据华尔街日报当地时刻 5 月 2 日报导,特斯拉宣告了新的融资计划:增发至少 20 亿美元的股票和可转化债券组合。这一混合融资计划将是特斯拉现金干涸的资产负债表新的资金源头。特斯拉向美国证监会提交的文件显现,公司已将新股的揭露发行量从 270 万股增至 310 万股,每股发行价格 243 美元。

此次融资计划之前,特斯拉正在阅历一段困难的时期,特别是其面向群众商场的 Model 3 轿车的生产规模上,公司一起向欧洲和我国的客户交给轿车也遭受物流问题。别的,马斯克曩昔一向着重特斯拉现已不需求融资了,但本年第一季净亏损超 7 亿美元的财报显着又让他改口了。

融资计划宣告之后,特斯拉管理层与高盛、花旗等组织举行了投资者电话会议。在这个电话会议中,自动驾驭成为马斯克稳住投资者的最大主力。

据彭博社征引两名知情人士泄漏,马斯克在投资者电话会议中称,自动驾驭对特斯拉来说是“革命性的”,是底子驱动力,也是特斯拉成为一家“市值 5000 亿美元的公司”的要害。在电话会议中,马斯克再次许诺了他此前关于特斯拉自动驾驭技能的时刻表:最快下一年年中,路上将会有 100 万辆具有全自动驾驭才能的特斯拉电动车,而且到那时,车主能够经过 Robotaxi 奉献自己车辆进行盈余,每年可获利三万美元。

可是,马斯克对特斯拉自动驾驭如此自傲,特斯拉所谓功用完好的自动驾驭轿车能在多大程度上解放驾驭者?自动驾驭技能真的现已到了临界的突破点吗?特斯拉的自动驾驭技能和时刻表真的能够支撑马斯克5000 亿市值“大饼”吗?

这些问题都值得深化探讨,予以厘清。

(来历:特斯拉)

在软件工程范畴有一个被称为“90-90 规律”的诙谐格言,据传第一个讲这个笑话的人是贝尔试验室的 Tom Cargill。它是这样说的:“(开发软件时)前 90% 的代码要花费 90% 的开发时刻,剩余的 10% 的代码要再耗上另 90% 的开发时刻。

接下来,咱们要根据这个视点来解读一下特斯拉自动驾驭技能的会集体现——自动驾驭芯片这件作业。

在 4 月 22 日特斯拉举行的自动驾驭活动日中,他向世人展现了该公司在彻底自动驾驭技能范畴最新获得的令人瞩意图发展。特斯拉还展现了一款新的神经网络核算芯片 FSD,好像现已能够与这一范畴的领导者英伟达(Nvidia)竞赛。

特斯拉也向人们解说了 FSD 怎么运用自己巨大的客户及其车辆来搜集数据,然后能够被用来协助练习其神经网络。

马斯克这次想要向人们传达的一个重要信息是,特斯拉间隔拿下彻底自动驾驭轿车的“圣杯”现已近在咫尺。马斯克说道,依照计划到本年年末,特斯拉的自动驾驭轿车将能够抵达,在没有任何人为操作干与的状况下,在地上大街或许高速公路上的任何两点之间自动驾驭。

在到达这一方针之后,依照马斯克的术语,自动驾驭轿车就现已抵达“功用完好(feature complete)”了,但在这一阶段,自动驾驭轿车依然不时需求人类驾驭员来监控车辆并在发作突发状况时进行人为干与。不过依照马斯克的估测,之后只需求六个月的时刻,自动驾驭软件就能够具有满足的可靠性,不需求人为监督干与就能够彻底自动驾驭。依照马斯克的等待,到 2020 年末,特斯拉将具有数千辆特斯拉自动驾驭轿车,来为运用类似于优步等出租车服务的乘客供给无人驾驭出租车服务。

马斯克的了解或许是,一旦特斯拉的自动驾驭轿车在本年下半年抵达了所谓的“功用完好(feature complete)”,它们就现已完结了自动驾驭开发的前 90%的作业了。可是在这儿,最大的问题是,真的现已完结了 90% 了吗?或许依照 Tom Cargill 的 90-90 规律来看,剩余的作业真的只需求 10% 的开发时刻吗?

