6月28日，馬斯克在自家社交媒體發(fā)文稱，“汽車第一次自動(dòng)交付給主人”，并斷言“這一壯舉不僅提前一天完成，還標(biāo)志著自動(dòng)駕駛技術(shù)邁出了歷史性的一步” 。同一天，特斯拉公布一段視頻，這兩Model Y（參數(shù)丨圖片）從特斯拉奧斯汀工廠出發(fā)，全程無駕駛員/安全員，自稱無遠(yuǎn)程操作員。完全自主地駛出停車場(chǎng)，經(jīng)過城市路段、上下告訴，歷經(jīng)30分鐘車程，來到用戶家門口，把自己交付給客戶。

客戶也在幾個(gè)小時(shí)后發(fā)表了感言。這通操作具備以上所有要素，但在國(guó)內(nèi)輿論圈幾乎沒激起什么水花（除了雷軍發(fā)了一條微博），討論度很低。

孤證不立

有人認(rèn)為，原因在于國(guó)內(nèi)法規(guī)不允許，導(dǎo)致該操作無法效仿。兩國(guó)在自動(dòng)駕駛/輔助駕駛上法規(guī)的思路上的確存在差異。在探索技術(shù)商業(yè)化這方面，中國(guó)是典型的“法律后置”思路，即監(jiān)管發(fā)現(xiàn)技術(shù)可能性之后，頒發(fā)多個(gè)試點(diǎn)牌照，成熟了逐步放開商業(yè)運(yùn)營(yíng)。這意味著只要主機(jī)廠在中等樣本規(guī)模上證實(shí)了能力之后，法規(guī)是會(huì)開綠燈的。反之，法規(guī)不允許的話無須假裝抱怨，歸根結(jié)底是沒能力。這個(gè)能力要求成功概率相當(dāng)高（譬如高于99.99%），相差的0.01%，就是廠家應(yīng)該承擔(dān)責(zé)任的那部分。

最容易想到的是，如果是一個(gè)孤例，那的確沒太大意義（多年前就能做到類似的事情，但一直未能證明商業(yè)上的可靠性）。這輛車盡管最高時(shí)速116公里，但24公里的路程，花費(fèi)30分鐘，意味著大部分時(shí)間為低速行駛（考慮到奧斯汀郊區(qū)白天路況相當(dāng)寬松）。

盡管該視頻聲稱一刀未剪（有加速），但還是太容易作弊了。就算無遠(yuǎn)程操作員，想提高成功率的話，可以提前采好這個(gè)路段的高精度地圖數(shù)據(jù)，做一個(gè)特供版。用高精圖匹配+博弈算法，處理特殊路況；如果還想繼續(xù)提升成功率，就影子駕駛跑熟這段路，本車采用熟路通勤模式，零接管還是很容易做到的，大不了就多次嘗試。

如果樣本大到一定程度（比如上千個(gè)交付案例，用戶一定距離內(nèi)隨機(jī)選定），還是能說明特斯拉具備了“自動(dòng)交付”能力，焦點(diǎn)就變成工程可靠性的問題。

學(xué)習(xí)路線占優(yōu)

特斯拉HW5.0的配置，業(yè)內(nèi)已經(jīng)耳熟能詳：感知硬件由12顆攝像頭、4顆毫米4D波雷達(dá)、12顆超聲波雷達(dá)組成。GPU+IMU（慣性測(cè)量單元）用于精確定位和姿態(tài)感知。FSD算力芯片由Dojo架構(gòu)雙芯片組成（液冷），總算力1.1EFLOPS。順便說一句，Dojo超算中心也用的是同一類芯片，只不過是25基本tile（瓦片）組成一個(gè)訓(xùn)練模組，120個(gè)模組組成一個(gè)計(jì)算集群。

而其軟件（FSD V14.x）為典型的“一段式”端到端神經(jīng)網(wǎng)絡(luò)，即從感知（實(shí)際上是攝像頭和毫米波雷達(dá)的融合數(shù)據(jù)）直接映射到駕駛決策。

該系統(tǒng)基于訓(xùn)練，模仿人類的駕駛行為，生成駕駛軌跡。理論上，F(xiàn)SDV14.x有能力規(guī)劃包含高速、城市道路、住宅區(qū)在內(nèi)最優(yōu)路徑。

自2022年起（國(guó)內(nèi)要到2023年）直到今天，這種端到端神經(jīng)網(wǎng)絡(luò)，成為智駕的首選路線。而在此之前，以及最近，邏輯驅(qū)動(dòng)路徑成為AI演化的另一條路。

