한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Toimittajan huomautus: Tencent Automotive Editorial Department kutsuu viime vuosikymmenen sähköistämisaaltoa Kiinan autoteollisuuden "turbulentiksi aikakaudeksi". Nyt, vuonna 2024, historiallinen solmu, joka tunnetaan nimellä "Älykkään ajon vuosi", emme voi auttaa. mutta ihme K: Mitä teknistä reittiä alan suuret toimijat noudattavat? Kuinka rakentaa omia kilpailuesteitä? Tencent Auto on erityisesti käynnistänyt sarjan älykästä ajosuunnittelua Haastattelujen, todellisten testien, horisontaalisten arvostelujen, arvostelujen ja muiden menetelmien avulla se pyrkii seisomaan historian alkupäässä ja saamaan lisätietoa autoteollisuudessa mahdollisesti tapahtuvista valtavista muutoksista. seuraavan kymmenen vuoden aikana, mikä tarjoaa lukijoille ja toimialalle enemmän tietoa kattavasta sisällöstä, joka voi jättää alalle arvokkaita historiallisia alaviitteitä.

Tencent News "High Beam"

Kirjailija Ao Dun

Toimittaja Shi Ding

"End-to-End" (E2E) -ratkaisut tunnustetaan alan parhaaksi ratkaisuksi älykkääseen ajamiseen. Kuitenkin, kun ihmiset yrittävät siivota sumua ja tutkia totuutta, näyttää olevan kymmenentuhatta "päätä". -end" ratkaisuja 10 000 autoyrityksen silmissä. päästä päähän".

Viime joulukuussa,TeslaFSD V12:n lanseerauksen ja päästä päähän -ratkaisun ehdottamisen jälkeen termi "päästä päähän" nousi älykkään ajopiirin kärkeen pian sen jälkeen, Huawei,Xiaopeng,horisontti,NIOMuut yritykset ovat ehdottaneet kokonaisvaltaisia ​​ratkaisuja He Xiaopeng, Xpeng Motorsin puheenjohtaja ja toimitusjohtaja, sanoi, että Xpeng Motors on ainoa autoyhtiö maailmassa, joka on saavuttanut päästä päähän -massatuotannon. isot mallit.

5. heinäkuutaihanteellinen auto Uusi autonomisen ajoteknologian arkkitehtuuri, joka perustuu end-to-end -malliin, VLM:n visuaaliseen kielimalliin ja maailmanmalliin. Ensimmäinen versio on julkaistu tuhansille testikäyttäjille heinäkuun lopussa. Li Xiang ilmoitti tämän vuoden kesäkuussa, että suunnitelma otetaan kokonaisuudessaan käyttöön aikaisintaan tämän vuoden ensimmäisellä puoliskolla ja aikaisintaan ensi vuoden ensimmäisellä puoliskolla.

Li Auton älykkään ajamisen tuotekehityksestä vastaavan johtajan Lang Xianpengin mukaan edellä mainittu arkkitehtoninen suunnittelu on saanut inspiraationsa Nobel-palkinnon voittajan Daniel Kahnemanin teoksessa "Thinking, Fast and Slow" mainitsemasta nopean hitaan järjestelmäteoriasta ja simuloi ihmisen ajattelua ja ajattelua autonomisen ajon päätöksentekoprosessissa älykkäämmän ja ihmismäisemmän ajoratkaisun muodostamiseksi.

Nopea järjestelmä, nimittäin System 1, on toteutettu päästä päähän -mallissa, vastaanottaa anturisyötteen ja lähettää suoraan ajoradan ajoneuvon ohjaukseen. Hidas järjestelmä, nimittäin System 2, on toteutettu VLM:n visuaalisen kielen mallilla. Sen jälkeen se lähettää päätöksentekotiedot System 1:lle loogisen ajattelun jälkeen käyttämällä pilvessä olevaa maailmanmallia.

Verratessaan horisontaalisesti alan vastaaviin, Lang Xianpeng korosti, että Li Auton päästä päähän -malli on ensimmäinen One Model -malli, joka on hyvin erilainen kuin muut segmentoidut mallit Välillä ei ole muita sääntöjä tai malleja, ja muut päästä päähän -vaatimukset on ehkä liitettävä yhteen joidenkin sääntöjen kanssa."