自动驾驭研发问在第二阶段

图丨 Waymo 公司的工程师运用上图所示的的杂乱的图表来显现路途状况(来历:Waymo)

咱们能够将把自动驾驭轿车的开发分为两个阶段来进行。在第一阶段,开发的重点是树立自动驾驭轿车对国际的静态了解。比方说,现在轿车正在行进的这条路在哪里?周围的其他车又在哪里?邻近是否有行人或自行车?现在地点的特定区域有什么交通法规?

当轿车软件能够完结自动驾驭第一阶段的使命之后,理论上讲,自动驾驭轿车就应该能够在空阔路途上的恣意两点之间完美驾驭了,乃至即便在拥堵的路途上,它也应该能够做到防止碰到任何其他事物。这也便是被马斯克称为「功用完好」的自动驾驭程度。Waymo 公司在 2015 年左右完结了这种自动驾驭水平,而特斯拉的方针是在本年晚些时分也抵达这一方针。

可是,假设你想让自己的轿车抵达能够为人们供给无人驾驭出租车服务的水平,你还需求深化第二阶段的开发,这一阶段的重点是怎么处理与周围其他事物之间各种杂乱的交互场景,包括与其他驾驭员、行人和其他路途运用者的各种杂乱交互。

假设处理不了第二阶段的问题,自动驾驭轿车就会经常因无法做出决议计划而“冻住”在原地。它将很难完结在较为拥堵的状况下上高速,在环形交叉路口导航以及在无维护的状况下打左转等各种使命。而且你有或许会发现,在有许多行人过马路的当地,这辆自动驾驭轿车会因为忧虑有人会忽然跳到车前而手足无措,或许在建筑工地或繁忙的泊车场邻近时,它也会不知道该做何反响。

这些仅仅处理第一阶段却未处理第二阶段使命的自动驾驭轿车,当然终究也很或许会将你带到意图地,但其乘坐进程很或许是一个缓慢且不安稳的进程,以至于用过一次之后,就没有人想再用它。这样的轿车很有或许因为其蠢笨的驾驭风格而令路途上的其他人抓狂,乃至或许导致整个大众都会对立运用自动驾驭技能。

除此之外,在第二阶段的开发中,开发人员还需求处理各种越来越不寻常的“稀有状况”,比方在单行道上遇到逆行的轿车怎么办;比方一辆货车在结冰的路面上忽然失控而且开端向后打滑驶向后边的车队怎么办;又或许是忽然遇到了森林大火、洪水或龙卷风而使路途无法通行,该怎么应对。这一阶段要处理的有些状况或许如此稀有,以至于公司或许测验其软件许多年,也无法真实包括一切这些在实践中或许碰到的状况。

在曩昔三年里,Waymo 公司一向都处于自动驾驭开发的第二阶段。而比较之下,马斯克好像以为第二阶段的开发就显得有点微乎其微了。马斯克好像信任,只需特斯拉的轿车能够辨认路途上的车道符号和其他物体,它就现已做好预备迎候彻底无人驾驭阶段的到来了。

特斯拉新式自动驾驭芯片,优势能保持多久?

