接上期文章。

本次WAIC2020上，Elon Musk所做的最精彩的回答，其实是后续两个问题的答复。在小编看来，可以说是问得漂亮，答得精彩。可难以置信的是这两部分的问答没能在舆论界掀起任何波澜，既没人讨论，也没人分析。所以在不知不觉中，我们其实忽略了Tesla和这位传奇CEO身上的最佳品质：对于技术的执着和对于边缘技术的狂热，不仅仅搭建出有说服力的商业帝国，更交织出其本身这么一个“怪兽工程师”。

【Elon Musk的商业帝国和其背后的相关技术】

这一阵子其实还有一个比较热门的话题，就是一位前奥迪研发管理人员以“沉睡多年的德国车企”为主题，写了一篇警示文章。在文章中，他警告说，如果再任由所谓的“血管里流着汽油”的传统的企业高管领导一个越来越有软件特色的新型汽车制造企业，结局必然是血淋淋的。他建议德国车企的高管选拔原则应当调整为，让候选人独立在规定时间内写一个具备可玩性的小游戏，或者一个基本可以工作的病毒…… 否则就无法拯救即将水深火热的德国汽车制造业。

如果大家对类似的思想口径可以接受，那么为什么看不到一个从12岁就开始编写游戏，大学未毕业就开始创立支付软件体系….. 一个纯粹的软件亲历者的优点呢？上图我们可以看到，在Elon Musk的个人创业和投资跨度中，新能源动力、新型航天和人工智能，构成了Elon Musk的能力三角，互相耦合、助力。如果Elon Musk保持其一贯的事必躬亲，亲历亲为参与设计和流程设计，那么他个人的技术起点就必然会原来越高越来越全面。

这是我们需要认真讨论他对于以下两个问题答复的原因。

对于AI的三分类，“Perception、Cognitionand Action”，套用在自动驾驶领域还是有点公差的。所以对这个问题的答复，Musk首先表示他不确定是否能对AI做这样一个分类。但这种分类方法并不妨碍展开谈AI的整体进展，所以Musk并没有在讨论中和自动驾驶结合得特别紧密。

在感知领域，Perception。Musk的答复是积极的，也是肯定的。这源自于这个技术分支上的整体高水平，也可能来自于Autopilot感知模块能力所带给Musk个人的直观感觉。在监督学习的深度神经网络体系下，各种对于语音、视觉信号的识别能力，有目共睹。Musk使用了一个技术上的说法，“byte stream”，对于任何给定速率的信号，现有的AI系统都可以做到比人类更好的水平。

我们可以这样理解Musk的观点。针对Autopilot系统来说，由于有Data Engine闭环的存在，道路目标和环境的视觉识别速度和准确度，对于Tesla来说已经不是主要问题。不论牵扯到具体哪一种AI训练/测试/部署技术，Tesla的现有架构都可以保证无限循环去搜集每一个长尾中的corner case，从而让运行中的Tesla车辆逐步逼近甚至超越人类的识别水平。

在认知领域，Cognition。对于这一点Musk明确表示了比较负面的观点。“Cognition， This is probably the weakest area.”考虑到Elon Musk实际掌控着若干家AI公司，涵盖从Tesla的深度学习网络技术到Neuralink的动物神经信息技术，因此小编选择相信边缘科学在这个角度的实际进展。Musk的直接观点是，AI虽然已经有这么长足的进步了，很多AI的实现在一些实际的工业领域已经相当不错了。但是在推理、创造力和自我演进这些Cognition相关方面就做得很不好。

如果衍生理解Musk的实际意思，Autopilot上的认知部分实际对应的就是“预测模块”的性能，以及藏在云端的Dojo系统工作在无监督学习下的实际性能表现，可能还是远远不能达到对生产力实际有帮助的境地（小编推测）。本质上讲，经过人类辅助训练的深度学习网络，在认知性能上，只能接近而不能根本性超越人类。只有在人类辅助中实现对自我学习的跨越，或自主推断/认知能力的产生，才是真正的Intelligence。这并非天方夜谭，当年叱咤风云的AlphaGo即属于此列。

在行为领域，Action。这是毫无疑问的，机器和软件算法，具备所有领先人类的特性。比如执行的精确度、超低时延、超高密度……等等，Musk打比方说任何有规则的游戏中，AI的执行能力都类似于超人。

关于这个AI相关问题的整体答复，除去Musk本人的高屋建瓴以外，如果要反过头来落地在Autopilot系统上，小编做一个总结，也是我们车右智能长期对于Tesla和Autopilot技术的关注和小小的总结：

第一，截至2020年3月，Tesla各型车辆累计生产并销售超过100万辆。即便是保守估计（小编没有这个准确数据），携带有足量传感器和自动驾驶硬件的车辆占比在60%以上至少。这意味着在全球范围内，Tesla的Fleet已经拥有60万辆以上，而且还在不断扩大中。这是Tesla的Autopilot系统全部的数据来源；（如下图）

第二，基于数量庞大的现实车队和视觉传感器阵列，Tesla目前可以确定的深度学习方法有：

1 人工标记手段，在监督学习的框架下，主要可以被用于针对autopilot系统的关键物体识别能力的训练（计算机视觉）；在这个方向上投入足够的人力是关键，也是值得的，因为这是autopilot的基本能力；

2 影子模式/Shadow mode下，任何人类司机的驾驶行为和autopilot的驾驶行为有出入的地方，将会被上传云端，并被用于非监督学习的“新型场景鉴别和分类”；另，从某种程度上讲，人类司机的驾驶行为在此处如果被标记且一同上传，则可以进行质量更好的半监督学习，甚至监督学习。从某种意义上讲，这也是一种模仿学习；

3 从方法1和2中所获取的稀有场景，可以被进一步处理，比如人工标记之后，返回给整体fleet，进行相关/相类似的场景收集，这是进一步训练autopilot系统的主要手段；

4 道场Dojo系统，是典型的非监督学习系统。被设计为基于海量的道路视频信息进行非监督学习算法（比如聚类），以期能学到结构化的、语义的道路信息，并用于训练autopilot；

5 Karpathy曾经介绍过的基于视觉的自监督学习，主要可以用于视觉信息基础上的深度depth info的推断。这是不需要人工干预的自动化过程；

6 预测功能的实现，也属于自监督学习的范畴（原理是根据历史信息预测未来），具体的预测网络细节如何尚不得知；

7 autopilot系统当中可能存在模仿学习，即强化学习。但如何实现对于数据的筛选和合规化处理，才能定义模仿学习的基准，不得而知。

所有以上所罗列的深度学习方法，多少都有在autopilot系统当中实际落地的线索。只要Tesla庞大的车队持续提供足够的原始视觉信号，以上的各种深度学习就会以不同的速度趋向成熟。

如果很不幸，最终没有趋向成熟，那么小编看不到有第二种方法可以奔向Level-5。大家都做不到。

声明：本文内容及图片由BC-AUTO转载至网络, 信息来源于公众号车右智能。