【「無人車特輯」欄目由播客《硅谷101》與鈦媒體聯合推出：盤點美國L4級無人車巨頭們的策略；討論爭議中前進的視覺派Tesla；訪談中國無人車創始團隊。鈦媒體App為文字首發媒體。】

特斯拉引發的視覺派與激光雷達之爭：選擇它不是因為簡單，而是因為難？

采訪｜泓君，文字｜王晶?

在電動車領域，特斯拉是全球市值最高的車企。它吸引大眾關注的另一點是，是它的「自動駕駛技術」。

在2021年計算機視覺和模式識別會議上，特斯拉還公布了其超級計算機Dojo，超強的算力、大規模的數據收集以及雄厚的資金，背后是馬斯克對自動駕駛的野心，他曾宣稱，要在2020年實現「L5 完全自動駕駛」。

根據 SAE 對自動駕駛級別的劃分，L5級別的自動駕駛意味著，車輛可以在任何情況下進行駕駛，車內乘客無需參與任何駕駛行為。當前無論是從技術還是從公認的分級標準來看，要達到L5級別的自動駕駛還有很長的路，特斯拉目前的自動駕駛只能算是L2.5。

與馬斯克大肆宣傳自動駕駛功能相悖的是，特斯拉頻頻發生的自動駕駛交通事故，也引發了對自動駕駛安全性以及視覺派與激光雷達派的爭論。許多車企為了保障安全，選擇了在傳感器上做“加法”，車輛不僅搭載多種雷達，還有視覺派的攝像頭。但作為視覺派堅定的支持者，馬斯克卻選擇了做“減法”，甚至去掉了毫米波雷達。

人都會依靠自己的經驗形成路徑依賴。激光雷達與視覺派相爭已久，馬斯克是否選擇了一條更難的路？

本期嘉賓 |?齊蕾，前上汽資本硅谷投資總監；劉冰雁，Kargo軟件主管

接下來我們會出一系列的關于自動駕駛的節目，來盤點美國巨頭Waymo、Cruise、Amazon、Tesla、Uber這些公司的無人車策略，也會有更多中國的無人車創始團隊加入到我們的訪談中。我們一起看看，這個市場上最聰明的人和錢，到底在賭一個怎樣的未來。

你將會聽到：

【01:15】 特斯拉不是無人駕駛，而是L2.5的輔助駕駛

【03:29】 用戶體驗特斯拉：進步與恐慌

【10:03】 如何看待特斯拉去掉了毫米波雷達？

【14:50】 路徑之爭：視覺派與激光雷達之爭是偽問題？

【24:04】 定義不明，自動駕駛的分級界限有待更新

【26:30】 特斯拉自動駕駛更安全嗎？

【37:24】 無論是視覺還是激光雷達，實現全無人駕駛很遙遠

【44:30】 特斯拉視覺識別上的進步：從2D到3D

【46:30】 人工智能的黑盒子

【50:23】 路線之爭：我們選擇它，不是因為簡單，而是因為難

【音頻收聽地址】：無人車特輯 |?特斯拉自動駕駛到底怎么樣？

01 特斯拉輔助駕駛的進步與體驗

《硅谷101》：我們之前討論Waymo、Cruise的無人駕駛，都是完全無人駕駛L4甚至是L5級的無人駕駛，準確來說特斯拉應該不算無人駕駛而是輔助駕駛。

齊蕾：現在很多車都有ADAS（Advanced driver-assistance systems）高級輔助駕駛系統，可以進行跟車，保持在兩條線之間行駛，跟著線稍微拐彎。現在特斯拉的所有功能，都可以歸為ADAS。

《硅谷101》：冰雁是特斯拉的老用戶，也見證了特斯拉這幾年自動駕駛的進步，可以聊聊你剛用特斯拉和現在使用感受上的區別？

劉冰雁：我最開始拿到車應該是2018年前后，近些年特斯拉進步很明顯。最開始如果遇到開山路比較多彎，它就會放棄，但現在基本上到處都可以開了，包括高速和一些非高速地方。內測或半公開測試的一些版本基本上從家到公司都不需要接管，目前用戶用到的版本，基本上是輔助駕駛。

