2024-08-02
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Älykäs ajo, kallis kilpailu alkaa. Määritä sijoitus ja päätä tulevaisuus.
Teksti丨Cheng Manqi Dou Yajuan
Toimittaja 丨 Song Wei
Tohtori Gu Junli, joka on työskennellyt Teslassa ja Xpengissä, sanoi, että Kiinan älykäs tutkimus- ja kehitystyö on vähintään 1,5-2 vuotta jäljessä Teslasta. Lideal Zhijian varatoimitusjohtaja Lang Xianpeng uskoo, että ero ei ole niin suuri ja että Lideal on tuotekokemuksessa enintään puoli vuotta jäljessä.
Ideal korostaa, että sen etu älykkäässä ajamisessa on, että siinä on enemmän autoja ja enemmän dataa, Nonsensen perustaja.
Hintasota raivoaa edelleen, ja Kiinan uudet autovoimat ovat yhdessä puristaneet uudelle taistelukentälle - älykkääseen ajamiseen, joka on täynnä erimielisyyksiä, riitoja ja toistensa jahtaamista.
Kaikilla autoyhtiöillä ei ole varaa tähän lippuun. T&K-investointi älykkääseen ajamiseen alkoi 3 miljardilla RMB:llä ja kasvaa vuosi vuodelta. Ihannetapauksessa kortin vuokraaminen maksaa nyt miljardi yuania vuodessa ja tulevaisuudessa miljardi Yhdysvaltain dollaria.
Syy siihen, miksi uudet voimat ovat niin hulluja ja haluttomia jäämään jälkeen, on se, että he ovat nähneet Tesla FSD V12:n (uusi versio täysin autonomisesta ajamisesta, jota Tesla alkaa ajaa suuressa mittakaavassa tammikuussa 2024) valtavan edistyksen. he ovat myös nähneet älykkäiden ajoominaisuuksien vaikutuksen kuluttajien päätöksiin. Viime vuoden syyskuussa Huawei ilmoitti tuovansa markkinoille kuvattoman ratkaisun, joka voitaisiin ottaa käyttöön koko maassa vuoden loppuun mennessä. Vain kuukaudessa tuhansien rajoissa pyörinyt kuukausimyynti ylitti 10 000:n ja vuoden lopussa 30 000:n rajalla.
Pian sen jälkeen, kun Huawei julkisti radikaalin älykkään ajosuunnitelmansa, Ideal piti syksyn 2023 strategiakokouksensa ja teki selväksi, että älykäs ajo on ydinstrategia, jota ei saa hukata. Toimitusjohtaja Li haluaa sanoa: "Meistä tulee ehdoton johtaja älykkäässä ajamisessa vuoteen 2024 mennessä."
Siitä lähtien Ideal on kiihdyttänyt iteraatioita ja siirtynyt eteenpäin kahdella rintamalla: käyttäessään NPN:tä (Neural Prior Net, a priori neurologi, joka käyttää joidenkin teiden ja karttojen ennakkotietoja tunnistaakseen tien ominaisuuksia ja vähentääkseen riippuvuutta erittäin tarkoista kartoista) ), olemme vihdoin kiinni The Hundred-City NOA lanseerattiin viime vuoden lopulla samana aikana, NOA ilman kuvia esikehitettiin viime vuoden lokakuussa ja sisäinen testi tuhansien ihmisten kanssa aloitettiin. kuukautta myöhemmin, ja se otettiin kokonaan käyttöön tämän vuoden heinäkuussa.
Tänä kesänä ei ole aikaa hengähtää. Uudet joukot aloittavat seuraavan taistelun: päästä päähän Teknisestä termistä, jota useimmat kuluttajat eivät ymmärrä, on tullut sotilasstrategien taistelukenttä.
Päästä päähän -sovelluksen merkitys on, että se tuo älykkään ajotutkimuksen ja -kehityksen tekoälyn aikakauteen – ei enää luota paljon manuaaliseen ohjelmointiin Niin kauan kuin mallin kouluttamiseen käytetään enemmän dataa, järjestelmä jatkuu tulla vahvemmiksi ja suoriutua paremmin kuin ihmiskuljettajat. Musk uskoo, että tämä tuo ihmiset paljon lähemmäksi täysin autonomista ajamista.
Ideal käynnisti tällä viikolla tuhannen henkilön sisäisen testin uudesta "end-to-end + VLM (Visual Language Large Model)" -arkkitehtuurista, kutsuen sitä edistyneemmäksi yksimalliksi ja maailman ensimmäiseksi kaksoisjärjestelmätoteutukseksi. Yksi malli tarkoittaa, että autonomisen ajamisen havainto- ja päätöksentekomoduulit täydentävät yhden mallin. Syöttö on anturidataa ja tulos on ajorata.
Autonomisessa ajossa on kolme moduulia: havainnointi, suunnittelu ja päätöksenteko sekä hallinta. Se perustuu havaintoon "näkemiseen", päätöksentekoon ajamiseen "ajattelemiseen" ja ohjausmoduuliin ajokäyttäytymisen suorittamiseen. Päästä päähän -teknologia on havainnointia päätöksentekoon, ja koko prosessi toteutetaan suurella mallilla.
Näihin aikoihin Weilai ilmoitti päästä-päähän AEB:n (hätäjarrutustoiminnon) massatuotannosta heinäkuun alussa Xiaopeng toisti tällä viikolla, että se on ainoa autoyhtiö maailmassa, joka on saavuttanut päästä päähän suurten massatuotannon; Toinen malli on tietysti Tesla pull. Jos mukaan luetaan toimittajat, Huawei ja Momenta ovat saaneet päätökseen päästä-päähän käyttöönoton tänä vuonna.
Ideal aloittaa oman älykkään ajamisen kehittämisen vasta vuonna 2021, kaksi vuotta myöhemmin kuin Weilai ja Xpeng. Idealin tämänhetkinen edistyminen on kuin alitoimija, joka yhtäkkiä tietää vastauksen ja luovuttaa paperin etukäteen.
Tällä hetkellä keskustelimme Ideal Intelligent Drivingin varatoimitusjohtajan Lang Xianpengin ja Ideal Intelligent Driving Technologyn tutkimus- ja kehitysjohtajan Jia Pengin kanssa. He selittävät, kuinka tämä saavutetaan.
