特斯拉 Autopilot 已經(jīng)很久沒有更新了。

隨著 2018 年 10 月 27 日特斯拉 2018．42．2 版本的大規(guī)模推送，Autopilot 軟件團(tuán)隊(duì)的精銳力量全部聚焦到了增強(qiáng)召喚（Enhanced Summon）功能的研發(fā)上。

9 個(gè)月過去了，敢想敢干、效率至上的 Autopilot 團(tuán)隊(duì)至今沒能搞定「增強(qiáng)召喚」。

2019 年 4 月 6 日，Elon Musk 在 Twitter 預(yù)告「增強(qiáng)召喚」將于一周后大規(guī)模推送。但隨后 Autopilot 的實(shí)際表現(xiàn)證明，那個(gè)版本的「增強(qiáng)召喚」完全沒有 Elon 說得那么效果拔群。

在 4 月 23 日的特斯拉投資者日上，Elon 無意中透露最新版本的「增強(qiáng)召喚」仍在內(nèi)測中，而它目前還不適合大規(guī)模推送給用戶。

也就是說，效果理想的「增強(qiáng)召喚」，至今仍沒有研發(fā)落地。而特斯拉最新公布的推送日期，定在「8 月 16 號(hào)前后」。

特斯拉 Autopilot 怎么了？今天，我會(huì)嘗試從組織架構(gòu)、AI ＆ 軟件、硬件三個(gè)方面嘗試說明，為什么 Autopilot 走到了拐點(diǎn)，為什么說 Elon Musk 正在推進(jìn) Autopilot 的終局戰(zhàn)爭。

5 個(gè)月實(shí)現(xiàn)自動(dòng)駕駛

從 LA Brentwood 的家到 Hawthorne 的特斯拉設(shè)計(jì)中心，Elon 經(jīng)常會(huì)選擇開特斯拉前往，他有一輛 Model S 一輛 Model 3。兩輛車的相同之處在于都搭載了開發(fā)者版本的 Autopilot，區(qū)別之處在于這是兩個(gè)不同的版本分支：一個(gè)支持「增強(qiáng)召喚」功能，另一個(gè)支持自動(dòng)駕駛（Full Self Driving）功能。

在每天上下班通勤的路上，他會(huì)開啟上述功能進(jìn)行測試，并將問題直接反饋給 Autopilot 團(tuán)隊(duì)。

8 個(gè)月后，Elon 重新開始談?wù)?Autopilot。

擁有復(fù)雜交通燈的交叉路口和購物中心停車場的交叉口是兩個(gè)最大的軟件挑戰(zhàn)。開發(fā)團(tuán)隊(duì)分支的大部分精力都投入在這些場景中，但要達(dá)到 99．9999％ 的安全性還需要付出大量的努力。

停車場（增強(qiáng)召喚）是個(gè)非常棘手的問題。今天晚些時(shí)候會(huì)對(duì)「增強(qiáng)召喚」進(jìn)行深入的工程審查。

三天后答另一位網(wǎng)友的問題時(shí)，Elon 透露「增強(qiáng)召喚」將于 8 月 16 日前后進(jìn)行大規(guī)模推送。Autopilot 團(tuán)隊(duì)攻克了大量復(fù)雜的挑戰(zhàn)。對(duì)于新版增強(qiáng)召喚，Elon 的評(píng)價(jià)是 Magical。

「增強(qiáng)召喚」的定義，是從停車場的任意車位響應(yīng)駕駛員的手機(jī) App 召喚，自動(dòng)駕駛至駕駛員所在位置。聽起來似乎沒有那么困難，但為什么讓 Autopilot 的開發(fā)進(jìn)度一度陷入停滯？

「最大的軟件挑戰(zhàn)」是一個(gè)籠統(tǒng)的說法，更具體地說，是感知？決策？還是控制存在挑戰(zhàn)？

從 2015 年 10 月起，Elon 就開始親自面試并直接領(lǐng)導(dǎo) Autopilot 團(tuán)隊(duì)。發(fā)展到今天，特斯拉 Autopilot 團(tuán)隊(duì)一共有 200 人左右。