現在通用的 Super Cruise也做得非常好，手都不用碰，特斯拉是如果你30秒手不碰方向盤，它一定會提醒你，之后就會讓你靠邊停車，要全權接管。

《硅谷101》：你是覺得現在特斯拉在上下高速方面已經比較順暢。

劉冰雁：一方面是上下高速，一方面是在高速之間切換，有一些路它會告訴你這個轉盤轉不過去，你就需要接手，但是在能處理的范圍內，它還是處理得相當不錯的。

所以如果把它當作自動駕駛，是很危險的。但如果把它當做很好的輔助駕駛，對我來說，是真的離不開的東西。

我每天開車上班大概40分鐘左右，如果沒有這個功能的話，開車很累，但有了輔助駕駛，基本上全程我只要看路就可以，不需要隨時準備反應。這條路我每天都在開，熟的路、熟的車、熟的軟件，除非前面突然有輛車停下來，否則基本上都做得很好。

齊蕾：會有擔心嗎？特斯拉好像在辨別特殊車型上，如校車或大水泥車，比較差。

劉冰雁：對，這確實要注意，但特斯拉自動駕駛技術和其他公司不一樣，我認為是UI上的區別，這是一個用戶體驗的問題，技術上的差距未必那么大。

在很長一段時間里，很多技術是靠毫米波雷達完成，很多家都做得不錯，但他們沒法告訴你，是否有看到前面車輛，所以前面出現車時，你一定會害怕。

特斯拉相較于傳統汽車巨大的一個升級是它有個大屏幕，可以提供很多交互信息，如果能看到前面車輛，出現問題的可能性就小，即使技術差別不大，但這樣的交互模式還是確實感覺好用了很多。

圖 | 特斯拉車輛行駛的可視化界面

《硅谷101》：不管在大屏幕上有沒有看到車，駕駛員還是要保持很高的專注力，觀察自動駕駛開得如何。

劉冰雁：這實際上是另一個問題，激光雷達派還是視覺派的核心區別，是在Reception上。從這個角度來說，除非是軟件寫得太差，只要看到了，一般不會說看見了還撞上去。

02 去掉毫米波雷達

《硅谷101》：在5月份的時候，特斯拉把毫米波雷達去掉了，你們怎么看這件事情？

齊蕾：特斯拉現在有四款車，量產車拿掉了，剩下兩款還是有的。

劉冰雁：之前認為有一種可能性是供貨，很有可能會是這樣的原因：對于小規模的車，他照樣能供得上，但是對于大規模這個量產的話，為了不影響交貨，他把毫米波雷達去掉了。

這個事情發生之后，又有幾個消息可以對比看，第一是當時最開始特斯拉的所謂的Autopilot，應該是L1.5，是Mobileye提供的技術，后來被英特爾收購了Mobileye這家公司的技術，于是特斯拉跟Mobileye分道揚鑣。

那時候特斯拉的自動駕駛技術，退步了相當多，我剛拿到車的時候，應該是退步還沒追上的時候，有一些技術屬于老車反而更好的。

《硅谷101》：為什么會退步？

劉冰雁：因為Mobileye專注做這一方面相當長時間，也有一些自己的專利。

《硅谷101》：退步是因為特斯拉和Mobileye掰了？

劉冰雁：這是很久以前的事兒了。但是一兩年之內特斯拉就完全追上了，并不斷有新功能出現。

這個角度來說，毫米波又出現非常類似的事情。剛開始這個事情發生的時候，車交貨之后，他會發現定速巡航不能超過75英里，還有一些雨天夜晚會出現一些問題，但是最近的更新，已經把這些東西彌補的差不多了，這些事情上做的還是挺快。??

《硅谷101》：毫米波雷達的作用是什么，它可以看多遠？

齊蕾：應該是二三十米。

《硅谷101》：激光雷達是遠的，毫米波雷達是近的，如果開高速的話主要是靠激光雷達。

圖 | 特斯拉自動輔助駕駛

劉冰雁：很多在之前出現的幽靈剎車事件，實際上是毫米波雷達造成的。往往出現在頭頂上有個橋，之前認為是立交橋的影子會對視覺造成影響，后來更多的情況，他們是說立交橋本身對毫米波雷達產生了影響。

《硅谷101》：如果是這種情況，不管白天還是晚上，如果遇到立交橋的話，特斯拉的車在自動駕駛的過程中可能都會出現卡頓，或者急剎車。我在特斯拉論壇上看過的報告，晚上出現這種情況比較多，所以大家猜測是因為立交橋的影子。

