马斯克紧急来华对自动驾驶的影响

科技 2024-05-11 19:00 广东

当国内汽车行业沉浸在北京车展的雷军和流量当中的时候，马斯克在距离一年后又一次来华，而此次来华全程不足24小时，按照以往马斯克在网络上的发言风格，足以可见此次行程的紧急程度。

在这24小时内，国内相关部门出台政策显示特斯拉通过国家汽车数据安全要求。这就意味着各地机关单位、机场等敏感场所特斯拉可以进入。而在24小时后，根据华尔街日报报道，中国政府已经初步批准特斯拉在中国推出具备FSD自动驾驶能力的软件计划，这是特斯拉一直在国内尚未实现的功能也是汽车行业共同的热点。

无论专家如何预测技术的发展，技术总是以产品的形式不断进化。每个人每个企业都想预测未来从而做到先知先觉，结果总是以瞎猫撞上死耗子的形式呈现，这种偏差甚至是背道而驰的现象背后存在两个问题，从不确定性角度来看就是忽略了运气的随机性成分，而从确定性角度就是参与预测的因素不够多，从而无法更全面的看待事物的发展。在不确定性和复杂性的两个维度去讨论汽车行业乃至自动驾驶技术的发展，才能更好的将新技术应用到市场产品之中。从发展的本质来看，不管是马斯克还是国内的专家都无法预测未来，最终经过时间的验证只是众多结果中的一个。

所以，一切预测的结果要么是被时间挑选过的，要么是刻意引导而设计存在的。从行业现状来看，特斯拉汽车的自动驾驶技术更偏向于后者，主要依据有几点：

第一点、随着各车企的转型升级，新能源汽车迅速扩张，不断蚕食特斯拉的销售市场，投资人对特斯拉的信心逐渐在降低。在2024年第一季度，特斯拉共交付38.6万辆，相比于同期的48万辆，减少了10万辆。汽车作为大宗消费品，销量的下降意味着利润的下降，2024年第一季度特斯拉营业收入223.1亿美元，为四年以来的首次下滑，并且汽车毛利率也在下滑至15.2%，远低于同期的19%。企业的表现反应在资本市场，半年股价下跌50%，市值减少超过2900亿美元。特斯拉在表面看来似乎一片欣欣向荣，尤其是在自动驾驶行业，可谓是信仰一般的存在。然而，在风光的背后特斯拉其实面临着产品端的内忧和竞品以及资本市场的外患。解决问题的手段也很明显，要么参与产品的竞争，扩大产品的市场占有率，通过规模效应运转商业飞轮；要么继续向新的蓝海探索迈进从而制造和引领行业的趋势，不断的为投资人给予未来希望（画饼）。正如鲁迅说的，世界上本来没有路，走的人多了自然就有路了。相比于跟随者，特斯拉更多的会选择开辟新路，可能新路原本就存在，等待被第一个人开辟出来，也可能是鲁迅所说的正因为有人走了，才成为了路。

第二点、特斯拉股票的下跌表达的意思是产品市场出现疲软，还有更重要的是投资人对特斯拉未来探索的悲观态度。那么，特斯拉对未来的探索方面主要体现在人工智能方面，从特斯拉在第一季度的财报里内容可以得知，第一季度特斯拉的现金流为负的25亿美金，也是近三年以来特斯拉首次出现负的现金流，很大一部分原因在于特斯拉在人工智能方面投资了10亿美金，也就是特斯拉逐渐将工业制造和能源体系转向为人工智能领域，通过工业制造和能源为人工智能的探索输血，这也是马斯克创业历程中的一贯作风，当一个新行业进入产品红海的时候马斯克会制造新的方向，并且马斯克在社交媒体也表示，2024年特斯拉会投资100亿美金用于人工智能的训练和推理。

如果按照这个数额推算，后面三个季度特斯拉的负现金流可能会持续增大。马斯克赌上特斯拉的现金流加速进入人工智能领域的背后，一方面说明从整个行业或者社会方面人工智能确实很重要；另一方面特斯拉也在制造一个人工智能的发展方向，巨额资金的投入是加速人工智能技术落地的首要条件，没有大量资金支持的公司趁早下桌。所以，特斯拉为投资人描绘的新未来希望是人工智能，这也是继新能源汽车和储能之后的又一大愿景。

第三点、特斯拉向人工智能的加速是一个渐进式的过程。一般常说的算力、算法和数据是目前人工智能的三大支撑要素，这三个要素也是人工智能领域老生常谈的话题，但是有个关键问题那就是如何衡量这个三个要素，单纯的对比算力数值的大小也是一种方式，但是作为技术落地的产品是这三个要素之间的平衡关系，也是说需要把三个要素转换到同一个坐标体系内才能求出一个最大值也就是人工智能产品最佳的实践路径。所以，算力能力可以转换到底层芯片能力，算法可以转换到人工智能人才的储备能力，数据可以转换为终端数据采集的能力。