Autopilot 硬件副總裁 Pete Bannon 領(lǐng)導(dǎo)著大約 70 人的硬件團(tuán)隊(duì)，負(fù)責(zé)特斯拉 AI 芯片以及毫米波雷達(dá)的自主研發(fā)工作。

Pete Bannon

Autopilot 工程副總裁 Stuart Bowers 領(lǐng)導(dǎo)著 Autopilot 最大的一支團(tuán)隊(duì)，人數(shù)達(dá)到 100 人左右，負(fù)責(zé)地圖、質(zhì)量控制、模擬和固件更新業(yè)務(wù)的推進(jìn)。

Stuart Bowers

Autopilot Vision ＆ 特斯拉 AI 高級(jí)總監(jiān) Andrej Karpathy 領(lǐng)導(dǎo)著最小但最核心的一支團(tuán)隊(duì)，負(fù)責(zé)特斯拉計(jì)算機(jī)視覺和人工智能技術(shù)邊界的探索。這支大約 35 人的團(tuán)隊(duì)涉及的技術(shù)包括自我監(jiān)督學(xué)習(xí)、模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，是硅谷乃至全球最頂級(jí)的人工智能應(yīng)用研究團(tuán)隊(duì)之一。

Andrej Karpathy

Pete、Stuart 和 Karpathy 鐵三角向 Elon 直接匯報(bào)的穩(wěn)定關(guān)系已經(jīng)持續(xù)了接近 1 年（這在特斯拉非常少見），直到 4 月 23 日特斯拉投資者日后，事情開始起變化。

在特斯拉投資者日上，Elon 放出了一張?zhí)厮估�的十�?To－do List，左邊是已經(jīng)達(dá)成的里程碑，右邊明確寫著 2019 年，也就是未來 5 個(gè)月內(nèi)，特斯拉將實(shí)現(xiàn)自動(dòng)駕駛功能完成（Feature complete）。

這一次，沒有 Mobileye 不開放的視覺感知限制，也沒有 Autopilot 2．＋ 的算力桎梏，在過去的三年里，Elon Musk 兵不血刃掃清了通往自動(dòng)駕駛道路上的所有物理限制。現(xiàn)在輪到 Autopilot 團(tuán)隊(duì)上場了。

5 個(gè)月實(shí)現(xiàn)自動(dòng)駕駛，這是一個(gè)苛刻到殘酷的時(shí)間表，但研發(fā)已經(jīng)開始推進(jìn)。媒體的報(bào)道中說 Elon 和 Autopilot 團(tuán)隊(duì)爆發(fā)了激烈的沖突。其實(shí)沒有什么「激烈的沖突」，有的只是兩個(gè)選擇：5 個(gè)月實(shí)現(xiàn)自動(dòng)駕駛；走人。

5 月 10 日，Stuart 治下的軟件工程團(tuán)隊(duì)最先被動(dòng)刀，先后有五位工程師離職。

「增強(qiáng)召喚」技術(shù) Lead Nenad Uzunovic

感知 Lead Zeljko Popovic

首席感知工程師 Drew Steedly

控制和路徑規(guī)劃高級(jí)工程師 Frank Havlak

模擬團(tuán)隊(duì)高級(jí)工程師 Ben Goldstein

在 Autopilot 內(nèi)部，一場更大的風(fēng)暴正在來臨。Stuart 被降職，Ashok Elluswamy 被提拔為感知 ＆ 計(jì)算機(jī)視覺團(tuán)隊(duì)負(fù)責(zé)人、CJ Moore 出任 Autopilot 模擬、質(zhì)量控制負(fù)責(zé)人，路徑規(guī)劃負(fù)責(zé)人變成了 Drew Baglino，上述三人改為直接向 Elon 匯報(bào)。