劉冰雁：難道不是應該說，晚上發生的情況比較多，正是因為影子相對不強。因為當白天視覺比較確定的時候，視覺可能會占上風，這里面就涉及到傳感器融合技術。

我們最終是在試圖認識和理解這個世界，這屬于測量問題。這個世界上不存在可測量的真值，因為測到的東西一定是不準的，所以在有一定偏差的情況下，幾個偏差之間怎樣融合？而一般意義上的傳感器融合，是當它們的偏差在范圍重合的情況下，可以進行融合的。

我們現在討論的這種情況，可能出現的情況是，兩個測量密度已經低到了沒有融合的機會了，可能存在的問題是視覺如果沒有看到這個立交橋，而雷達看到了這個立交橋，這是一個非常夸張的事情。前面突然出現一堵墻，這東西要怎么處理，兩邊最后會出現打架。

這就是為什么馬斯克說，它這個東西在融合過程中反而會造成問題。如果視覺和毫米波雷達不一致的情況下，一般是毫米波雷達錯了，這樣的話干嘛還留著它。這個說法不是內部人士不好評判，但是從現在他們的車做到的效果來看，還真是有一些可能性。

齊蕾：這是你的一個推論。另外一個事實是，毫米波雷達有一個缺陷，當周圍的毫米波雷達都在作用時，會有互相干擾的情況，激光雷達沒有。

我不是技術，但是我周圍所有做毫米波雷達的人，最關注的核心問題是當路上有100輛車，每個人都在開自動駕駛和毫米波雷達時，由于互相干擾，可能會有很嚴重的偏差。

《硅谷101》：這樣說如果L4或L5自動駕駛成規模時，豈不是也會有互相干擾的問題。

齊蕾：對，這就是視覺派的合理之處，另外就是考慮怎么解決現在的短板。

因為我之前看過很多做新型毫米波雷達，會把頻段變成不同的頻段，可以去更小的避免互相干擾。

劉冰雁：他們可以用一些信息加載之類的辦法，讓它知道這是別人的車，或者通過別的技術來跳頻，這是無線電中已經有成熟的技術了。現在是怎么在這樣的設備中，把以前作為雷達技術或者探測的技術，變為用無線電類似的技術進行優化。

齊蕾：我覺得特斯拉還有很厲害的一點是，第一個提出fleet learning（車隊學習網絡）、neural network learning（神經網絡學習）。

靠著所有特斯拉的車，去共享學習到的東西，只要我的車鋪的夠多，按道理來講視覺會更精準，比如前兩輛車看到了前面大卡車，可以給我的車預警一下，讓我知道前面有個大卡車。如果真的能實現這一點，是很厲害的。

劉冰雁：我理解的fleet learning，應該不會試圖用前兩輛車的信號去做這件事。理想狀態所有車都互聯互通，信任對方的信息，相當于500米之外有個事情，大家一起減速，這非常美好。但在這個世界上，幾乎永遠不可能成功，因為總是存在作惡者的。

你要相信絕大部分人都是好人，但是總有壞人。因為我有朋友研究人工智能安全相關的內容，里面確實存在很多非常恐怖的問題。

特斯拉最大的優勢是，它能落地；雖然它的水平跟Waymo有很大的差異，但是它有很多的車隊數據，從這方面講，它是有很大的可能性突破自動駕駛的。

齊蕾：還有它積累的數據是真實的發生在路上的數據，而不是在云里跑出來的模擬數據。

03?激光雷達派還是視覺派？

《硅谷101》：關于特斯拉，一直有一個討論很熱的問題，就是大家怎么看視覺派跟激光雷達派？

劉冰雁：相對于激光雷達來說，視覺的數據量級小很多。另一個好處是，相對于激光雷達，視覺可傳輸的數據量級要小很多，激光雷達即使有這樣的規模，對于目前的網絡條件來說，也沒有辦法收集這樣的數據。

首先特斯拉可以有百萬輛級的車，另一方面對于這些車的攝像頭數據，目前有非常成熟的攝像頭視頻壓縮技術，本身傳輸的話數據上量級要小很多。

《硅谷101》：視頻有很成熟的數據壓縮技術，我采訪過的公司，在07-08年做視頻在線教育的時候，沒有辦法做，因為他視頻壓縮技術達不到，網上卡，后來等視頻技術成熟了，一批在線教育公司就做出來了。無人駕駛的出現，就是依賴于激光雷達能看的更遠了，激光雷達行業還有待發展，因為視頻成熟的壓縮技術也經歷了很多年。