图丨一辆特斯拉无人驾驭开发阶段的样车,运用的是英伟达公司的 Drive PX 2 AI 人工智能技能(来历:英伟达)

在曩昔十年中,经过更深层的网络、更多的数据和更多核算才能的组合,研讨人员对神经网络的功能现已做出了不断改进,在深度学习范畴实践上现已进行了革命性的发展。在前期的深度学习试验中,首要是经过并行运用消费级的 GPU 来进行的。而在最近,谷歌和英伟达等公司现已开端专门为深度学习作业负载而规划定制的芯片。

自从 2016 年以来,特斯拉自动驾驭轿车的先进驾驭辅佐体系(Autopilot)一向是由英伟达公司的 Drive PX 渠道来支撑的。但在上一年,特斯拉现已弃用英伟达的渠道,转而选用自己的定制芯片 FSD。

在发布会上,马斯克邀请了自己在 2016 年从苹果公司延聘的芯片规划师 Pete Bannon 来解说他的作业。Bannon 在活动中表明,开发这款新的体系首要意图便是直接替代之前的整个根据英伟达渠道的体系。

Bannon 提到,“这是两台相互独立的核算机,它们单独发动并运转自己的操作体系。每台核算机都有独立的电源,即便其间一台核算机溃散,轿车也还将能够持续正常驾驭。”

Bannon 说,每个自动驾驭芯片都具有 60 亿个晶体管,该体系被规划用于以大规模的并行办法来履行神经网络中所运用的各种操作。每个芯片都有两个核算引擎,能够在每个时钟周期履行 9,216 次乘加运算——乘加运算也是神经网络核算的中心运算。每个 FSD 体系将具有两个这样的芯片,FSD 体系的总核算才能为每秒 144 万亿次运算。

特斯拉说,这款新的芯片比该公司之前运用的英伟达芯片优化了 21 倍。当然,比起 2016 年供特斯拉用的那款芯片,英伟达也早已开发作产出更新的芯片;但特斯拉仍表明,即便与英伟达公司现在最新的运算速度为 21 TOPS(即每秒 21 万亿次运算)的 Drive Xavier 芯片比较,特斯拉的这款 FSD 芯片也更强壮,FSD 芯片的运算速度为 144 TOPS。

可是英伟达以为,上面的比较办法并不公正。该公司表明,首要自己的 Xavier 芯片可供给 30 TOPS 的运算速度,而不是 21 TOPS。更重要的是,英伟达称它们一般会将 Xavier 封装在具有强壮 GPU 芯片的芯片上,然后使其具有 160 TOPS 的核算才能。而且,和特斯拉的做法相同,英伟达也将这些体系成对封装,以增强其冗余可靠性。因而他们的 Xavier 芯片的整个体系终究具有 320 TOPS 核算才能。

当然终究真实重要的,并不是体系的理论操作速度,而是整个体系面临实践作业负载时的实践运算履行状况。特斯拉称,自己的芯片专门为高功能和低功耗而规划,因而非常适用于自动驾驭运用,在自动驾驭范畴能够供给比英伟达用处更广泛、功能更好的芯片。

不过不管怎么,两家公司都在研讨下一代芯片和体系规划,这样看来,现在两家公司所具有的任何优势都或许转瞬即逝。

马斯克信任“数据护城河”

神经网络的一个最经典的,也是与自动驾驭轿车相关很大的一个运用,应该便是图画辨认了。自动驾驭软件需求区分邻近的物体是轿车、自行车、行人、路灯柱子,仍是一袋废物。这些信息能够协助软件来断定某一个方针在未来或许会怎么移动,以及或许遇到的问题的严峻程度。

神经网络非常合适来处理这种图画分类问题。为了练习神经网络,程序员们一般会树立一个大型的图画数据库,并对数据库中所包括的方针进行类型符号。然后,体系会运用称为反向估测的技能来“练习”网络,然后抵达能够正确地对各种图画进行分类。

在曩昔十年中,研讨人员发现,跟着投入的数据越来越多,核算才能越来越高,深度神经网络也变得越来越精确。但至关重要的一个问题是,只需这些添加的数据能够真实代表实践国际的彻底杂乱性时,才能为深度学习的练习真实添加价值。神经网络的学习非常直观,假设它在学习时所看到的练习数据一向都仅仅某种类型的数据,那么它也只能学习辨认这种特定类型的方针。