首先从芯片能力方面看，特斯拉自2016年以来一直在为其汽车设计内部人工智能芯片，而到了2018年之后一直为数据中心应用设计。值得一提的是，无论是汽车内部FSD芯片还是数据中心的D1芯片都是专注于图像网络，特斯拉要在视觉方面狂奔到底，同时也意味着特斯拉将会在视觉感知领域建立一定的技术或者商业屏障，从而做到新技术的引领效果；

其次是人工智能人才储备能力，马斯克成立人工智能公司X.AI，从Open AI挖走了很多人才，甚至特斯拉内部的人才也转入此公司，例如特斯拉计算机视觉主管伊森·奈特（Ethan Knight）跳槽X.AI。虽然在人工智能人才方面，从数量的角度看相比于互联网头部企业Meta、微软、谷歌的人工智能人才储备，马斯克或者特斯拉是处在劣势。但是，细分到汽车领域或者机器人领域，马斯克的人工智能人才领先绝大数企业，甚至说是遥遥领先；

最后是终端数据的采集能力。以数据驱动的模式提升产品的智能化水平是当前智能行业通用的框架，数据成为炼丹的原石。互联网巨头们利用互联网上产生的海量数据实现了消费产品的智能，尤其是生成式人工智能为人工智能提供了从模仿人类到自主创造的过程。然而，在汽车领域从模仿人类驾驶到自主驾驶的过程挑战巨大，甚至连第一步模仿人类的驾驶任务都存在诸多的问题挑战，这其中的一个关键问题就在于数据的获取以及数据集的建立。在所有自动驾驶相关的公司中，特斯拉拥有用于模型训练的最大数据集，出售的每一台车辆都通过自车传感器收集数据，根据相关材料显示，每辆车都会采集一段45-60秒的密集传感器数据日志，包括摄像头的视频、IMU数据、GPS、里程计等，并将其发送到特斯拉的模型训练服务器。由于有数百万辆车在路上行驶，特斯拉拥有大量的数据源，这些数据源都有很好的标记和记录。这使得能够在特斯拉的人工智能设施中进行Dojo超级计算机的持续训练迭代。这一点也看出特斯拉的偏执属性，对环境感知的数据减少雷达传感器的数据，只针对视觉传感器。

这也就引发另外一个问题，关于智能化实现路径的模态选择，一般来说有企业选择多模态模型进行训练，多模态大模型是未来重要的发展方向，同时也有企业选择单模态模型，利用单模态自监督学习实现某些智能化功能，并且取得的一定的成果。从特斯拉的终端数据采集的方式以及在算力基础建设的规模两方面合起来看，特斯拉的算力基础设施远超过数据的处理需求，也就是说特斯拉可能只使用了所收集到数据中的一部分，在用牛刀杀鸡过度的训练视觉感知模型，从而实现在车端限定的模型尺寸内提高感知精度。这也就可以解释，无论是算力还是处理速度方面，FSD的芯片不及英伟达甚至国产的某些大算力芯片，但是感知系统呈现出来的效果反而是领先的。

第四点、从人工智能布局到路径的选择，马斯克的偏执似乎可以与特斯拉的自动驾驶划等号。随着FSD的V12版本的推出，这种偏执更加体现到端到端自动驾驶方案之中，国内自动驾驶方案也是迅速跟进，纷纷也推出端到端的方案，似乎端到端又将是自动驾驶的某一个终极答案或者代表自动驾驶的新方向。这究竟是国内企业害怕特斯拉的偏执还是盲目的跟随仍然有待时间的验证，毫无疑问不管是哪种原因这种现象都是特斯拉更愿意看到的。将自动驾驶的感知到决策控制进行一体化的神经网络训练形成的端到端方案可解释性更低，不确定性更大，也就是数据是决定性能的关键因素同样也是偶然因素，会出现一个奇怪的现象，数据训练少的模型可能效果反而比训练多的模型好。这也为一些自动驾驶方案商提供了一定的可乘之机，最终的出现的不良后果只能由用户承担。

马斯克紧急来华不仅是特斯拉自身脱困的一种尝试，也释放了全球自动驾驶技术发展的信号，跳过可解释性通过数据的积累实现端到端自动驾驶。这对于国内自动驾驶行业又将是一次新的洗礼，从底层算力基础建设到终端系统架构甚至是人工智能路径都需要重新的思考和定位。是跟进还是另辟蹊径是一个关键问题，并且允许思考的时间将不会太多。无论FSD在国内何时落地，行业变化已经在悄然发生。

每个人都是生活实践者与行业观察者

欢迎转发并关注

汽车观察者联盟

汽车观察者联盟

聚集产业发展变化，打造第三方独立意见平台，交流、共享促进产业的发展。