Julkisista tiedoista päätellen teollisuus uskoo, että Xpeng Motors ja Huawei ovat segmentoituja päästä päähän. Xpeng Motorsin massatuotannossa käyttämä laajamittainen malli koostuu hermoverkosta XNet + suuren mittakaavan ohjausmallista XPlanner + laajamittaisesta kielimallista XBrain Huawein end-to-havaintoosasta; loppujärjestelmä käyttää GOD (General Object Detection, yleinen esteentunnistus) suurta havaintoa Verkosto-, päätöksenteko- ja suunnitteluosa hyödyntää PDP-verkkoa (Prediction-DecisionPlanning, pre-decision and design) verkoston ennakkopäätöksen ja suunnittelun toteuttamiseen.

Aiemmin älykkäät ajojärjestelmät voitiin jakaa useisiin päämoduuleihin: Havainto, Ennustus, Suunnittelu ja Ohjaus Useat moduulit olivat vastuussa erilaisista tehtävistä. Nykyään suosittu end-to-end -malli on tarkka, se voi käyttää syväoppimistekniikkaa tuottaakseen suoraan lähtötietoja tuotostulokset ja kiihtyvyys, Ajokäyttäytyminen, kuten hidastus ja jarrutus.

Käytännössä edellä mainittuja ideoita ei voida saavuttaa yhdessä vaiheessa Pelkästään teknisellä puolella on ratkaistava joukko monimutkaisia ​​​​kysymyksiä, kuten malliarkkitehtuuri, data ja tekninen todentaminen. Käyttäjäkokemuksen näkökulmasta kokonaisvaltaisen ratkaisun perimmäinen tavoite on olla äärettömän lähellä inhimillistä "kokenutta kuljettajaa" ja jopa ylittää veteraanikuljettaja tutkimalla jatkuvasti kykyjen ylärajaa alalla ei ole johtopäätöstä, milloin tämä tavoite voidaan saavuttaa.

Li Auton älykkään ajoteknologian tutkimus- ja kehitysjohtajan Jia Pengin mukaan olemme nyt älykkään ajamisen asumattomassa maassa "Kukaan muu ei ole sanonut, kuinka se tehdään päästä päähän, ja kaikki ovat" sokeita ja yrittää selvittää elefanttia." Hän uskoo kuitenkin, että päästä-päähän ei tarkoita yhtä mallia ja kahta mallia. Sen suurin merkitys on olennaisesti muuttaa koko T&K-prosessia järjestelmä todella mahdollisimman ihmisen kaltainen."

Vaikka kokonaisvaltaisuutta pidetään optimaalisena ratkaisuna älykkääseen ajamiseen, se on vielä alkuvaiheessa, eikä alalla ole selkeää määritelmää tai arviointistandardia. Lang Xianpeng uskoo, että kotimaiset autonvalmistajat ovat tällä hetkellä samalla lähtöviivalla päästä päähän, mutta jos tarkastellaan One Modelia, Ideal saattaa olla edellä. Hänen mukaansa Li Auton päästä päähän -ratkaisu on tällä hetkellä paras ratkaisu tekoälyn toteuttamiseen fyysisessä maailmassa, "koska se simuloi erittäin hyvin ihmisen kognitio- ja ajattelumekanismeja ja antaa järjestelmälle todellakin ihmisen ajattelun kyvyt. ja kyky ymmärtää maailmaa on kaksoisjärjestelmien etu."

Pidemmällä aikavälillä päästä päähän voi olla kilpailua ja kilpailua taloudellisesta vahvuudesta. Lang Xianpeng uskoo, että ennemmin tai myöhemmin johtavat pelaajat siirtyvät ehdottomasti päästä päähän -suuntaan, ja kuilu kasvaa siihen mennessä varmasti Tekoälyn aikakaudella kaikki taistelevat kahdesta asiasta: 1. Ovatko siellä tarpeeksi korkealaatuisia tietoja 2. Onko siihen sopiva laskentatehoklusteri?