也就是說，在核心五人組（CEO、CFO、CTO、首席設(shè)計(jì)師、汽車業(yè)務(wù)總裁）之外，向 Elon 匯報(bào)的除了遍布全球的 22 位副總裁，新增 3 位 Autopilot 團(tuán)隊(duì)執(zhí)行負(fù)責(zé)人。新的組織結(jié)構(gòu)如下。

Autopilot 硬件 VP Pete Bannon

Autopilot 工程 VP Stuart Bowers

Autopilot Vision 高級(jí)總監(jiān) Andrej Karpathy

Autopilot 感知 ＆ CV 負(fù)責(zé)人 Ashok Elluswamy

Autopilot 路徑規(guī)劃負(fù)責(zé)人 Drew Baglino

Autopilot 模擬負(fù)責(zé)人 CJ Moore

如上所述，截至目前，Autopilot 部門向 Elon 直接匯報(bào)的高管達(dá)到了六位之多，在特斯拉所有業(yè)務(wù)中排名第一。

在上面離職的高管中，不乏任職五年以上的 Autopilot 創(chuàng)始成員。在過去的五年里，他們經(jīng)歷了 Autopilot 1．0 到 3．0 的迭代，經(jīng)歷了「鐵打的 Elon，流水的軟件副總裁」，為什么在今天離職？

過去的時(shí)間表無論多么苛刻，Elon 的任務(wù)無非是「6 個(gè)月自研視覺工具取代 Mobileye」、「3 個(gè)月完成自動(dòng)變道的研發(fā)測試推送」。盡管這些任務(wù)也都是世界級(jí)難題，但全力以赴 ＋ 跳票帶來的時(shí)間寬限，終歸是可以解決的。

今天，他們接到的任務(wù)是「5 個(gè)月實(shí)現(xiàn)自動(dòng)駕駛」。

自 2009 年以來 Google X 實(shí)驗(yàn)室研發(fā)自動(dòng)駕駛汽車以來，自動(dòng)駕駛領(lǐng)域前仆后繼地砸進(jìn)了數(shù)百億美金，數(shù)不盡巨頭、高校、科研機(jī)構(gòu)投入了大量的人才研發(fā)。但直到今天，自動(dòng)駕駛?cè)匀皇且黄�荒原，是廣袤無垠的技術(shù)無人區(qū)。

在過去的 5 年里，特斯拉一直面臨供應(yīng)商、車規(guī)、算力等各種各樣的物理限制，不具備進(jìn)軍自動(dòng)駕駛的現(xiàn)實(shí)條件。今天，Elon Musk 開始強(qiáng)力推進(jìn)自動(dòng)駕駛的研發(fā)。

特斯拉 Autopilot 走到了一個(gè)拐點(diǎn)。

Autopilot Vision 是怎樣煉成的

2016 年 7 月，Andrej Karpathy 加入特斯拉出任 Autopilot Vision ＆ AI 總監(jiān)。在Autopilot 部門劇烈人事變動(dòng)的同時(shí)，35 人的 AI 部門穩(wěn)如泰山，Karpathy 的工作功不可沒。

在加入特斯拉之前，Karpathy 先后在斯坦福大學(xué) AI 實(shí)驗(yàn)室、Google 和 Open AI 從事 AI 領(lǐng)域的研究。特斯拉 Autopilot 應(yīng)用到的 AI 技術(shù)包括自我監(jiān)督學(xué)習(xí)、模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

在特斯拉官網(wǎng)，我們看到「Tesla Vison 基于深度神經(jīng)網(wǎng)絡(luò)，能夠?qū)π熊嚟h(huán)境進(jìn)行專業(yè)的解構(gòu)分析，相比傳統(tǒng)的視覺處理技術(shù)可靠性更高」。

但特斯拉到底是如何應(yīng)用 AI 驅(qū)動(dòng) Autopilot 向自動(dòng)駕駛的道路邁進(jìn)的？我們需要更多信息。

首先我們先要明白的是，所謂 Tesla Vision，一個(gè)端到端的深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks），Ta 不是一個(gè)深度神經(jīng)網(wǎng)絡(luò)，而是多個(gè)深度神經(jīng)網(wǎng)絡(luò)各司其職的組合體。

