撞上了侧睡的大货车，撞上了拐弯里的大货车，撞上了异型阻碍物，特斯拉 Autopilot 的多局车祸事故，反而让特斯拉贴上了“行凶”标签。

这种事故实际上都是由于其视觉算法，强依赖物件给予先验管束，所以只好“先鉴别再认知”。也并不合乎人类开车习惯，我们开车时只需要知道是阻碍物就刹车踏板，不容易先去管究竟是个什么阻碍物。

安全性避让成为了自动驾驶发展到目前要重点解决问题。

现阶段业界流行做法就是加激光雷达，根据激光雷达来形成一个可行进地区。次之也有打破常规的大疆车载，根据双目立体视觉也能够实现激光雷达一样的避让能力。

而这一次的特斯拉 AI Day，特斯拉也初次展现出了自己“避让计划方案”，便是下边这一张有点像“我的世界手游”里画出来图。

这也是特斯拉借助纯视觉效果（车体 8 颗监控摄像头）输出 3D 占有互联网，现阶段大部分科技有限公司思路也是通过激光雷达来扫描仪搭建 3D 全球，可事实上特斯拉根据纯视觉效果做出来的占有互联网比激光雷达还需要强大。

别看它长得好不光滑，但部位信息的精密度非常高，但是每个物件全是带有词义信息的，这也是激光雷达所不能达到的。

通过这种视觉效果占有互联网，特斯拉 FSD 才能做到真正地保证“认知天地万物”，先前那类仅有“授权管理”物件才会被躲避的年代就会被更改，下一版的 FSD 有希望提高阻碍物躲避的广泛能力。

想要用纯视觉效果完成 3D 占有互联网，较大的一大难题取决于对大量数据的标注解决，尽管特斯拉借助百万台的运载量，早已获得了数量众多的数据。

但是想要对这种数据做像素级的词义标注，因此练习出占有互联网，所需要的成本费很高。显然特斯拉早已克服了这种情况，实际上，特斯拉近几年的关键技术储备都在于如何有效建立模型。

FSD 的环城河：软硬结合工程项目能力

埃隆马斯克曾经在好几个场所表明，特斯拉最强就是它的工程项目能力，并且通过 本次 AI Day 上有关 FSD 的展现，我们真的体会到了工程项目能力确实是 FSD 的环城河。

关键在于全自动标注的工具链，现阶段特斯拉已通过“特点触发器原理”赢得了 50 万只视频短片，假如运用人力标注，而且还是含有多种词义信息的标注，整体上的成本不能行。

特斯拉很早以前就放弃业界最常用的“业务外包标注”，自身举办了一个几千人人工标注精英团队，并且专业有一个团队承担产品研发自动化技术标注专用工具，硬件配置上，特斯拉也有 4000 个 GPU 所组成的计算集群专门从事全自动标注。

先前 CVPR 上 AK 高手介绍过特斯拉的全自动标注，要用视觉效果产生的 3D 界面 时钟频率信息做标注，然后各自投射到不一样停机位的 2D 画面里，减少了标注成本费。

现阶段热门的自监督学习也是通过激光雷达是视觉效果界面做彼此之间的无监督学习，比如用激光雷达的信息做真值，练习视觉上的深度估计，或是用视觉上的 2D 界面练习激光雷达做语义分割等。

而特斯拉并没有激光雷达，仅有监控摄像头，这就意味着热门的自监督学习它们都难以实现。这便好像，他人拿到手的习题册末页也是有答案的，而特斯拉拿到手的习题册并没有答案，并没有答案也就没有办法反推回答，没法“自监督学习”。

因而特斯拉一般是如何做到如此大量级的细致标注，目前尚不为人知，但难度系数之深都是不言而喻的。

除开自监督练习，为进一步提高练习高效率，特斯拉还搭建了超算中心 Dojo，并为此自主研发了练习处理芯片 D1。按照计划，特斯拉将于2023年 Q1 进行第一批10个Dojo高性能计算机网络机柜部署，终于力超出1.1EFLOPS的ExaPOD，自动化技术标注速度与模型训练速率都大幅度提高。

无人驾驶科技有限公司自主研发处理芯片本来就是无法想象的的，而特斯拉不但依次自主研发了车端推理芯片 FSD Chip，又自主研发了练习处理芯片 D1 ，并且 D1 还用了先进的“单晶硅片封装技术”，将 25 个 D1 处理芯片立即封装形式在一整个单晶硅片上边，完成了降低成本。

此次 AI Day 上，Dojo 精英团队发布了有关超算中心更多关键技术，比如选用竖向的信息全部构造，提高计算效率的前提下克服了电力负荷大及其发烫难题。

自主研发了处理芯片，选了与众不同的封装形式计划方案，还给自己制定了全部超算中心的app技术栈及硬件配置构造，那这般算率的超算中心，成本费是否兜不住？

.