走這條路的開發(fā)人員認(rèn)為，人類智能的精髓在于推理。核心是符號(hào)表征知識(shí)，依據(jù)規(guī)則操作符號(hào)表達(dá)式。而端到端為代表的神經(jīng)網(wǎng)絡(luò)路線，則認(rèn)為智能的本質(zhì)在于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。雖然人類擁有真正的神經(jīng)網(wǎng)絡(luò)，而計(jì)算機(jī)只有模擬的神經(jīng)網(wǎng)絡(luò)（本質(zhì)都一樣：多個(gè)輸入信號(hào)經(jīng)過神經(jīng)節(jié)形成輸出， 而輸入信號(hào)則來自其他神經(jīng)，神經(jīng)節(jié)在計(jì)算機(jī)里相當(dāng)于一組函數(shù)）。這條路線的精髓在于，理解學(xué)習(xí)是如何發(fā)生的。

學(xué)習(xí)的瓶頸在于“黑箱”

端到端訓(xùn)練無非是調(diào)整多個(gè)輸入信號(hào)的權(quán)重，觀察輸出的變化。這種方式更像是生物進(jìn)化中的突變。隨機(jī)調(diào)整一個(gè)權(quán)重，看看神經(jīng)系統(tǒng)表現(xiàn)，是變好了還是變差了。如果變好，就保留這個(gè)改動(dòng)。問題是，神經(jīng)系統(tǒng)的權(quán)重?cái)?shù)量可能高達(dá)萬億級(jí)別，如果每一次突變都用海量樣本驗(yàn)證效果，效率簡(jiǎn)直令人發(fā)指。

如果改變一下思路，將數(shù)據(jù)直接給到神經(jīng)網(wǎng)絡(luò)底層（也就是初始輸入端），信息經(jīng)過多層多節(jié)點(diǎn)一直傳遞到輸出層，得到一個(gè)預(yù)測(cè)結(jié)果。將這一結(jié)果與已知答案比較。然后就將誤差從輸出層反向傳回網(wǎng)絡(luò)。網(wǎng)絡(luò)可以計(jì)算出，對(duì)每一個(gè)輸入權(quán)重進(jìn)行微小調(diào)整，降低結(jié)果產(chǎn)生正面還是負(fù)面的影響（此時(shí)仍然是定性分析）。然后更新權(quán)重，重新微調(diào)并計(jì)算。只要重復(fù)這個(gè)過程，預(yù)測(cè)表現(xiàn)會(huì)越來越好。事實(shí)證明，結(jié)果收斂很快。

這個(gè)過程，就是訓(xùn)練。神經(jīng)網(wǎng)絡(luò)占住業(yè)內(nèi)主流地位已經(jīng)多年。而神經(jīng)網(wǎng)絡(luò)用于智駕，基本上依賴算力和經(jīng)驗(yàn)，簡(jiǎn)單說就是實(shí)證主導(dǎo)。就連陶哲軒也吐槽說，這個(gè)過程中，學(xué)界幾乎毫無貢獻(xiàn)。

以上過程，揭示了模型能工作，但為什么如此，人類不知道。對(duì)我們來說，端到端是黑箱。AI元老杰弗里·辛頓甚至預(yù)言，AI將發(fā)展出人類無法理解的內(nèi)部語言。

現(xiàn)在問題還沒有那么嚴(yán)重。但是，端到端智駕在多數(shù)時(shí)候的對(duì)策看上去都是合理的，但少數(shù)時(shí)候莫名其妙，明明是相似場(chǎng)景相似任務(wù)，卻莫名其妙地失敗了。深度學(xué)習(xí)和訓(xùn)練本身不可解釋。系統(tǒng)越強(qiáng)大（模型參數(shù)越多、算力越強(qiáng)），就越不透明。

推理與理解

和毫米波雷達(dá)只接收到物理信號(hào)不同，視覺圖像也是一種語義理解，而語義理解是一種高緯度的理解。雷達(dá)再先進(jìn)（包括激光雷達(dá)），也不會(huì)看出一個(gè)小孩在橫穿馬路，它頂多會(huì)告訴你，前方150米有個(gè)移動(dòng)小目標(biāo)，大小未知、橫向移動(dòng)速度5m/s。重要的并非識(shí)別障礙物，而是理解人類規(guī)則。