首先是「物體的檢測與分類」，包括障礙物、交通信號(hào)燈和路標(biāo)的檢測與識(shí)別。

DriveNet：感知道路上的其他車輛、行人、交通燈（不分辨狀態(tài)）和路標(biāo)

LightNet：對(duì)交通燈的狀態(tài)進(jìn)行分類：紅色、黃色或綠色

SignNet：識(shí)別路標(biāo)類型，停車／限速／單行道等等

WaitNet：檢測識(shí)別車輛必須停車和等待的情況，例如交叉路口／大型停車場

在「物體的檢測與分類」部分，Karpathy 推崇通過「自我監(jiān)督學(xué)習(xí)」來快速提升 Tesla Vision 的能力。

自我監(jiān)督學(xué)習(xí)是深度學(xué)習(xí)領(lǐng)域非常熱門的一個(gè)細(xì)分方向，4 月 30 日，三大 AI 教父之一、Facebook 首席 AI 科學(xué)家 Yann LeCun 專門發(fā)文談了自我監(jiān)督學(xué)習(xí)領(lǐng)域的現(xiàn)狀。自我監(jiān)督學(xué)習(xí)在自然語言處理領(lǐng)域取得了巨大的成功，但在圖像或視頻領(lǐng)域還不能很好的工作，在他看來，這將是未來幾年 AI 領(lǐng)域最棘手的挑戰(zhàn)（the greatest challenge in ML and AI of the next few years）。

將自我監(jiān)督學(xué)習(xí)應(yīng)用于圖像或視頻領(lǐng)域，這就是 Karpathy 所做的工作，只不過時(shí)間寬度「未來幾年」變成了 5 個(gè)月。

什么是自我監(jiān)督學(xué)習(xí)呢？自我監(jiān)督學(xué)習(xí)通過設(shè)計(jì)輔助任務(wù)來學(xué)習(xí)可區(qū)別性的視覺特征，這樣一來，目標(biāo)標(biāo)簽?zāi)軌蛑苯訌挠?xùn)練數(shù)據(jù)或圖像中獲得，并為計(jì)算機(jī)視覺模型的訓(xùn)練提供監(jiān)督信息。

自我監(jiān)督學(xué)習(xí)最大的優(yōu)勢就是消除了監(jiān)督學(xué)習(xí)要求人類進(jìn)行數(shù)據(jù)標(biāo)注的先決條件，通過提取并使用自然場景前后的相關(guān)元數(shù)據(jù)作為監(jiān)督信號(hào)。

以自動(dòng)駕駛為例，截至 7 月 5 日，特斯拉 Autopilot 全球累計(jì)里程已經(jīng)超過了 15．5 億英里，對(duì)于這樣一個(gè)天文數(shù)字規(guī)模的數(shù)據(jù)集進(jìn)行清洗、手動(dòng)標(biāo)注、訓(xùn)練和完善深度神經(jīng)網(wǎng)絡(luò)，這在短期內(nèi)是不可能完成的。

而自我監(jiān)督學(xué)習(xí)很好地解決了這個(gè)問題，某種程度上，它讓深度神經(jīng)網(wǎng)絡(luò)走上了自我完善的道路，你要做的是利用全球 50 萬輛規(guī)模的車隊(duì)收集數(shù)據(jù)并用于訓(xùn)練它，它就會(huì)變得越來越強(qiáng)大。

初步的感知完成后，接下來是路徑規(guī)劃。在路徑規(guī)劃層面，同樣需要多層深度神經(jīng)網(wǎng)絡(luò)來完成對(duì)環(huán)境的感知。以完成車輛前方道路的規(guī)劃。

