niederschlägt. Dennoch denke ich, dass die Mathematik nützlich veranschaulicht; die Möglichkeit zu haben, eine Flotte für ein spezifisches Problem, an dem du arbeitest, zu befragen, ist eine Superkraft)