特斯拉的人工智能范畴的大师 Andrej Karpathy 在 4 月 22 日的讲演中给出了一个很好的比如。Karpathy 说,当特斯拉的轿车在实践驾驭中遇到异常状况,特斯拉公司能够调回其时的异常状况的数据并进行剖析。比方说,假设公司忧虑自己的软件在辨认固定在车辆上的自行车方面做得还不够好,它能够要求特斯拉的车辆在驾驭时特别留意邻近的自行车和轿车的图画。然后特斯拉能够招聘人员来专门查看这些图画,并验证它们是否包括挂在车辆尾部的自行车,再将这些图画添加到特斯拉的图画练习数据会集,然后协助软件往后的版别能够更好地了解自行车和车辆组合在一起的各种状况。

在自动驾驭开发的终究阶段,“长尾”将非常消耗时刻(长尾在本文中指那些呈现频率低、但风险性或许很高的状况)

特斯拉所提出的战略,或许非常合适让特斯拉完结前述的自动驾驭开发的第一阶段:只需路途不是那么拥堵,整个进程中没有什么突发的、古怪的作业发作,它将使自动驾驭轿车能够完结在任何两点之间行进的程度。

之后,特斯拉将进入开发的第二阶段:处理杂乱的与人类之间的互动状况,以及之后的一长串的稀有但却存在有很大的潜在风险的各种状况。

特斯拉在活动中对此问题的根本观念是,它们将能够从特斯拉的车队中获取数据,这些数据将使特斯拉在处理第二阶段的各种问题方面具有很大的优势。

Karpathy 说,“处理这些问题需求先从一切实践搜集到的数据中辨认出这些状况,然后进行软件迭代,终究才能够真实为神经网络供给正确的处了处理这类问题的数据,而上面所说的整个进程的速度,与能够从实践驾驭进程中搜集到的数据中包括这些状况的频率成正比”。

可是,尽管特斯拉或许有才能获得许多的数据,但并没有满足的带宽来将特斯拉轿车的每一分钟驾驭的记载数据反馈给公司总部。相反,只需在特斯拉的工程师通知轿车需求留意哪些类型的状况,而且之后当轿车真实遇到与其间一种类型匹配的状况时,轿车才会将现场的短视频剪辑反馈给特斯拉总部。

这也就意味着只需工程师有满足的先见之明,发送了从轿车那里恳求这种类型数据的指令时,特斯拉总部才会搜集到这类极少数状况下的数据。假设某些状况非常稀有古怪,以至于工程师们历来都没有考虑过会发作这类状况,那么这类状况的数据即便特斯拉轿车从前遇到过,其现场数据也或许永久都不会进入到特斯拉的自动驾驭练习数据会集。

走运的是,特斯拉有一些其他技能来符号自己的软件不能很好了解的状况。当人类驾驭员在发现自动驾驭仪(Autopilot)做错了什么的时分,软件会记载下来这种状况。此外,即便当人类驾驭员在操作且自动驾驭仪处于非活动状况时,特斯拉轿车依然会在“暗影形式”下发动运转其自动驾驭软件,来核算假设自动驾驭仪处于活动状况时会采纳哪种办法。

这种做法有一个问题便是,他们所处理的一般是一个非常喧闹的信号。人类驾驭员每天都要停用数十万次自动驾驭仪,关于需求从这些数据中搜集一场状况的人类来说,这些数据真实是太多太纤细了。而且软件越好,这种办法的运用就越像是在难如登天。

当然,这并不是说特斯拉的这种办法不起作用。雇佣人员来从特斯拉车队搜集的数十亿英里的数据中寻觅异常状况,当然比 Waymo 招聘人类驾驭员来驾驭数百万英里的办法更省人力本钱。但正如 Karpathy 所说的那样,“在挨近 100% 之前的 99.99……% 中的终究几个 9 的作业,将是非常困难扎手的。”不管公司有多么多的原始数据,这一进程都将非常消耗时刻。