Lang Xianpeng on älykäs kuljettaja, joka haluaa nimetä tärkeimmät projektit kreikkalaisen mytologian mukaan. Hän on hahmontunnistuksen ja älykkäiden järjestelmien tohtori. Kampanjoita, joita hän suoritti Idealissa, ovat "Acropolis", "Iliad" ja "Titan". Vuonna 2018 Lang Xianpeng liittyi Idealiin Baidusta autonomisen ajon johtajaksi ja hänet ylennettiin myöhemmin varapresidentiksi.
Jia Peng on nuori teknologian tutkimus- ja kehitysjohtaja. Hän oli yksi ensimmäisistä ihmisistä, jotka tekivät älykästä ajamista NVIDIA:lla Kiinassa. Hän näki, että sirujätti oli ensimmäinen, joka ehdotti laajamittaisia autonomisen ajamisen malleja, mutta huomasi, että vain autoyritykset voivat todella toteuttaa ne.
Täysin kokonaisvaltaiseen toimintaan sitoutuneilla yrityksillä on erilaiset tiekartat ja edistyminen, mutta niillä on yksi tavoite ja yksi tekninen suunta: lopulta toteuttaa L4-autonominen ajo.
Näemme tämän päivän hulluutta älykkääseen ajamiseen ja päästä päähän, ei vain teknisen uskon, vaan myös kilpailun, käyttäjämentaliteettien ja myyntisijoitusten vuoksi.
Se on kallis kilpailu. Kustannukset eivät ole pelkästään ihmisten rekrytoinnin, grafiikkasuorittimien ostamisen ja koulutusmallien valtavia kustannuksia. Ennen kuin L4 todella toteutuu, kuljettajan istuimella istuu edelleen ihminen Turvallisuus, luotettavuus ja vakaus ovat käyttäjän testistandardeja nykyisessä älykkäässä ajossa.
Alikehittyneet luovuttavat papereita
"Myöhäinen": Ideal aloittaa itse kehitetyn älykkään ajon vasta vuonna 2021, myöhemmin kuin Xpeng ja NIO, ja se on aina ollut kuromassa kiinni. Tähän vuoteen asti se siirtyi suoraan NPN:stä NOA:han ilman kuvia ja aloitti sitten tällä viikolla päästä-päähän sisäisen testauksen tuhansien ihmisten kanssa. Joku kommentoi, miksi aliosaavat yhtäkkiä luovuttivat paperinsa aikaisin?
Lang Xianpeng: Se voi olla Diaosin vastahyökkäys.
Teimme kolme sukupolvea viime vuonna, kaavioista "ennakkotietoihin" NPN:iin ja graafittomiin. Tämän vuoden kesäkuussa varmistettiin päästä päähän -arkkitehtuuri ja ehdotettiin myös nopeaa ja hidasta järjestelmäarkkitehtuuria järjestelmä on VLM (Visual Language Model), joka on kyky käsitellä monimutkaisia skenaarioita.
Lisäksi päästä päähän on yksi malli, tulo on anturi ja lähtö on ajorata, kaikki toteutettu yhdellä mallilla, ilman sääntöjä keskellä. Teslaa lukuun ottamatta muut autonvalmistajat ovat ottaneet käyttöön vain päästä päähän tietyssä linkissä.
"Late": Ensimmäinen tärkeä edistymisesi - NPN-ratkaisusta ei kuvaa, aloitit sen vahvistamisen viime vuoden lokakuussa, sitä testattiin sisäisesti tämän vuoden helmikuussa ja se otettiin käyttöön kokonaan heinäkuussa. Vaihto kesti vain 4 kuukautta. Kuulostaa uskomattomalta.
Lang Xianpeng: Olemme tehokkaampia ja nopeampia kuin muut. Se esimerkiksi säästää paljon päätöksentekoprosessia. Päätös mitä tehdä, suunnitelman laatiminen ja joukkueen kokoaminen voi kestää vain viikon. Jos kyseessä on perinteinen autoyritys, projektin käynnistäminen voi kestää 3 kuukautta.
"Myöhemmin": Mistä luovuit tämän takia?
Lang Xianpeng: Ehkä se on henkilökohtainen tauko. Kaikki tietävät yrityksen tavoitteet, eikä meillä ole perääntyä.
Jia Peng: Minäkin olen tottunut siihen. Irtisanouduin NVIDIAsta ja liityin Idealiin vuonna 2020. Aina kohtaamamme ympäristö on se, että olemme huonokuntoisia ja vanhempamme moittivat meitä joka päivä.
"Myöhemmin": Onko tämä vanhempi Li Xiang?
Jia Peng: Se on käyttäjä.
"Myöhemmin": Vaikuttaa siltä, että älykkään ajoteknologian reittisi on hyvin selvä - se on oppia Teslasta. Miten opit sen erityisesti?
Lang Xianpeng: Kaikki ajattelevat, että teknologian tutkimus ja kehitys vie aikaa, mutta usein ei tarvita tutkimus- ja kehitysaikaa, vaan yrityksen ja erehdyksen aikaa. Tesla on todellakin hyvä vertailukohta, jos se ei toimi yrityksen ja erehdyksen kautta, emme lähde.
Tesla FSD:n kehitys ja iteraatio ovat osoittaneet meille, että menestystä voidaan saavuttaa ilman kuvia. Valitse NPN vai ei kuvaa? Nyt kun Tesla on ilmestynyt, emme valinneet kuvaa, joten teimme vaihdon muutaman kuukauden sisällä.
Mutta Teslan suurin inspiraatio meille on se, kuinka päästä 0:sta 1:een ja 1:stä 10:een autonomisen ajon tutkimuksessa ja kehityksessä. Tesla käytti ensin toimittajan Mobileyen ratkaisua älykkääseen ajamiseen, mutta huomasi pian, että toimittaja ei pystynyt täyttämään sen vaatimuksia, joten se aloitti itsetutkimuksen vuonna 2016, koki järkytysjakson ja saavutti lopulta Mobileyen tulokset. Vuonna 2019 se kehitti oman FSD-sirun ja sillä oli laitteisto, joka tukee tekoälyn tutkimusta ja kehitystä.
"Myöhemmin": V12:n ydin on kokonaisvaltainen. Itse asiassa Teslan vuoden 2023 alussa julkaisema V11-versio oli ilman kuvia.