劉冰雁：對，視頻技術屬于推動互聯網發展的核心技術之一，所以確實發展會好一些。另外，做一個激光雷達或者L4-L5技術需要的算力，是做L2-L3技術或者做視覺的算力相比，是好幾個量級上的差別。

我道聽途說的，現在每一輛Waymo、Cruise這些廠商的自動駕駛車里，他們都相當于還是背著一個雙路至強（Intel CPU）加8臺GPU，市面上買的價錢至少要大概1萬到2萬美元，更不說存儲成本。之前每天換硬盤，現在可能一次背了20塊硬盤，隔幾天換一次。

齊蕾：所以現在很多自動駕駛公司在做小巴，因為小巴的成本劃得來，空間也大，可以塞計算設備進去，另外載的人多，里程數更高，算下來會劃算很多。

同時我們期待，無論是英特還是Nvidia，尤其是Nvidia，得把這個事兒給做出來，一致去搞自動駕駛的芯片；如果芯片成本能降下起來，大小能變小，也是一個里程碑。

圖 | 自動駕駛系統??

《硅谷101》：激光雷達的數據，比如像Waymo，是他們晚上回去，車都歇著的時候傳輸嗎？

齊蕾：他們之前在做的時候，唯一的辦法是，晚上把硬盤拿了出來，再拿到他們的機房，然后進行傳輸。5G到來會帶來一些方便，但是它的數據量確實是比較大的。

劉冰雁：我覺得激光派和視覺派的爭論可能是個偽問題，L5技術，現在看來還有點遙遠。

齊蕾：所謂L5本身技術含量是非常高的，我們可能不會去定義是L5、L4還是L3，而是說真的應用起來應該是什么樣的感覺。

劉冰雁：非常有道理，我確實一直覺得SAE（美國汽車工程師協會）的這套分級，現在看來值得推敲。

《硅谷101》：大家說特斯拉現在是L2的技術，L2和L3的區別在哪里？

劉冰雁：簡單的說法是這樣的：L2是人在開車；L3是車在開車，但人要負責；L4是車在開車，但車負責，也就是說L4是人不需要接管，L3人還需要接管。

齊蕾：L2和3其實界限沒有那么大，就是程度的問題，比如手放在方向盤上面，L3是你可能可以停一下，但要回來一下，如果說離開30秒可以算2.5。

圖 | 自動駕駛分級??

劉冰雁：絕大多數定速巡航或自動跟車都可以算L2，但特斯拉應該算是L2.5，到L3好像又沒有到，分級其實是純從產品的角度來定義，而不是從技術路線角度定義的。

從技術路線角度，你會發現L3到L4非常難，甚至可以說L4到L5都沒有L3到L4難，現在的Cruise、Waymo也到不了完全L4，就是不需要人接管，這是很難做到的事情。一旦人可以不接管了，把它擴展到在一個城市都能用，在另一個城市也能用，可能反而比從L3到L4更容易。

齊蕾：回到剛才說的從一個城市到另一個城市，我覺得難度非常大，可能視覺派還不太一樣，激光雷達的是必須得掃地圖。

劉冰雁：激光雷達是依賴于高精地圖的，沒有地圖的話，就不能這么去運作，特斯拉雖然很多地方不靠譜，但做視覺絕大部分體驗還是很好的。

齊蕾：從用戶體驗和商業角度來講，特斯拉的體驗肯定是更好的。但是從一個車廠的安全和責任的角度來講，大家愿意選擇激光雷達，是因為認為激光雷達更安全更負責。

我自己對視覺不安的一點是，我很擔心在它遇到一個沒有見過的情況，要怎么做決定。

劉冰雁：激光雷達不會有同樣的問題嗎？它也有沒有見過的東西。

齊蕾：它有，但至少它可以判斷前面是一組障礙物，但對于視覺來講，它不一定是障礙物，有可能那個東西很小，但可能會導致很大的事故。

劉冰雁：我之前在Oculus做的是，基于視覺建圖與定位，用視覺，和一些非常簡單的加速度、陀螺儀這樣的傳感器，這樣是可以進行對深度和物體有相當不錯的感知，相當于對與定位的感知。