了解人类的行为,真的很难

图丨 Delphi 的驾驭界面,其间描绘了自动驾驭轿车的视图。图中蓝线是地图信息,点是 LiDAR 符号的点,途中的 X 点是雷达发现符号的点。当没有行人进入时,人行横道变成绿色(来历:Arstenica)

自动驾驭轿车不只需求树立对国际在这一秒的静态了解,它还需求树立对国际的动态了解,即国际在未来几秒内会怎么改动,特别是,自动驾驭软件需求了解人类的行为办法。

特斯拉的这次活动中所重视到的最具远见的问题之一便是上述这个要害论题。而特斯拉也给出了自己对这一问题的答复。

在发布会上,有人发问:“特斯拉的这款自动驾驭体系的确在了解路标、物体的方位以及轿车的驱动办法现已做的很好;可是关于各种非科学的状况下呢,比方说泊车时,在环形交叉路口谁先谁后,以及路途上还有类似于马车等非人类驾驭的交通办法存在的状况下,自动驾驭体系怎么处理?”

马斯克的答复是,“咱们的芯片实践上现已做的的确很不错,它会运用类似于插件的东西,将能够很好地处理这类问题。”

而 Karpathy 则提出了一个更详细的答复:“咱们现在正在运用许多的机器学习来练习自动驾驭体系的猜测才能,首要给自动驾驭创立一个国际的形象表明,在这个形象表明之上又会有一个清晰的计划器和一个控制器,这儿还有各种用于猜测的怎么进行遍历和商洽的各种启发式办法等。的确,咱们有必要处理终究的“稀有状况”,而且自动驾驭的长尾会有特别多的状况,在对视觉环境的处理上会有“稀有状况”,在关于各种状况的反响或许与其他路途运用者的商洽方面也会有“稀有状况”需求处理。可是咱们有很大自傲是,这些“长尾“问题,终究肯定是靠一种车队机器学习组成来处理的。因为我以为,假设靠人工编写各种程序或许规矩来处理这类问题,将很快遇到瓶颈。”

活动中的这些说话现已从几个方面向咱们泄漏了一些信息。

首要,很显着 Karpathy 比马斯克更深化地考虑了这个问题。这一问题的切入点尽管是自动驾驭需求能够猜测另一个驾驭员行为的各种状况,但实践上这是在路上最简略常见的人与人之间的互动。马斯克答复的特斯拉轿车在这一方面做的“适当不错”,并不能阐明特斯拉选用的办法是可行的。

比较之下,Karpathy 好像更深地认识到这其间的杂乱性。他说道,“终究肯定是靠一种车队机器学习组件(a fleet-learning component)来处理的”,这表明特斯拉在为针对这类问题所需开发的组件方面没有获得很大的发展。相反,他供认 Autopilot 的计划模块运用了“许多启发式”办法来处理所遇到的与其他路途运用者之间的交互。

马斯克说:“从本质上讲,现在人工智能和神经网络首要被用于物体的辨认,咱们根本上依然将它用作处理停止帧上的物体,并也将方针辨以为停止帧,然后再将其绑定在之后的感知/途径规划层中。”

从马斯克的这些答案来看,要想完结马斯克拟定的完结自动驾驭的急进的开发计划,或许时刻有点紧张了。支撑特斯拉能够比其竞赛对手完结更快的开发速度的观念,是特斯拉能够运用神经网络练习从特斯拉车队搜集到的许多数据。

可是,即便 Karpathy 和马斯克自己也供认,特斯拉才开端测验运用神经网络来处理更杂乱的感知和途径规划方面的问题。很难令人信任,特斯拉能够在仅仅 15 个月的时刻内,就能够完结运用神经网络彻底重写其感知和途径规划软件,然后对这一软件进行各种严厉测验的一切的作业。

即便 Waymo 公司现已具有在机器学习范畴的许多优势,这一问题仍是困扰了它们三年或更长时刻。那么,特斯拉要在未来几年内就抵达与 Waymo 平起平坐的水平,这个说法有说服力吗?