Lang Xianpeng: On kuin kaikki ajattelevat, että edistynyt matematiikka on erittäin tärkeä, mutta jos et tiedä neljää aritmeettista operaatiota, kuinka voit oppia edistyneen matematiikan hyvin?
Kommunikoin myös Wu Xinzhoun (Xiaopengin älykkään ajamisen entinen johtaja) kanssa tästä. Olemme kaikki samaa mieltä siitä, että koko prosessia voidaan nopeuttaa, mutta ei ohittaa. Kaikki tekevät päästä päähän, mutta kaaviosta, NPN:stä, ei kaaviosta päästä päähän, jokaista vaihetta ei voi jättää väliin. Ohitamalla nämä vaiheet ohitat itse asiassa paljon teknistä ymmärrystä.
Jos emme olisi yrittäneet rakentaa sadan kaupungin NOA:ta viime vuoden toisella puoliskolla, meillä ei olisi niin selkeää käsitystä NPN:n epäonnistumisesta. Pelkästään mittakaavassa maanteitä on vain 30 000–400 000 kilometriä, mutta kaupungeissa on miljoonia kilometrejä, jos haluamme levittää sen ympäri maata, tämä kartta ei valmistu ollenkaan.
"Myöhemmin": Mutta sanoit aiemmin, että suuri päätös ei ole kysymys siitä, voitko tehdä sen, vaan kysymys siitä, uskaltaako tehdä sen.
Lang Xianpeng: Se ei tarkoita sitä, että sitä ei voida tehdä, jos se todella tehdään, se on resurssisota. Joka tapauksessa, jos haluat tehdä sen, tuhannet ihmiset levittävät sitä.
Jia Peng: Vitsailemme keskenämme, että tästä tiestä tulee lopulta karttayhtiö.
"Myöhemmin": Mihin luotit nopeuttaaksesi myöhemmin?
Lang Xianpeng: Organisaation tehokkuus on aina ollut ihanteellinen etu. Nämä ovat suuria vaihtoja NPN:stä graafittomaan ja sitten päästä päähän, mutta onnistuimme heti kun pyysimme.
T&K:n ja toimitusten yhteistyön tehokkuus on erittäin tärkeää. Yhtiön strategiakokouksessa viime vuoden toisella puoliskolla Li Xiang teki selväksi, että RD (tutkimus ja kehitys) ja PD (massatuotanto ja toimitus) tulisi tehdä yhdessä Kun tutkimus- ja kehitysideat ovat selkeitä, tulee aina olla kaksi riviä PD:tä ja RD:tä tiimissämme. Teimme sen viime vuoden marraskuussa ja joulukuussa. Tämän vuoden tammikuussa se oli melkein valmis toimitettavaksi. Helmikuussa versio 5.1 annettiin ja toimitettiin edelleen. ja sitten Beta 1, Beta 2 ja Beta 3. Se on kiillotettu hyvin.
Jia Peng: Mielestäni se on nopea yritys ja erehdys. Prosessimme on: etsi suljettu alue, tarkista paradigma lyhyessä ajassa, saavuta ensin tämän paradigman saavuttama yläraja ja laajenna välittömästi ulospäin, kun alue on raivattu, lisää samanaikaisesti turvallisuuspolitiikka ja sitten hitaasti rullaa se ulos. Testataan tätä paradigmaa eri puolilla maata nähdäksemme, toimiiko se. Jos se ei toimi, lisäämme nopeasti tietoja ja muutamme strategioita. Tuotteen hyväksymisprosessissa linnunmunista varhaislintuihin ja tuhannen henkilön sisäiseen testaukseen annamme käyttäjien työskennellä kanssamme tuotteen testaamiseksi ja toistamiseksi.
"Myöhemmin": Kuulostaa erittäin riskialtiselta. Miten olit niin varma, että selviät tästä prosessista?
Lang Xianpeng: Riski on erittäin suuri, mutta olemme aina olleet täällä.
Ensimmäinen automme, Lideal ONE, käyttää Mobileyen älykästä ajoratkaisua. Myöhemmin, kun Ideal ONE -kasvojenkohotus oli toimitettavissa, Mobileye sanoi, ettei se enää toimisi yhteistyössä eikä pystyisi toimittamaan valkoista laatikkoa. Oli jo 2021, ja ajattelimme, että jos emme hallitse avustettua ajotekniikkaa tähän mennessä, se ei varmasti toimisi. Joten tein vaikean päätöksen – tee se itse. Jos emme voi tehdä sitä, se johtuu siitä, että olemme epäpäteviä. Mutta jos olemme liian arkoja tänään ja käytämme edelleen toimittajia, meillä ei ehkä ole tulevaisuutta.
Meidän oli "pakkotettu" keksiä hyvin erilainen T&K-prosessi. Se toimitettiin toukokuussa ja prototyyppi piti valmistaa maaliskuussa 25. toukokuuta 2021, päivää ennen Ideal ONE -julkaisukonferenssia. korjattavat viat Muutokset saatiin vihdoin valmiiksi sinä aamuna. Tämä on nykyisen prosessimme prototyyppi: tarkista ensin pieni alue, paranna sitten ominaisuuksia, korjaa virheet ja stabiloi laatu.
Tuolloin tiimissä oli vain 100 henkilöä ja ensimmäisen kuukauden aikana 40 henkilöä. Joku sanoi minulle: "Miksi voimme toimittaa jotain, jonka toimittaminen kestää toisilta vuoden tai kaksi kolmessa kuukaudessa? Älä petä itseäsi."
"Late": Sama ei ole kuvassa, Xiaopeng avasi kaupungin viime vuonna hitaammin kuin sinä tänä vuonna, ja Xiaopeng sanoi, että joka kerta kun se menee kaupunkiin, sen on suoritettava vähintään neljä kierrosta testaus Vain tällä tavalla se voi varmistaa turvallisuuden ja älä anna Käyttäjä avaa sokean laatikon. Kuinka varmistat turvallisuuden menetelmälläsi nopealla kehittämisellä, toimituksella ja sitten linnunmunista tuhansille ihmisille sisäiseen testaukseen?