因為雙目視覺可以做深度，在運動過程中，即使不用傳播視覺也可以做深度，更進一步就是人眼看很多事情也可以知道它大概的位置的深度，那么機器不見得會做得比人差，所以說深度感知，也就是說，知道前面到底是不是一堵墻，并不是那么難處理。

相反，激光雷達遇到反光或雪花，并不是那么準。

圖 | 激光雷達

齊蕾：對，雨天，激光雷達會有很多問題。

劉冰雁：視覺上也可以做很多深度，這些不依賴于是否見過這個場景。

回到做深度定位這個問題上，我們找的是，連字母都算不上的小東西。你看到有兩個非常小的點，原來離得很近，后來突然離得很遠，就說明這個東西離你很近了。它并不依賴于認出這個東西本身，只需要知道一些從圖像處理、甚至光學上幾乎對人眼和人腦來說不可識別的一些東西，就可以提供非常好的深度的認知。

齊蕾：會不會出現的是一個活物，比如一個正在彎腰撿球的小孩，系統會誤以為是個垃圾桶？

劉冰雁：不管是垃圾桶還是小孩都是不能撞的。

齊蕾：有意思的一點是，馬斯克是堅定的視覺派，連毫米波雷達都可以拿掉，只相信視覺，但激光派就是，我們都上，我不僅有激光雷達，還有毫米波雷達和視覺。

《硅谷101》：激光雷達和視覺派的一個差異在于，不管激光雷達是否比人開車安全，對激光雷達派來說，要做的是降低總體事故率，不僅要比人更安全，還要讓車的事故率降到最低，安全性提升到最高；而不是說達到了和人差不多的水準就可以了，他們不是這個標準。

劉冰雁：我們仔細深究的話，車一定比人自己更安全，這是一個簡單的概率問題，人不是100%安全，車也不是100%安全，但只要不同時犯錯，我們就是安全的。

但我們討論不同傳感器融合時，就不是直接這樣的關系，不是說只要激光雷達看到了，或者視覺看到了，就一定不會出事，看到不代表不會出事，也可能看到了假的東西，于是做了錯誤的躲避，造成更多失誤。

從這個角度來說，更多傳感器不一定代表更好的精度，因為這是幾個不同的傳感器，它們之間沒有典型的可以用統計的方法進行融合。

齊蕾：就是回到了傳感器融合權重的問題。可能高速上傳感器的權重更偏向激光雷達，在城區的話就更偏向視覺。

從車廠商業化角度來講，之所以選擇多傳感器融合，是要兩倍三倍的保險，這也是為什么行業里大部分車廠的商業化路徑會選擇多重保險。

另外，現在很多人想解決的問題是在高速公路上怎么可以看得更遠，因為攝像頭沒有辦法看到更遠，這是個巨大的問題。如果我是卡車，在無法看到更遠、制動又很慢的情況下，就會出事。

《硅谷101》：特斯拉的終極目標是不是要去成為Waymo的競爭對手？

劉冰雁：我的核心觀點是，L5非常遙遠，要達到L5技術，需要的人工智能技術相對現有技術還有一個代差，不是現在可以解決的一個問題。等到那個時間，當視覺比激光雷達有了更好的感知能力，我覺得不是問題。

L5在時間線上并不是非常近的，我一定程度同意馬斯克的一個觀點，激光雷達是作弊，相當于拿了一張開卷考試，拿了一張地圖在做駕駛問題。他做的事，就是模仿人，人用肉眼可以開車，那么車也可以。激光雷達并沒有提供比視覺在遠期上來看，更多的東西。

04? 爭議安全性

《硅谷101》：上次我們討論的一個結論是，自動駕駛更安全，但人類更聰明，如果這句話套用到特斯拉這個案例上，其實就不成立了。

劉冰雁：我不同意，在安全這個問題上，特斯拉就是一個新聞吸引器，不管是正面的負面的新聞都往它頭上放。

《硅谷101》：所以你認為特斯拉的自動駕駛更安全？這是不是建立在正確使用的方法上？

劉冰雁：Yosemite有個說法是，造不出完美的防熊箱，最愚蠢的人和最聰明的熊之間的交集比人們想象的大得多，就是說總有人犯傻，總有人不要命。技術并不是核心問題，沒有什么安全措施，防得住犯傻的人。

