大自然灾害的风险都比较低，而且周围也没有什么辐射源，可以很好的满足数据中心安全和灾备的要求。

后来包括苹果在内的许多服务商，也都将数据中心选址于此地，就是因为这里得天独厚的优势。

当然，李毅在建设数据中心选址的时候，也看过其他地方，包括汤凌云的团队，除了贵省贵安，还有乌兰察布、中卫、克拉玛依等西部城市。

这些地方的共同优势，那就是温度低，更有利于降低数据中心的散热能耗。

至于最近的地方，那就是并市隔壁的阳泉了。

这里的优势和克拉玛依有点像，煤炭等物质资源丰富，火电成本更低，百度后来就在这里修建了自己的数据中心，虽然不排除百度老板李艳红是阳泉人的原因，但这里电价低也是真实的。

至于很多人说，这么大企业，数据中心建的起，难道会用不起？

那可能就是太小看数据中心的耗电量了。

腾训当下的服务器大约有五十万个，每天产生的电费都超过三百万，这还是在贵省这种水电资源大省。

如果换到东部去，价格起码上涨两倍都不止，这也是国家后来为什么提出“东数西算”工程的目的。

所以才屁股决定脑袋，把数据中心建设到贵省去。

至于什么所谓的延迟，网络卡顿等，根本不是问题，用户用的用的就习惯了，万一卡顿了，他也绝对不会怀疑是数据输出方的问题，而是自己家网络的问题，骂骂通联、信电等运营商罢了。

至于李毅的自动驾驶，那就更不是问题了。

毕竟他做的又不是模块化智能驾驶，而是端到端的方案，是依靠贵省的大数据，把自动驾驶的神经元网络系统优化后，安装到车机平台，再通过摄像头等把实时大数据吸收到车内，进行二次计算的结果。

总之一句话，端到端自动驾驶的执行，并不需要通过跟外界网络连接才能起作用，所以可以直接无视这些东西。

现在汤凌云把数据库这个事情谈妥，就算是自动驾驶的建筑材料已经备齐了。

接下来自然就是地基的搭建了。

端到端的自动驾驶，可以说就是一种纯视觉驾驶，但需要建立对计算机视觉深度训练之上。

而计算机视觉是一种研究机器如何“看”的科学。

当我们人类看到一张图片时，能清晰辨析图片里的事物，比如美丽的风景照、一张小狗的照片等等。

然而计算机看到这些东西，识别出的却是像素。

这些像素是由图像的小方格组成，这些小方块都有一个明确的位置和相对应的色彩数值，计算机“记住”的就是这堆数字字符，而不是具体的事物。

如果想让计算机能像人类一样快速准确识别出图片里的事物，就得让机器有“人工大脑”那样的能力，来模拟人脑处理加工图像信息的过程。

这个过程里面又分为输入层、隐藏层、输出层等等，里面包含有许多的人工神经元。

如果做一个比较，马斯克的那套形象比喻就很有意思，比如可以把这个视作是人脑吸收到的初级视觉皮层中的单个细胞还有中间的神经元。

这样一整个训练过程，也可以当成是我们教小孩看图识物。

正式通过一次次的输入、对比、纠正，才能够完成机器图像的认知。

这种训练，通常在训练初期，人工神经网络识别结果的准确度是非常低，输出结果和实际值相似度可能只有10%，甚至更少。

所以为了为了提高准确度，就需要我们再将两者的误差从输出层反向传播至输入层，并在反向传播中，修正神经网络隐藏层的参数值，就比如把图片或者视频做一个标识，比如同样三条狗，我们可以标识上单身狗，单身狗，还是单身狗这样具体的标识。

正是经过这样上百万次的训练，就能将误差逐渐收敛，甚至输入和输出端匹配度达到99%，甚至100%。

这就是马斯克提出的神经元网络算法，也是端到端核心的优势。

这样的自动驾驶，最好的学习材料自然就是行车数据，大量多样化的数据，来自真实世界的驾驶训练数据，也是自动驾驶AI能应对各种路况、交通问题的最好辅助。

李毅为什么要依靠给各厂家提供配套的车辆方案，甚至不惜赔本也要把车辆感应设备给安装上去，就是想要在FF未来汽车将来一开始上市，就有海量的数据，海量的行车数据，作为自身的养分，提升FF未来汽车自身智能驾驶的能力，在市场上直接形成优势。

等到FF未来汽车能瞬间完成道路上各种动静目标、道路标识、交通符号的语义识别，反应速度甚至比人脑条件反射更快的时候，李毅心目中的自动驾驶也就完成了。

所以这个纯视觉的训练方案，就是FF未来汽车自动驾驶的地基。