Lang Xianpeng: Nykyinen autonomisten ajojärjestelmien arviointimenetelmä on hyvin erilainen kuin ennen. Edellisessä älykkäässä ajamisessa toiminnot suunniteltiin ensin ja sitten kehitettiin, ja jokainen toiminto testattiin sen varmistamiseksi. Nykypäivän dataohjattu autonominen ajaminen perustuu ominaisuuksiin eikä toimintoihin, joita voidaan arvioida vain "tutkimuksilla".
Käytämme kokeen suorittamiseen maailmanmalli + varjo -tilaa. Maailmanmalli rekonstruoidaan ja generoidaan todelliseksi kohtaukseksi, jossa auto kulkee, mikä vastaa simulaatiotestiä, jolla arvioidaan valmiuksia tutkimus- ja kehitysprosessissa. Testin läpäisyn jälkeen käytämme Ear Bird -testiä, sisäisiä testiajoneuvoja ja varjotilaa oikean auton testin suorittamiseen.
"Myöhässä": Jos ehdotusesseihin on vastauksia, voit ihanteellisesti juosta nopeammin kuin muut, mutta vastaukset eivät aina ole saatavilla. Useimmat tekniset kysymykset voivat olla avoimia kysymyksiä.
Lang Xianpeng: Se, mitä näet tänään, on niin sanottu ehdotuskokoonpano. Olemme saavuttamassa nopeasti, mutta saamme kiinni, voimme olla nopeampia, koska koko järjestelmä on asennettu.
Se ei tarkoita, että aloitamme itsetutkimuksen vasta vuonna 2021, jotta voimme toimittaa tuotteita, jotka ovat huonompia kuin vertaisemme. Ensimmäisestä toimituspäivästä lähtien meidän on kilpailtava luokan parhaiden oppilaiden kanssa. Tämä tarkoittaa myös sitä, että jos käytän toisen oppimismenetelmää oppimiseen, en todellakaan voi oppia häneltä. Joten meidän on vain tehtävä asiat omalla tavallamme.
Ei-kenenkään maan partaalla
"Myöhemmin": End-to-end ei ole uusi konsepti Nvidia ja Waymo ehdottivat päästä päähän muutama vuosi sitten, mutta miksi Tesla oli se, joka toteuttaa ja edistää tätä?
Jia Peng: Koska se ei vain esitä teknisiä ideoita, vaan myös näyttää kaikille käytön tulokset.
Lang Xianpeng: Monet ihmiset Teslassa näkivät sen, koska he uskoivat sen, mutta useammat ihmiset uskoivat sen, koska he näkivät sen.
"Myöhässä": Jos Tesla ei olisi tutkinut edessä olevaa tietä, olisiko ihanteellinen ollut pidemmän aikaa jäljessä?
Lang Xianpeng: Algoritmisesti olimme myöhässä, koska alkuperäiset ehdot ja resurssit olivat riittämättömät. Mutta ei ole liian myöhäistä kerätä tietoa ja rakentaa tutkimus- ja kehitysjärjestelmä, jotta voimme kuroa kiinni.
Teslan filosofia oli alusta asti selvä – datalähtöisyys on oikein, joten rakennamme T&K-infrastruktuurin sen mukaisesti. Ensimmäiseen Ideal ONEen sukupolveen vuonna 2019 rakensimme suljetun silmukan datajärjestelmän - Poseidonin, joukon työkaluketjuja datan keräämiseen, louhintaan, merkitsemiseen ja koulutukseen. Meillä ei tuolloin ollut resursseja tehdä omaa tutkimusta, mutta sijoitimme myös ylimääräisen kameran Mobileyen kameran viereen keräämään ja analysoimaan ongelmia.
Jos esimerkiksi törmätään ongelmaan tietestin aikana, perinteisesti kyydissä oleva henkilö kirjoittaa sen muistiin ja ajaa sitten, kunnes sama kohtaus toistuu. Havaitsimme ongelman. Tiedot voidaan synkronoida takaisin taustalle. Testi ei ole vielä ohi, tiedot on analysoitu ja ongelma on jopa alkanut ratkaista. Sen, minkä perinteisillä yrityksillä kestää useita päiviä tai jopa viikko, voimme tehdä todennäköisesti tunnissa.
Tietojen kertymisen kannalta ihanteellisten käyttäjien autonomisen ajon kokonaiskilometrimäärä on ylittänyt 2 miljardia kilometriä, josta lähes miljardi kilometriä on ajettu NOA:lla. Tesla teki sen aikaisin, sillä on suurempi määrä asiakkaita ja pidemmät kilometrit.
"Myöhemmin": Onko tämä enemmän Li Xiangin vaatimusta vai sinun?
Lang Xianpeng: Olemme yksimielisiä. Kun tulin Idealille haastatteluun vuonna 2018, Li Xiang kysyi minulta, mikä on tärkein ongelma, joka on ratkaistava, jotta L4 lopulta toteutuisi? Sanon data - ilman suljetun silmukan datajärjestelmää, oli kyseessä sitten näyte tai kysymys, analyysitehokkuus ei ole korkea. Ihmiset voivat louhia ja algoritmeja voidaan kehittää, mutta jos dataongelmaa ei ratkaista, sitä ei varmasti tehdä hyvin.
"Late": Weilai juuri massatuotettu päästä päähän AEB ei kauan sitten; Mitkä ovat päästä-päähän erot kunkin yrityksen välillä?
Jia Peng: Xpeng 5.2:n nykyinen arkkitehtuuri on samanlainen kuin juuri heinäkuussa lanseeraamamme Wutu. Perception on malli, ja he ovat yhdistäneet tämän. Huawein julkaisema ADS 3.0 on myös segmentoitu päästä päähän.
Tesla on malli havainnosta päätöksentekoon. Uusin versiomme yhdistää myös havainnon ja päätöksenteon yhdeksi malliksi, ja se on alkanut tällä viikolla testata tuhansien ihmisten kanssa.
"Myöhäinen": Mitä eroa on yhden havainto- ja päätöksentekomallin päästä-päähän ja segmentoidun päästä loppuun? Kuka on edellä?
Lang Xianpeng: Se riippuu edelleen tavoitteesta. Segmentoitu malli sopii paremmin L2+-tason avustettuun ajoon, kun taas yksi malli voi todella ajaa L3- ja L4-tason autonomisesti.