OpenRoadNet：識(shí)別車輛周圍的所有可駕駛空間，包括所在車道和相鄰車道

PathNet：在沒有車道線的情況下突出顯示車輛的可行路徑

LaneNet：檢測車道線和定義行車路徑的其他標(biāo)記

MapNet：識(shí)別可用于創(chuàng)建和更新高精地圖的車道和地標(biāo)

路徑規(guī)劃也存在一些超級(jí)復(fù)雜的挑戰(zhàn)。比如說車道線不清晰甚至沒有車道線的路況（當(dāng)然，你可能注意到了上面的 PathNet），這些問題該如何解決呢？Karpathy 的解決方案是：人類是怎么做的，Autopilot 就怎么做。

模仿學(xué)習(xí)（imitation learning）是深度學(xué)習(xí)領(lǐng)域一種相當(dāng)流行的研究方法。2019 年 2 月 ，Waymo 首席科學(xué)家 Drago Anguelov 在 MIT 發(fā)表演講。Drago 披露借助「模仿學(xué)習(xí)」，Waymo 自動(dòng)駕駛汽車正在通過學(xué)習(xí)人類駕駛的行為，來提升系統(tǒng)的駕駛能力。

特斯拉使用的方案叫做行為克隆（Behaviour Cloning，模仿學(xué)習(xí)的一種）。行為克隆是什么意思呢？這個(gè)相對(duì)好理解得多，我們?nèi)祟悓W(xué)習(xí)新技能就是通過觀察別人怎么做從而完成學(xué)習(xí)。

So we just source a lot of this from the fleet， we train a neural network on those trajectories， and then the neural network predicts paths just from that data． So， really what this is referred to typically is called imitation learning．

We’re taking human trajectories from the real world and we’re just trying to imitate how people drive in real worlds．

前面說了，擁有復(fù)雜交通燈的交叉路口對(duì)自動(dòng)駕駛汽車來說最具挑戰(zhàn)的一種場景。這個(gè)時(shí)候系統(tǒng)該怎么決策呢？

每一輛特斯拉汽車經(jīng)過（無論 Auopilot 啟用與否）該路口，8 顆攝像頭都會(huì)生成一個(gè)圖像數(shù)據(jù)。當(dāng)圖像數(shù)據(jù)足夠多的時(shí)候，深度神經(jīng)網(wǎng)絡(luò)就會(huì)提取人類駕駛員在此路口采取的駕駛決策（包括車輛所在位置、車速、轉(zhuǎn)向角度、剎車力度等等）中相同元素的最高部分來進(jìn)行學(xué)習(xí)。

在另一輛特斯拉在 Autopilot 啟用狀態(tài)下經(jīng)過該路口時(shí)，Autopilot 就會(huì)模仿人類駕駛員的安全駕駛行為去進(jìn)行決策。

不僅如此，在同城的其他區(qū)、其他城市乃至其他國家，遇到類似情形的路口時(shí)，深度神經(jīng)網(wǎng)絡(luò)會(huì)調(diào)取駕駛員的安全駕駛行為去匹配遇到的情形，完成學(xué)習(xí)能力的遷移。

我們談了自我監(jiān)督學(xué)習(xí)、模仿學(xué)習(xí)，但要讓跑在全球各地的特斯拉具備自動(dòng)駕駛能力，還有太多棘手的挑戰(zhàn)。什么才是最大的挑戰(zhàn)？

前 Waymo CTO Chris Urmson、阿里巴巴自動(dòng)駕駛首席科學(xué)家王剛、前 Uber 自動(dòng)駕駛副總裁 Anthony Levandowski．．．．．．越來越多的頂級(jí)人才公開表示，理解人類意圖（Human intent）才是自動(dòng)駕駛汽車最根本的挑戰(zhàn)。

特斯拉的「增強(qiáng)召喚」已經(jīng)做了 9 個(gè)月之久，按照我們上面提到的，只要應(yīng)用模仿學(xué)習(xí)，不斷模仿人類駕駛員的行為，特斯拉就可以自動(dòng)駛出停車場，來到駕駛員身邊。那這個(gè)功能為什么遲遲無法落地？