《硅谷101》：所以你的說法還是建立在，我們要普及技術，要在正確使用的情況下評判它是否安全。但問題在于，當一個人開車時，如果使用自動輔助駕駛系統，但要還有集中注意力觀察，這是很難的，這是人性的問題。

劉冰雁：我非常同意，我想提兩個點，第一，安全氣囊在錯誤使用的情況下也非常危險；第二，我的體驗是，之前開車4小時去滑雪，到場就已經很累不想滑了，但后來開特斯拉就覺得開車根本不是問題。

齊蕾：他的經歷我也有，我開的不是特斯拉，是英菲尼迪。因為以前我自己開去洛杉磯，五六個小時很累，中間每兩三個小時就要休息一次。但自從開了可以定速巡航的車，接觸了更好的產品，就不會再退回到沒有這個功能的產品。

這個體驗可能在特斯拉身上更重。一旦體驗了這個功能，我再也不會去買沒有這個功能的車了。

《硅谷101》：所以你下一輛車打算買特斯拉了。

圖 | 特斯拉的自動輔助駕駛

齊蕾：我有對電動車的里程焦慮，我開到中間的時候，可能要繞到一個根本不想去的地方充電，坐在里面坐半個小時。另外從消費者的角度來講，我在新聞上天天看特斯拉出事兒，我的信任感沒那么高。

劉冰雁：我想說的恰恰是另一方面的情況，特斯拉救了命是大家是看不到的新聞。

齊蕾：就像剛剛說的，人總是有特別傻，讓你不理解的人，比如之前在北灣，有兩個開特斯拉的人直接撞到了樹上導致死亡，是因為他們倆都坐在后排。

也正是因為特斯拉如此高調宣傳自動駕駛，導致很多人要去試試。

劉冰雁：特斯拉在全自動駕駛上的宣傳，到后來已經到了笑話的程度了。馬斯克說2016年底的時候要Coast to Coast全程是吧？現在已經這么多年過去了對吧？馬斯克前兩天還說下周就要發布。

齊蕾：他老說這些話，他不是明天就要去火星了嗎？

劉冰雁：這些都是玩笑了，但我們開車中都會焦慮會走神，特斯拉可以在你走神的時候幫一把。如果你走神的時候沒有人幫一把的話，很可能就真的出事了。

齊蕾：我有很大的兩個感受，一是特斯拉用戶非常熱愛特斯拉，是發自內心的熱愛。二是在我對車有了信任和依賴感時，作為司機我是不是會更加放松，導致我不愿意再關注在開車上，而這個車可能在一兩年還沒有達到質的飛躍的時候，我自己本身的心態卻達到質的飛躍。

特斯拉有做什么事情讓用戶更警醒嗎？

劉冰雁：如果手不在方向盤，它會很快各種提醒。

《硅谷101》：其實最開始馬斯克談自動駕駛的時候，大家不會去揪著馬斯克問是在說L2的自動駕駛還是L4的，就都覺得是一個可以完全撒手的自動駕駛。

直到特斯拉自動駕駛發布好幾年后，出了很多事故，他才說這只是輔助駕駛，大家開車時手得扶著方向盤，用戶才意識到特斯拉并不是完全自動駕駛。我們之前說特斯拉不是技術問題，其實是一個宣傳問題，這點非常重要。

劉冰雁：說到技術的發展，可以再往下延伸一點，科技最終是為了什么？不管是自動駕駛技術還是別的技術，除了科學家們的好奇心之外，我覺得更多的是為了拯救生命。Waymo是最先提出不能信任人，不做L3系統，只做L4L5的系統。

《硅谷101》：Waymo提出這個，是因為他們在做自動駕駛研發中，安全員在路測過程中發現，如果不開車，還要專注看前面有沒有障礙，隨時準備接管，這是一件反人性的事情。背景是在自動駕駛很不成熟，需要隨時接管的情況下。