Sillä vaikka segmentoitu päästä päähän on korvannut päätöksentekomoduulissa joitakin sääntöjä dataohjatuilla, koko prosessissa on edelleen sääntöjä, se on olennaisesti samanlainen kuin aikaisempi älykäs ajo-arkkitehtuuri sekä tutkimus- ja kehitystyö prosessi on myös samanlainen, edelleen jaettu moduuleihin. Yksi malli ei sisällä sääntöjä. Sensoritiedot tulevat sisään ja suunniteltu liikerata tulee ulos.
"Myöhemmin": Voitko selittää yhdellä lauseella, mikä on päästä päähän -palvelun suurin arvo?
Jia Peng: Käyttäjän näkökulmasta ajokäyttäytyminen muuttuu inhimillisemmäksi ja yksityiskohtainen hallinta on sujuvampaa. Tutkimuksen ja kehityksen näkökulmasta iterointi on tehokkaampaa.
Lang Xianpeng: End-to-end on ensimmäinen kerta, kun puhdasta dataa käytetään ajamaan autonomista ajamista. Tutkimus- ja kehitysmenetelmä on muuttunut funktioista ja skenaarioista järjestelmän ominaisuuksien parantamiseen. niin kauan kuin järjestelmä vahvistuu, sen suorituskyky ylittää odotukset.
"Myöhäinen": Kuinka kouluttaa älykkäämpi malli lyhyemmässä ajassa?
Jia Peng: Tiedot, erityisesti korkealaatuiset tiedot, ovat erittäin tärkeitä. Poimimme parhaat tiedot 20 miljardin kilometrin tiedoista 800 000 autonomistajalta, koulutimme yli miljoona kilometriä dataa ja ylitimme 5 miljoonaa kilometriä vuoden loppuun mennessä.
Toinen on harjoitusmenetelmä Jäljitelmäoppimisen perusteella lisäämme vahvistusoppimista, jotta malli tietää, mikä on vialla.
Lang Xianpeng: Viimeinen asia on laskentateho. Ihanteellisella GPU:lla on laskentateho, joka vastaa 5 000 A100:aa ja A800:a. Jos vuokraat kortin, se maksaa 1 miljardi vuodessa, minkä tukeminen vaatii terveitä voittoja.
"Myöhemmin": Olet toistuvasti korostanut, että pystyt kuromaan kiinni, koska sinulla on tietoja, mutta tällä viikolla He Xiaopeng sanoi: "Jos joku sanoo, että sillä on paljon autoja ja paljon dataa" voidakseen ajaa itsenäisesti, "Älä usko, se on täyttä hölynpölyä."
Lang Xianpeng: Toivomme myös, että jokainen voi kohdella tuotteita objektiivisesti. Mutta olemme edelleen aikakaudella, jolloin Edison ja Tesla osoittivat, onko tasavirta vai vaihtovirta parempi, ja toinen osoitti, että vaihtovirtaa saa käyttää ihmiskehon läpi.
"Myöhemmin": Teslalla on eniten tietoja ja suurin investointi laskentatehoon. Tarkoittaako tämä, ettei sitä voi ylittää?
Jia Peng: Teslan nykyinen rajoitus on laitteisto, koska HW 3.0:n (Teslan kolmannen sukupolven älykäs ajolaitteisto) laskentateho on 144 TOPS, ja sen tukemat malliparametrit eivät ole erityisen suuria, jos lisäät liikaa dataa. Katastrofaalinen unohtaminen." Tästä syystä V12.4-päivityksen jälkeen jotkut kohtaukset ovat parantuneet, kun taas toiset ovat huonontuneet, kuten tyhjät kohtaukset alkavat vaihtaa kaistaa satunnaisesti.
"Myöhemmin": Mutta toisesta näkökulmasta katsottuna FSD voi toimia sujuvasti HW 3.0:ssa, joka lanseerattiin vuonna 2018, mikä osoittaa, että Teslalla on vahva kyky yhdistää ohjelmistoja ja laitteistoja.
Jia Peng: Se on todella vahva. Mutta mielestäni FSD:llä on haasteita päästä Kiinaan. Ensinnäkin useimmat Yhdysvaltojen tiet ovat suhteellisen yksinkertaisia, toiseksi Tesla voi hankkia tietopologiatietoja Yhdysvalloissa, joita ei ole saatavilla Kiinassa. Joten FSD on itse asiassa kevyt kartta, ja olemme todella vaahterattomia, eikä meillä ole aiempaa karttatietoa.
"Myöhässä": Tämän vuoden heinäkuussa Teslan ja Xpengin palveluksessa työskennellyt tohtori Gu Junli sanoi, että "Teslan tutkimus- ja kehitystyö on 1,5-2 vuotta kotimaista älykästä ajamista edellä." Oletko samaa mieltä?
Lang Xianpeng: En ole samaa mieltä.
Kuvaton versio edustaa sääntöjen ylärajaa. Päästä päähän edustaa dataohjauksen ylärajaa, siinä ei ole sääntöjä, vain malli. Autonominen ajaminen ei kuitenkaan onnistu ilman kuvia ja päästä päähän, koska se ratkaisee edelleen pitkäjänteistä ongelmaa eikä pysty käsittelemään tilanteita, joihin ei ole koskaan ennen törmännyt. L4-tason saavuttamiseksi järjestelmän on opittava käsittelemään tuntemattomia skenaarioita. Uskomme, että tämä ominaisuus on ratkaistava VLM:n avulla eikä päästä päähän.
Joten uusi arkkitehtuurimme on päästä päähän + VLM. Ensimmäinen on järjestelmä 1 nopeaan ajatteluun - se käsittelee useimpia ajotapauksia, jotka vaativat nopeaa reagointia, jälkimmäinen on järjestelmä 2 hitaaseen ajatteluun ja pitkän aikavälin päätöksentekoon - se voi oppia Opettele maalaisjärkeä selviytymään tuntemattomista tilanteista, kuten huomaamattomien epäsäännöllisten liikennevalojen tunnistamisesta, erilaisista vuorovesikaistamerkinnöistä, koulun ympäristön ominaisuuksista jne., ja kerro autolle etukäteen, ettei se voi ajaa sisään tai hidastaa vauhtia.
System 1 + System 2, ihanteellinen on olla ensimmäinen, joka rakentaa tämän arkkitehtuurin.