既然視覺可以真正理解，推理就重新變得受重視。有學(xué)者強(qiáng)烈懷疑神經(jīng)網(wǎng)絡(luò)處理語言的能力（這也是為什么端到端要用規(guī)則兜底）。語言的核心是符號(hào)表達(dá)，大語言本身就是強(qiáng)大的建模媒介。GPT和DeepSeek為代表的大語言模型，都是如此。

句法并非重要，語言的真正功能是提供詞語。這些詞語“如同積木”（也是辛頓說的），構(gòu)建了人類對(duì)世界的理解。

而大語言模型，實(shí)際上將詞義視為一大堆特征的集合。比如，“白色貨柜車”與“白色大車”，在語義上接近，因?yàn)樗鼈兗せ畹奶卣骷叨戎睾?。從智駕的角度，可以將其視為同一類東西，進(jìn)一步區(qū)分的必要性不大。

智駕系統(tǒng)理解交通規(guī)則、場(chǎng)景和相關(guān)視覺語言，在某種程度上都可以被視為基于推理的預(yù)測(cè)。即讓一個(gè)語義特征，去預(yù)測(cè)下一個(gè)語義特征，和聊天機(jī)器人的原理極為相似。用在道路上，能描繪一個(gè)交通參與者的連續(xù)運(yùn)動(dòng)軌跡，預(yù)測(cè)其在下一秒出現(xiàn)的地方。幸好，它們不會(huì)飛，也不會(huì)原地旋轉(zhuǎn)，自由度相當(dāng)有限，很容易預(yù)測(cè)。

這些預(yù)測(cè)，最終學(xué)到了能夠捕捉交通場(chǎng)景結(jié)構(gòu)的規(guī)則，即讀懂交通。這和人類開車時(shí)的大腦活動(dòng)已經(jīng)很相似。不用說，谷歌發(fā)明的Transformer架構(gòu)，提升了模型預(yù)測(cè)的能力。即便場(chǎng)景再?gòu)?fù)雜、參數(shù)再多，更多的參與者，并且需要處理不少模糊和歧義支出，但都可以根據(jù)預(yù)測(cè)誤差回饋來矯正系統(tǒng)。而所有要素“握手”的過程，就構(gòu)成了場(chǎng)景理解。

從這個(gè)意義上講，特斯拉和其他公司的端到端，都非學(xué)會(huì)規(guī)則，只是學(xué)會(huì)如何模仿人類開車。現(xiàn)在的結(jié)果不可控、過程黑盒子，似乎成為通向L3的障礙。

而邏輯推理，則可能規(guī)避這一點(diǎn)。關(guān)鍵是如何讓一個(gè)系統(tǒng)，同時(shí)容納學(xué)習(xí)與推理兩種方式。

回到開端，結(jié)論呼之欲出，假定場(chǎng)景再?gòu)?fù)雜一點(diǎn)，特斯拉很難在上千次自動(dòng)交付中均成功，而一例失敗就可能造成嚴(yán)重后果。特斯拉的車載Soc和云的算力更強(qiáng)、訓(xùn)練和轉(zhuǎn)移效率更高，可能領(lǐng)先于中國(guó)廠商，但大家彼此沒有本質(zhì)區(qū)別，都沒有實(shí)現(xiàn)場(chǎng)景泛化能力。

真正的自動(dòng)交付，和“無人車組成車隊(duì)服務(wù)于城市人群，夜晚到郊區(qū)充電”這樣智慧城市幻想，實(shí)際上是一回事?，F(xiàn)在并無希望做到這一點(diǎn)，新的支撐理論尚未誕生。

頗具諷刺意味的是，8月8日，據(jù)說馬斯克已經(jīng)下令關(guān)閉Dojo超算項(xiàng)目，團(tuán)隊(duì)正在集散。負(fù)責(zé)人彼得·班農(nóng)即將離開公司。而Dojo對(duì)于訓(xùn)練特斯拉的FSD至關(guān)重要。

特斯拉不大可能放棄FSD路線，可能依賴其他公司（英偉達(dá)、AMD）提供算力。這對(duì)于試圖放“交付大新聞”未果的特斯拉來說，打擊更大一點(diǎn)。也許是時(shí)候探索AI在自動(dòng)駕駛領(lǐng)域的新路線了。

注：圖片部分來源網(wǎng)絡(luò)，如有侵權(quán)，聯(lián)系刪除。

AI Agent顛覆了端到端了嗎？

“消失的前車”透露了智駕哪方面缺陷？

克服AI幻覺？也許在開智駕倒車