因?yàn)檐囕v每一次從駛出停車位到駛出停車場，面臨的路況、其他車輛、行人的行駛方向和意圖都存在太多不確定性。

這個(gè)時(shí)候，Karpathy 在強(qiáng)化學(xué)習(xí)領(lǐng)域的專業(yè)知識(shí)就派上了用場。

強(qiáng)化學(xué)習(xí)使用更宏觀的全局思維來看待自動(dòng)駕駛，以解決其中的問題。

所謂強(qiáng)化學(xué)習(xí)，指的是使用未標(biāo)記的數(shù)據(jù)（類似自我監(jiān)督學(xué)習(xí)），但是可以通過某種方法知道你是離自動(dòng)駕駛越來越近還是越來越遠(yuǎn)（即獎(jiǎng)懲函數(shù)）�？梢园血�(jiǎng)懲函數(shù)想象成自動(dòng)駕駛的一個(gè)延遲的、稀疏的形式。

在自我監(jiān)督學(xué)習(xí)中，能直接得到每個(gè)輸入的對(duì)應(yīng)的輸出。但在強(qiáng)化學(xué)習(xí)中，深度神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練一段時(shí)間后，才能得到一個(gè)延遲的反饋，并且只有一點(diǎn)提示說明你是離自動(dòng)駕駛越來越遠(yuǎn)還是越來越近。

這里我想引用自動(dòng)駕駛之外的案例來說明問題。2019 年 1 月，DeepMind 耗時(shí)兩年研發(fā)的 AlphaStar，以 5：0 的絕對(duì)優(yōu)勢，打敗了全球最強(qiáng)大的職業(yè)星際爭霸玩家之一 Dario Wünsch 和 MaNa 戰(zhàn)隊(duì)，攻克了人類創(chuàng)造的復(fù)雜度最高的游戲。

星際爭霸游戲有如下五個(gè)特性：

沒有最佳策略（游戲過程千變?nèi)f化）

不完整信息（無法看到全局信息）

長期規(guī)劃（因果關(guān)系不是瞬間產(chǎn)生）

實(shí)時(shí)（必須隨時(shí)間推移不斷感知、決策、執(zhí)行）

大型活動(dòng)空間（數(shù)百個(gè)不同的單元和建筑）

眼熟嗎？上述五個(gè)特性和自動(dòng)駕駛汽車面臨的挑戰(zhàn)高度吻合。

AlphaStar 的深度神經(jīng)網(wǎng)絡(luò)，正是由星際爭霸原始游戲數(shù)據(jù)基于監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)訓(xùn)練而來的。

同樣的，AlphaStar 和 Autopilot 的相同之處在于，他們基本 AI 實(shí)現(xiàn)路徑是一致的，面對(duì)的場景和解決的問題也有著很高的相似度。但區(qū)別在于，AlphaStar 的任務(wù)是打敗人類，Autopilot 不僅要打敗人類，它需要將安全性提升至 99．9999％。

美好的明天

這樣一個(gè)由 AI 驅(qū)動(dòng)的復(fù)雜系統(tǒng)，毋庸置疑是人工智能在汽車工業(yè)這個(gè)垂直領(lǐng)域最激動(dòng)人心的應(yīng)用。那么，特斯拉 Autopilot 會(huì)成嗎？

我想先談?wù)?Elon 之于其他汽車企業(yè)家的差異化優(yōu)勢。

早在 2015 年，Elon 就聯(lián)合 Sam Altman 出資 10 億美元?jiǎng)?chuàng)辦了世界頂級(jí)的非盈利人工智能研究機(jī)構(gòu) Open AI。雖然 Elon 早已退出了 Open AI 董事會(huì)，但 Open AI CTO、首席科學(xué)家都是 Elon 的好友。此外，Deepmind CEO Demis Hassabis 及多位技術(shù)高管也與 Elon 相熟。