Jia Peng: Julkisista tiedoista päätellen Teslan nykyisessä teknisessä arkkitehtuurissa ei ole VLM:ää.
"Late": Nvidian ja SoftBankin sijoittama brittiläinen itse ajava yritys julkaisi Lingo-2:n tämän vuoden huhtikuussa. Se lisäsi autoon myös suuren kielimallin.
Lang Xianpeng: Siinä ei ole System 1 -järjestelmää. Wayven Lingo-2- ja pilvimallit ovat multimodaalisia suuria kielimalleja, samanlaisia kuin VLM. Ideana on, että malli ratkaisee järjestelmän 1 ja järjestelmän 2. Massatuotannon aikana kuitenkin havaitaan, että Orinin laskentateho on olemassa, eikä se voi tukea System 2:n suurta mallia. Wayve voi tehdä tämän, koska se ei ole massatuotantoajoneuvo ja vaatii ajoneuvon takana olevan palvelimen Lingo-2:n käyttämiseksi.
Jia Peng: Varhaisin inspiraationsa saimme Googlen robottijärjestelmistä RT-1 ja RT-2, jotka ovat VLA (Visual-Language-action) -malli, ja lopullinen käyttäytyminen on myös mallin tulosta. Se voi olla loppupeli: jos laitteistoni on tarpeeksi hyvä, voin teoriassa käyttää VLA:ta reaaliaikaisesti.
"Myöhemmin": Joten inspiraatio ei tullut autoteollisuudesta, vaan robotiikasta?
Lang Xianpeng: Koska pidämme autonomista ajamista tyypillisenä tekoälyn sovelluksena. Tämä kaksoisjärjestelmäratkaisu itse asiassa ehdottaa universaalia älykkyysarkkitehtuuria, joka on autonominen ajaminen autossa ja älykäs robotti robotissa.
"Myöhäinen": Ehdottamasi "end-to-end + VLM" -arkkitehtuuri, edellinen on saanut inspiraationsa Teslasta ja jälkimmäinen Google RT:stä, ja VLM-paperi on yhteistyö Tsinghuan yliopiston kanssa. Tarkoittaako se, että olet enemmän tottunut yhdistelmäinnovaatioihin tässä vaiheessa?
Lang Xianpeng: Kun tehtiin yhteistyötä Tsinghuan yliopiston professori Zhao Xingin kanssa, mielipiteemme törmäsivät toisiinsa, eikä hän ehdottanut mielipiteitä, vaan me toteutimme ne.
"Myöhemmin": Pidät autonomista ajamista osana yleismaailmallista älykkyyttä. Onko sillä myös skaalauslakeja, ja uskotko skaalauslakeihin?
Lang Xianpeng: Päästä-päähän skaalauslainsäädäntö ei ole erityisen ilmeinen, koska parametrit ovat rajallisia, ja kymmeniä miljoonia tietoja voidaan täyttää, ja jos lisäät tietoja, se alkaa unohtua nähnyt tämän ilmiön jo Tesla FSD V12.4:stä.
Mutta VLM:n skaalauslait ovat ehdottomasti olemassa, ja sillä voidaan saavuttaa kymmeniä miljardeja tai jopa satoja miljardeja parametreja. Niin kauan kuin dataa on tarpeeksi ja parametrit riittävän suuria, suorituskyky paranee. Tämä tie on meille erittäin houkutteleva.
"Myöhässä": Jos VLM voi toimia tarpeeksi nopeasti ja riittävän alhainen latenssi autossa, eikö System 1:tä tarvita?
Jia Peng: Teoriassa kyllä. Nyt meidän VLM voi saavuttaa 3,4 Hz autossa (Huom: HZ on jaksollisten tapahtumien määrä aikayksikköä kohti. Mitä suurempi arvo, sitä pienempi viive. Se on malli, jossa on 2,2 B (2,2 miljardia) parametreja, mutta Jotta se voidaan korvata päästä päähän, sen on toimittava yli kymmeneen HZ:iin, mikä vastaa 100-200 millisekunnin viivettä, joka on ihmisen reaktionopeus. Tietyissä skenaarioissa on korkeammat latenssivaatimukset, kuten AEB (hätäjarrutus).
"Myöhemmin": Kuinka ainutlaatuinen tämä rakenne on? Huawei puhuu myös System 1:stä ja 2:sta; Xiaopengin "Large Language Model XBrain" käsittelee myös tuntemattomia skenaarioita.
Lang Xianpeng: Olemme ensimmäinen, joka ehdottaa kaksoisjärjestelmiä alalla, ja VLM:ämme käytetään massatuotetussa Orin X -sirussa. Muut yritykset ovat aiemmin yrittäneet toimia teollisuustietokoneissa.
Olipa kyseessä yksi malli päästä päähän tai VLM, tämä arkkitehtuuri on toimitettu ja sitä testaavat tuhannet ihmiset.
"Myöhemmin": Mainitsit myös, että työskentelet pilvimaailman mallin parissa. Mikä rooli tällä on koko arkkitehtuurissa?
Jia Peng: Tämä on järjestelmämme 3. Pilvimaailman mallilla on kaksi asiaa: Ensinnäkin VLM voidaan tislata pilvimaailman mallista, jonka tarkoituksena on ensin opettaa pilvessä erittäin suuri malli, kuten Metan äskettäin julkaisema 400 B-parametri Lamma 3.1, ja sitten tislata 8 B malli Tämä toimii paremmin kuin 8 B mallin harjoitteleminen tyhjästä.
Toiseksi maailmanmalli voi tutkia System 1:n ja System 2:n ominaisuuksia. Tehdessämme päittäin mapless-testausta havaitsimme, että valtakunnallinen todentaminen on erittäin vaikeaa. Tietä on 10 miljoonaa kilometriä, ja aiemmin pystyimme vain sijoittamaan sen testaamiseen.
"Myöhäinen": Tesla työskentelee myös maailmanmallin parissa. Mutta tarvitseeko teollisuus niin monia maailmanmalleja? Loppujen lopuksi meillä on vain yksi maailma.
Lang Xianpeng: Prosessissa 0-1, tulee olemaan monia reittejä ja yrityksiä. Aivan kuten emme tarvitse niin montaa sähköautomerkkiä, mutta ruuhka-aikoina niitä on satoja.