弃用激光雷达和高清地图是愚笨的?

图丨由 Ouster 的相机和激光雷达体系拍照的三层图画示例。顶部图画显现环境光,中心图画显现反射激光,底部图画显现的是周围物体的深度的数据。下面的图片是传统激光雷达“点云”格局的三维烘托(来历:Ouster)

这次活动的另一个主题是,马斯克以为激光雷达和高清晰度地图在自动驾驭方面是不适用的。他以为,依靠这些体系的自动驾驭体系将会是“一触即溃”而且简略呈现毛病的。特斯拉的竞赛对手终究也将不得不抛弃运用这些体系。

马斯克的说法或许是正确的,但咱们不知道的是,开发这样的体系是需求两年、十年仍是三十年的时刻来完结这一方针。

的确,假设软件过度依靠于激光雷达或高清地图,其作用或许会拔苗助长。例如,自动驾驭轿车或许会盲目地沿着高清地图上安置的途径行进,而不查看周围的状况,以承认真实场景是否比地图创立时发作了改动。

可是,假设能够聪明地运用它们,激光雷达和高清地图仍将能够带来许多其他价值。特斯拉的粉丝总喜爱说,只需你有满足好的视觉算法,激光雷达是彻底不需求的,但自动驾驭软件其实也仅仅经过内涵概率来做出判别。

例如,软件或许会核算出一个方针有 97%的或许性是一个灯柱,另一个非常难以区分的方针有 83%的或许性仅仅一个传感器的伪影(伪影:指因为传感器的物理原理或算法而导致的拍照或扫描印象中呈现了实践不存在的各种形状的印象)。

而假设轿车能够凭借高清地图协助,它将能够在地图上查看该方位是否应该的确是一个灯柱。假设是这样,那么轿车将能够更有信心肠行进。假设高清地图上没有显现这儿有灯柱,那么轿车就需求考虑其他的或许的解说。

相似地,激光雷达也能够协助自动驾驭体系承认在显着的传感器伪影方向上是否的确存在实践物体,从而协助轿车判别是否能够安全地疏忽它。

轿车感知国际的办法越多,某个传感器的误导性数据终究导致自动驾驭体系的过错性操作的或许性就越小。激光雷达和高清地图都为无人车供给这类数据,它们能够协助自动驾驭软件承认或撤销来自其他传感器的数据。

但更值得留意的是,马斯克对激光雷达的批评点,首要重视于对车辆周围构建静态物体模型的相对简略的使命上。

在讲演中,Karpathy 专门花时刻解说了特斯拉运用相机来检测车道线,以及确认相机结构中的物体间隔的战略。或许特斯拉现已在不运用激光雷达和相机的状况下,快速获得了处理这些问题的发展。

但实践上,Waymo 现已在曩昔的许多年或多或少处理了这些问题,或许 Waymo 严峻依靠激光雷达和高清地图的计划,或许并不是处理此问题最具本钱效益或技能高雅的计划。但这一体系一向运作杰出。关于一家也仍在尽力处理相同问题的公司来说,特斯拉将 Waymo 的处理计划视为不可行,真实有点难以了解。

-End-

参阅:

https://www.wsj.com/articles/tesla-seeks-raise-as-much-as-2-7-billion-up-from-2-3-billion-11556886130

https://www.wsj.com/articles/tesla-looks-to-raise-as-much-as-2-3-billion-in-debt-and-equity-11556800692

https://www.bloomberg.com/news/articles/2019-05-02/musk-is-said-to-make-500-billion-autonomy-pitch-to-investors?srnd=technology-vp

https://arstechnica.com/cars/2019/05/2-34-billion-fundraise-gives-tesla-much-needed-breathing-room/

https://arstechnica.com/cars/2019/04/teslas-autonomy-event-impressive-progress-with-an-unrealistic-timeline/

重视 DeepTech

发现改动国际的新式科技

(微信号:deeptechchina)

声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间服务。

推荐阅读