并没，特斯拉 Dojo 一个练习模块，算率是先前英伟达显卡策略的 6 倍，成本费还更低。并且特斯拉还表示，超算中心的经营成本很高，也会考虑往外售卖云服务器，并且据悉提供服务的收费标准成本费还小于亚马逊云服务器。

这波操作确实有点儿逆天了，这相当于一个长跑冠军，顺便去踢个足球队，还拿到足球的欧洲杯冠军，关键在于，他练习花的钱，也比技术专业球队培训花的钱少很多。

不仅还得还需要的商品君王

此次 AI Day 上，特斯拉还发布了决策的过程网络搜索，根据同歩并行处理输出结果，并最终选择了实行最佳的主要参数。

这样的行为就需要测算要快点，现阶段 FSD 每一个操控的使用时间在 100 分秒之内，特斯拉接下来消费是减少这个时候，同时也要将舒适感等多种因素也参与到测算中。

据业内人士讲解，现阶段特斯拉 FSD 感受的逻辑推理运行频率在 36Hz，规控的逻辑推理运行频率在 30 到 50Hz，业界一般认为运行频率高过 30Hz 即便是即时计算了。

换句话说 FSD 已经能够完成对 8 个照相机输入即时计算了，然而这或是是建立在 FSD 是采用 Transformer 的大模型，参数量是数亿级的（目前我国流行图模型参数量是上千万）。

最为令人惊讶的是，这种级别的实体模型，作出那么迅速的处理速度，或是落地式在 2 颗 4 年以前设计方案制造的 FSD Chip 处理芯片。

用 4 年以前定制的处理芯片，都能把实体模型配对得那么好，测算那么快（那么来说特斯拉的确短时间没做 HW4.0 的迫切性）。国内各位朋友，做不了东西就不要怪处理芯片算率不够用了。

模型参数越多，代表着整体规划出去路线考虑到的生活环境信息越充足，输出车辆控制越光滑顺畅，越接近人们老司机的驾车主要表现。

而测算工作频率越大，则意味着车子对环境破坏反应越立即。尽管现在都能用优化算法来预测分析不一样物件可能性的轨迹，但预测分析终归是“看命”，测算工作频率上来了，就能够及时进行调整，将预测偏差降至最低。

产生结果就是，可以减少误刹车踏板和漏鉴别带来的损失，总体感受会很顺畅。作为一个办事有逻辑的乐观主义者，他总会提出一些不违反物理基本规律，但听下去十分疯狂设计定位，并且总是能完成它，比如 SPEAX 的火箭回收。

还记得以前在埃隆马斯克的传记中看见有人叙述，在特斯拉，当有人以“以前一直是这么做的”来回应埃隆马斯克的需要，那这个人一定会被辞退。

特斯拉能否有“中国好故事”？

不得不承认，特斯拉确实非常强，起码在无人驾驶行业，早已领跑了国内车企和科技有限公司 1 到 2 个身位，但中国公司的确也没必要顺着特斯拉的道路去追逐它。

毫末铁友在项目研发的设计风格上和特斯拉更为相仿，在技术理念上都有很多的共同之处，因而被人们称为版特斯拉。

比如比照本次特斯拉 AI Day 和前段时间的毫末 AI Day ,就会发现两家企业都很重视创建超算中心和训练算法，并且他们完成大城市 NOA 思路都一样，都是采用 Transformer 将控制器键入转换成 环境建模，再根据地图导航的信息做正确引导，走重认知轻地图路线。

在特斯拉 AI Day 以后，AutoLab 也独家代理采访了毫末铁友技术副总裁艾锐，聊了聊对特斯拉本次发布的 FSD 有关技术规范的观点，及其毫末有什么能去参考学习的方向。

艾锐觉得软硬件结合工程项目能力，已经成了特斯拉 FSD 的环城河，优化算法成为了最没有门槛一部分，优化算法方面大伙儿都可以做到，都可以还原，但实际效果方面难以实现 FSD 的能力。

这一方面是因为特斯拉早已首先拿到大量的数据，另一方面乃是特斯拉凭着强劲工程项目能力，能够把这些信息充分发挥较大使用价值。“大家也在讲数据库的情况下，已经在讲硬件配置能力了，现阶段极少有企业可以做到”，艾锐向 AutoLab 讲到 。

现阶段毫末大城市 NOH 很快就要根据 WEY 牌摩卡咖啡 DHT-PHEV 激光雷达运动版消息推送，后面长城旗下也会有多款车配备毫末的高级辅助驾驶系统。

靠着万里长城让毫末拥有中国能更快掌握到海量信息集的发展潜力，下面毫末也可能面临和特斯拉一样“甜蜜的烦恼”，掌握到了丰富多样的数据也仅仅是第一步，假如高效率运用这些信息这才是最有考验，也最能打开智能驾驶能力差别的一环。

现阶段毫末早已下手建造超算中心，还在自主研发自监督学习算法和数据处理工具链。在问到毫末会不会特斯拉一样自主研发练习处理芯片时，艾锐表明这个要从性能费用等要素综合性去考虑，自主研发兼容自身算法模型的处理芯片毫无疑问是最佳的，但个性化难度很大，必须与自己的能力和战略目标相符合。

艾锐表明，需要学习特斯拉的奋斗精神，但不能学习它路，顺着它路走，也就只能追逐它，并且实际上与它走一样的路，也难以能追逐上特斯拉，毫末和中国的无人驾驶公司也都选择一条适合自己路。

包含毫末以内，我国的生产商在新感应器架构设计里都不约而同的加入激光雷达，相比纯视觉效果，激光雷达可以更加直接的导出可行进地区，为自动辅助驾驶的最短路径算法给予极为重要的“一票否决权”，防止撞上了阻碍物。

除此之外拥有激光雷达，点云的信息和摄像头界面就能相互之间真值了，这会对做自监督学习带来了很大的作用。这都是毫末在实践方向。

此外，毫末也创新地使用 NLP 的解决方案来“汉语翻译”人们车主的驾驶行为，将人类驾驶行为公式法，智能化，比如去解释一次躲避是怎么回事儿？哪种类型的场景中，应该做相同的躲避？这类协助机器学习算法人们安全驾驶规矩的计划方案，可以在规控上巨大提高算法的广泛能力。

尽管特斯拉踏出一条很成功的路，但这条路并不适合其他企业来模仿，我们需要的是一个像特斯拉一样探索更多可能性的技术标杆。