"Myöhemmin": Toimiala uskoi aiemmin, että Kiinan älykkään ajon sijoitukset olivat Huawei, Momenta, Xpeng ja Ideal. Milloin tämä sijoitus kirjoitetaan uudelleen? Ja mikä on seuraava kohta, joka muuttaa älykkään ajon sijoituksia?
Lang Xianpeng: Se on kirjoitettu uudelleen. Jatkossa jokainen joukkue lähtee ei-kenenkään maahan: jos Wutu ratkaisee ongelman ja se voidaan avata valtakunnallisesti ja päästä päähän mahdollistaa koko maan hyvän avautumisen, niin seuraava askel on L4.
Kuinka massatuotantoa L4? Alussa täytyy olla sata kukkaa, ja sitten se lähentyy. Kaikki eivät kuitenkaan palaa samalle lähtöviivalle, koska tiedon ja laskentatehon välinen kuilu vain kasvaa ja laajenee.
Katsaus kuudesta keskeisestä ihanteellisen ja älykkään ajon taistelusta
"Myöhemmin": Kuulin, että olet hyvä nimeämään taisteluita.
Lang Xianpeng: Otamme nimeämisen vakavasti.
Älykäs ajotiimi taisteli kuusi keskeistä taistelua. Ensimmäinen taistelu oli Project Acropolis, sitten Project Iliad ja Project Odyssey, sitten Homeroksen eeppinen projekti Titan, Project Golden Apple ja Titanin taistelun jälkeen Uusi Jumala voitti vanhat jumalat. Siirrytään nyt nykyiseen Damokles-projektiin, joka on päästä päähän -projekti. Jos sitä ei tehdä hyvin, Damokleen miekka kaatuu.
"Late": Mitkä ovat kunkin taistelun suurimmat haasteet ja palkinnot?
Lang Xianpeng:
"Myöhemmin": Muut yritykset eivät ole poistaneet nelikulmaista millimetriaaltotutkaa. Oletko miettinyt sen vaikutusta järjestelmän turvallisuuteen sen poistamisen jälkeen?
Lang Xianpeng: Poistimme millimetriaaltotutkan kahdesta syystä. Yksi oli toimitusten varmistaminen. Tuolloin Bosch Corner -tutkasirujen toimitus katkesi, ja meidän oli tehtävä valinta. Joko korvaa tutka visiolla tai ei toimita. Toinen on teknologian valinta. Tuolloin Tesla halusi ottaa käyttöön puhtaasti visuaalisen ratkaisun. Jos auton rungossa on sekä kulmamillimetriaaltotutka että visuaaliset anturit, ja näiden kahden välillä on ero, sen arvioimiseen on käytettävä ihmisen kirjoittamaa sääntölogiikkaa, jolloin virheitä tulee väistämättä.
Toinen lisäetu on, että teknologia vähentää kustannuksia ja säästää noin 500 miljoonaa.
On kuitenkin erittäin vaikeaa ja riskialtista käyttää useita kameroita korvaamaan kulmamillimetriaaltotutka. Olemme tehneet paljon testejä, ja lopputuloksena on, että tarkkuus ja onnistumisprosentti ovat hieman korkeammat kuin kulmatutkalla.
"Myöhemmin": Mainitsit resurssien riittämättömyyden ongelman aiemmin. Onko tämä ongelma nyt ratkaistu?
Lang Xianpeng: Ehdotimme "kolmea päästrategiaa" syksyn strategiakokouksessamme viime syyskuussa. Ensimmäinen strategia on älykäs ajostrategia. Niinpä aloimme rekrytoida paljon ihmisiä vuoden toisella puoliskolla. Yrityksen vaatimukset ja odotukset ovat myös kasvaneet, olipa kyseessä sata kaupunkia tai muita, sen on päästävä kiinni kärkijoukkoon.
"Myöhemmin": Joten älykäs ajaminen ei ollut ihanteellinen ydinstrategia aiemmin?
Lang Xianpeng: Tällä kertaa se on virallisesti selvää.
"Myöhemmin": johtuuko tämä siitä, että ymmärrät, että älykkään ajamisen vaikutus tuotemyyntiin kasvaa ja sinun ja Huawein välinen etäisyys levenee?
Jia Peng: Kyllä, joten syksyn 2023 strategia määrää, että olemme ihanteellisesti tänä vuonna älykkään ajamisen ehdoton johtaja, koska arvioimme, että koko alan autonostologiikka tulee ensin älykkääksi ajamiseksi.
"Myöhemmin": Mitä keräsit kuudesta taistelusta?
Lang Xianpeng: Jos haluat voittaa, sinun on mietittävä, miten voit voittaa. Toisin sanoen, aloita lopusta ajatellen, löydä tarve ja selvitä, mitä on tehtävä ongelman ratkaisemiseksi. Esimerkkejä ovat kulmapoistetut tutka- ja NPN-rajakartat.
"Myöhäinen": Eikö ihanteiden lähtökohta perustu kilpailuun? Esimerkiksi viime vuoden 100 kaupunkia -projektikilpailu.
Lang Xianpeng: Viime vuonna, kun Huawei ilmoitti tuovansa markkinoille ADS:n (Huawein no-map NOA -ratkaisu), joka voidaan avata valtakunnallisesti, korostimme liikaa kilpailua ja vertasimme joitakin Huawein indikaattoreita, kuten haltuunottoastetta, mutta jätimme huomiotta käyttäjäkokemuksen myös tänä keväänä Jotain, jota kaikki kritisoivat strategiakokouksessa.
Myöhemmin pohdimme, että kaiken tuotteen hyväksymisen ja toimituksen tulisi perustua käyttäjän arviointiin.
"Myöhemmin": Miten suunnittelet älykkään ajon T&K- ja tuoteorganisaatiosi selviytymään nykypäivän kovassa kilpailussa?
Lang Xianpeng: Älykäs ajomme on horisontaalinen ja vertikaalinen organisaatio, joka vastaa vertikaalisesta liiketoiminnasta, tutkimus- ja kehitystyöstä sekä toimituksista. Lopputuotteen organisoinnista, toteutuksesta ja toiminnasta, mukaan lukien ulkoinen kilpailukykyinen benchmarking ja T&K-resurssien investoinnit, huolehtii kuitenkin älykäs ajo-PDT (Product Development Team, monitoiminen tuotekehitystiimi).