Elon 的 AI 朋友圈

2017 年 6 月，阿西洛馬 AI 大會(huì)（Asilomar Conference）召開了一次座談。臺(tái)上 10 位嘉賓中有 9 位是來自伯克利、紐約、康奈爾等高效或研究機(jī)構(gòu)的 AI 科學(xué)家，只有一位是企業(yè)家，他就是 Elon。

我的意思是，Elon 是唯一一個(gè)真正懂 AI，憑借專業(yè)的知識(shí)混進(jìn)了一線 AI 圈的汽車企業(yè)家。這種近水樓臺(tái)的優(yōu)勢在特斯拉延攬 AI 人才方面是無出其右的。

這只是特斯拉 Autopilot 的冰山一角。特斯拉在芯片、感知、決策、控制的自主能力、全球車隊(duì)垂直整合和 AI 方面，獨(dú)特又巨大的優(yōu)勢已經(jīng)開始顯現(xiàn)。

在大眾和福特聯(lián)手，奔馳和寶馬聯(lián)手，自動(dòng)駕駛領(lǐng)域?yàn)槭裁纯焖僮呦蛄寺?lián)盟分治時(shí)代？上述四家公司的 CEO 加起來，也沒有 Elon 一個(gè)人對(duì)人才的吸引力強(qiáng)。

這是一個(gè)現(xiàn)實(shí)的問題。就好像你從斯坦福畢業(yè)，到底要去蔚來北美自動(dòng)駕駛研發(fā)中心，還是去北汽做供應(yīng)商輔助駕駛系統(tǒng)的集成？

Elon 敢喊出「我沒有過于自信，但任何車企都不是特斯拉（Autopilot）的對(duì)手」不是沒有理由的。

我們應(yīng)該對(duì)特斯拉 Autopilot 抱有期待的第二點(diǎn)原因在于特斯拉的極度激進(jìn)。

在自動(dòng)駕駛投資者日上，面對(duì)臺(tái)下的幾十位股東， Stuart 說了這么一句話。

When we initially have some algorithms we want to try out， we can put them on the fleet， and we can see what they would have done in a real world scenario…

當(dāng)我們有一些算法想要嘗試的時(shí)候，我們就會(huì)把它們推送到車隊(duì)上，我們就能看看它們?cè)诂F(xiàn)實(shí)世界中運(yùn)行會(huì)發(fā)生什么……

NoA 以 100 km／h 的高速?zèng)_出匝道口，某個(gè)版本的 Autopilot 自動(dòng)變道突然猶豫不決．．．都是算法驗(yàn)證的產(chǎn)物。

極度激進(jìn)的背后的結(jié)果是快速試錯(cuò)、快速改進(jìn)。沒有一家車企會(huì)以全球車主眾包驗(yàn)證的形式來提升系統(tǒng)能力。

你可能會(huì)說，既然特斯拉這么厲害，為什么一個(gè)「增強(qiáng)召喚」都要跳票這么久呢？除了「增強(qiáng)召喚」本來就是自動(dòng)駕駛落地過程中最復(fù)雜的場景之一外，Elon 這段話是很好的答案。

When we release something，we＇re releasing it to 500，000 cars and all over the world． And so it has to be a general solution． So our progress may appear slower than it actually is relative to others that are developing self－driving technology．

But in fact，it is quite a lot more advanced because any element that we release is a general solution．

當(dāng)我們推送一些更新時(shí)，我們會(huì)將它推送到世界各地的 50 萬輛汽車上。所以它必須是一個(gè)通用的解決方案。因此，相比正在開發(fā)自動(dòng)駕駛技術(shù)的競爭對(duì)手而言，我們的進(jìn)展可能看起來比實(shí)際上慢。

但事實(shí)上，它是非常先進(jìn)的。因?yàn)?strong>我們發(fā)布的任何元素都是全球通用解決方案。

這就是為什么，「我沒有過于自信，但任何車企都不是特斯拉的對(duì)手。」