劉冰雁：在這個事情上我不同意他們的這種觀點。實際上他們做的事情，可以說是為了自己手上不沾血，他們在殺掉很多沉默的人。

他們相當于是說，我的自動駕駛技術沒有殺掉任何一個人；但是推遲了一個足夠好的自動駕駛技術，廣泛地進入市場中，實際上已經殺掉了很多人。

《硅谷101》：你認為即使在自動駕駛不成熟的情況下，也是比人開車更安全的？

劉冰雁：我想說的是，在人和自動駕駛一起開車的情況下，它一定比人開車更安全。

《硅谷101》：一起開車指的是，人還是集中注意力。

齊蕾：理論來講可能是成立的，但對于個體來講，你永遠都不知道現實是什么樣的，因為人的變化因素太大了。

劉冰雁：自動駕駛比人開的好應該沒錯，我就肯定沒自動駕駛開的好。

齊蕾：人肯定是更相信自己，和自己比較熟悉的東西，以及自己過去的經歷和判斷。機器會做決定，但可能會出錯，因為我們不知道里面的編碼是什么，是誰在編碼，也不知道機器是否純潔，還是被黑客黑過。

05? 特斯拉公布超算Dojo，未來模型訓練會更快

《硅谷101》：特斯拉在視覺的方案上，有哪些技術方向的升級與進步？

劉冰雁：隨著超級計算機Dojo的公布，一個比較大的改變是從基于2D的識別變為3D，在運動狀態下的識別，他們最終去分析的是3D空間中每輛車的朝向這樣的信息，而不是基于之前對二維圖片的識別。

還有很多要發展的地方，比如需要對三維空間單目或雙目的物體姿態的估計，這確實也是非常值得做的方向。特斯拉最大的優勢是，有錢又有數據，我們花錢給它當試駕員，相比Waymo的話，它的數據量級是海量的。

《硅谷101》：特斯拉披露了超級計算機Dojo，它的算力據說達到了全球第五，馬斯克還說想要達到超算能力的百億億次浮點，簡單解釋一下，具體的用途是什么？

劉冰雁：它可以用來做人工智能的模型訓練。大家是否還記得Open AI做的的語言模型GPT-3？它當時花了1600萬美元專門訓練這個模型，讓這個模型從一片混沌到能夠知道一些事。

Dojo也是用來做訓練這個過程的，讓一個什么也做不了的模型，變成一個能認出貓，認出狗，認出人，認出車的一個模型。

《硅谷101》：可以理解為它如果用于視覺識別，視覺識別的效率會提升得更快，因為之前的算力達不到？

劉冰雁：對，可能以前我訓練一個這樣的模型需要幾年的時間，在真實世界中這個時間是不可接受的。但如果加速100倍，一個電腦比它快100倍，幾年的事情可能就變成了幾天幾周，就是可被實施的事情。

齊蕾：它就是算得更快，找東西的速度更快，是嗎？

劉冰雁：差不多是這個意思，模型的規模決定了它分辨不同東西的能力，包括它的分辨精確度，規模越大越難訓練。

齊蕾：會不會有一個問題，我們并不知道模型是通過什么樣的方式算出答案的，它就是很不安全，是一個黑盒子，對于人來講它已經不可控了。

劉冰雁：我們現在整個人工智能行業，不管是激光派還是視覺派，我們所依賴的都是一個黑盒子一樣的東西。

往往都是實踐先行然后理論跟上。現在也有一些理論物理學家在這方面進行一些研究，用一些更好的方式去理解這樣的模型。現有的數學工具，是沒有辦法理解這樣一些非線性系統的，但理論物理中有一些工具能進行大規模非線性理解。所以現在有很多理論物理學家在進行這方面的研究，用更好的方式來理解模型。以后可能不是黑盒，但目前幾乎就是黑盒。

《硅谷101》：我們剛剛說了很多視覺派的優點，但即使特斯拉的人出去創業了，也是選擇做激光雷達派，比如說像RoadStar之前也做視覺派，后來轉向了激光雷達派，Auto X做攝像頭解決方案的，最后也上激光雷達了，所有一開始就向著L4和L5的自動駕駛公司，最后不約而同走向了這條路。

劉冰雁：有這樣一條簡單的路，并且成本越來越低，干嘛不走。當然還有非常有名的一句話，我們選擇它不是因為簡單，而是因為難，這就是另外的一個故事了。

《硅谷101》是一檔起源于硅谷的科技播客，分享最前沿的技術創新與商業趨勢，大家也可以在蘋果、小宇宙、喜馬拉雅、蜻蜓FM、荔枝等主流音頻渠道或者泛用性客戶端訂閱《硅谷101》的音頻節目。

更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App