Osallistun joidenkin lahjakkuusstrategioiden ja -suunnitelmien laatimiseen, kun suunnitelma on valmis, toteutamme sen tiukasti.
"Myöhään": Viime syksynä Ideal palkkasi suuressa mittakaavassa ihmisiä, ja älykäs ajotiimi laajeni yli 700 ihmisestä yli 1 000 henkilöön. Tämän vuoden toukokuussa se lomautti vielä kahdesta kolmeensataa henkilöä ja kesäkuussa se kutsui takaisin joitakin avaintehtävissä olevia työntekijöitä. Mitä tarkoittaa siirtyminen rekrytoinnista irtisanomiseen ja sitten työntekijöiden takaisin kutsumiseen lyhyessä ajassa?
Lang Xianpeng: ydin on teknologian iteraatio. Aiemmin älykkäässä ajojärjestelmässä oli suuri määrä sääntöjä, jotka vaativat manuaalista ohjelmointia, edistymisen hallintaa ja testausta. Mutta end-to-end koskee enemmän tekoälymalleja, ja edellä mainittuja paikkoja on vähennetty merkittävästi. Myöhemmin muutama henkilö kutsuttiin takaisin, lähinnä liiketoiminnan tarpeisiin perustuvien säätöjen perusteella. Itse asiassa Teslan älykäs ajotiimi on aina ollut 200–300 ihmistä, ja se on toimittanut maailman suurimman autonomisen ajokaluston.
"Myöhäinen": Intialainen teknikko Dhaval Shroff ehdotti ensin Teslan päästä päähän sisäisesti, ja se otettiin käyttöön alhaalta ylöspäin. Onko ihanteellisella T&K-organisaatiolla maaperää alhaalta ylöspäin suuntautuvalle innovaatiolle?
Lang Xianpeng: Itse asiassa nämä VLM-ideat tulivat esitutkimus- ja T&K-tiimeiltämme. Emme suunnitelleet tällaista kaksoisjärjestelmää kovin aikaisin.
"Myöhemmin": Miten arvioisit lahjakkuuttasi? Ennen Xiaopengiä oli Wu Xinzhou ja Weilailla Ren Shaoqing. Jotkut uskovat, että ihanteellisesta älykkäästä ajotiimistä on aina ollut pulaa tällaisista teknisistä asiantuntijoista.
Lang Xianpeng: Tällä tasolla sekä tekninen kyky että kyky saada tuloksia ovat tärkeitä. Monet teknisistä johtajistamme, mukaan lukien minä, Jia Peng ja Wang Jiajia, ovat työskennelleet autonomisen ajon parissa vuonna 2014 tai 2015. Uudet rekrytoimme ovat myös suhteellisen vahvoja. Tämän vuoden yli 200 vastavalmistunutta on pääosin 50 parhaan opiskelijan joukossa QS100:ssa (British QS World University Rankings). Ja meillä on laskentatehoa ja tietovarantoja, mikä on maaperä lahjakkuuksien kasvulle.
"Myöhässä": Vaikka aloitit älykkään ajamisen alalla hyvin varhain, työskentelit alun perin Baidussa karttaan liittyvien algoritmien parissa, et itse älykkään ajamisen parissa.
Lang Xianpeng: Baidun kokemus on erittäin tärkeä. Tämä kokemus sai minut olemaan pelkäämättä mitään johtamisessa. Uskon, että jos löydän oikean menetelmän, voin saavuttaa parempia tuloksia lyhyemmässä ajassa.
Ensimmäinen projektini Baidussa oli samanlainen kuin Idealin ensimmäisen sukupolven itsetutkimus, sillä sykli oli erittäin tiukka. Liityin Baiduun huhtikuun 2013 lopussa, ja katunäkymäprojekti käynnistetään Baidu-konferenssissa neljä kuukautta myöhemmin. Tässä tiimissä oli alussa vain 4 henkilöä, ja lopulta saimme laukaisun valmiiksi konferenssia edeltävänä päivänä keskiyöllä.
Tässä on kaksi avainta. Yksi on uusien teknologioiden käyttö. Katukohtauksia tehdessäsi täytyy hämärtää rekisterikilvet ja kasvot. Tuolloin se tehtiin käsin, mutta käytimme visuaalista algoritmia, joka on nopeampi ja tarkempi ja säästää paljon ihmisiä. Toinen on data. Tätä algoritmia varten halusimme alun perin tehdä yhteistyötä Baidu IDL:n Yu Kain (myöhemmin Horizonin perustaja) ja Ni Kain (myöhemmin Heduon perustaja) kanssa, mutta heidän algoritminsa tarkkuus oli tässä skenaariossa vain 86 % Teimme rekisterikilven 99% itsestämme, 97% kasvoista. Tärkeintä on, että merkitsimme kymmeniä tuhansia tietoja.
Algoritmisesti emme todellakaan ole yhtä hyviä kuin he. He ovat ihmisiä, joilla on maailman parhaat algoritmit. Mutta tämä on vain 80-90 pisteen ero kohtaustietojen suhteen, meillä on suuruusluokkaa enemmän. Joten myöhemmin haastattelussa Li halusi kysyä minulta, mikä on tärkein ongelma autonomisen ajamisen ratkaisemisessa? Sanoisin dataa.
"Myöhemmin": Muutaman viime vuoden aikana monet ihmiset ovat päättäneet lähteä, koska he eivät kestäneet painetta tai eivät uskoneet, että heidän ihanteensa voitaisiin saavuttaa. Miksi jäit lopulta?
Lang Xianpeng: Me, ryhmä ihmisiä, haluamme vain saada L4:n tapahtumaan, ja mielestäni tämä voidaan tehdä vain ihanteellisella tavalla.
Jia Peng: Ennen Idealiin tuloa asuin NVIDIAssa 5 vuotta, olipa kyse sitten kokonaisista tai suurista malleista, NVIDIA ehdotti sitä ensimmäisenä, mutta sitä ei tuolloin otettu käyttöön. Kun liityn autoyhtiöön, minulla on vihdoin mahdollisuus tehdä autonomisesta ajamisesta suljetun kierron piiri, mikä on hienoa.
Otsikkokuvan lähde: "Genius Gunner"
Kerää ja järjestele viimeisimmät uutiset ja tee ne kaikkien tarkastettavaksi ilmaiseksi.