"Kaikki lopulta kilpailevat laskentatehosta ja datasta, mutta kynnys näille kahdelle asialle on erittäin korkea. Jos taloudelliset reservit eivät riitä vuosittaisten koulutuskulujen kattamiseen, et voi pelata jälkikäteen. L3 tai L4, jos puhutaan autoista, jos yritysten määrä ei ole suuri, tiedot eivät pysty tukemaan koulutuskysyntää "Lang Xianpeng sanoi, että nykyinen ihanteellinen vuosiinvestointi koulutukseen on 1 miljardi yuania, ja kustannusten odotetaan nousevan 1 miljardiin dollariin vuodessa." Se on vain laskentatehon koulutuksen hinta, ei sisällä muita henkilöstökuluja, joten jos et voi käyttää miljardia dollaria vuoden harjoitteluun, saatat putoaa tulevassa autonomisen ajon kilpailussa."

Seuraavat ovat otteita (muokattu) keskusteluista Tencent News "High Beam" ja muun median sekä Lang Xianpengin ja Jia Pengin välillä:

Kaikki ovat "sokeita ja koskettavat norsua", ja Ideal on luovuttanut parhaan suunnitelman

K: Mitkä ovat mahdollisuudet siirtyä perinteisestä älykkään ajoteknologiasta päästä päähän -tekniikkaan? Mitkä ovat Lilin ehdottaman teknisen ratkaisun edut ja haitat Teslaan, Huaweihin ja Xpengiin verrattuna?

Lang Xianpeng: Mitä tulee tämän järjestelmäarkkitehtuuriratkaisun etuihin, meidän pitäisi aloittaa ajatuksistamme viime vuoden elo-syyskuussa autonomisesta ajamisesta. Viime vuonna teimme kolmen sukupolven teknologian tutkimus- ja kehitystyötä, aloitimme nopealla kehityksellä ja siirryimme sitten autonomiseen ajoon kaupungeissa. ja sitten Muunna nykyiseen kuvaajattomaan ratkaisuun ja iteroi sitten nykyiseen päästä päähän -ratkaisuun.

Tämän prosessin aikana havaitsimme, että tässä ratkaisussa on edelleen erittäin suuri puute tai ongelma myöhempää L3- ja L4-tason autonomista ajamista varten. Ongelmana on, että me ihmiset ymmärrämme tuntemattomia kohtauksia ja paikkoja, joissa emme ole koskaan olleet, ja normaalisti ajavat voivat vain tottua siihen hieman. Mutta onko kyseessä nykyinen päästä päähän -ratkaisu tai kuvaton ratkaisu, pohjimmiltaan ne kohtaukset, jotka on nähty tai koulutettu data, voivat toimia paremmin. Jos on uusi kohtaus, hän ei ehkä pysty käsittelemään sitä oikein, mutta jos haluamme luovuttaa auton kokonaan järjestelmälle ajamaan ihmisten sijaan, järjestelmällämme on oltava kyky käsitellä tuntemattomia kohtauksia, kuten ihmisiä. .

Yksinkertaisena esimerkkinä, meidän liikennevalot eroavat muissa paikoissa olevista liikennevaloista, mutta muissa paikoissa on joko lamppuja tai lähtölaskentaa ymmärtää. Mutta uskon, että jos joku, jolla on normaali järkeä, menee Tianjiniin ja näkee tällaisen pystytettynä risteykseen, luulisi sen olevan liikennevalo ja pysähdy ja lähde liikkeelle normaalisti liikennevalon ohjeiden mukaan. Joten meidän on saatava järjestelmälle myös tällainen ymmärrys tilanteesta tai kyky loogisesti järkeillä tällaista tietoa. Tällä kertaa näimme kaksoisjärjestelmien teorian, joka on hyvä selitys ihmisen kognition mekanismille. Nopea järjestelmä tekee reaktioita oikea-aikaisesti, ja hidas järjestelmä vastaa monimutkaista ajattelua ja loogisia arvioita ihmisen kognition ja ajattelun mekanismi, joten haluamme pohtia, kuinka tämän järjestelmän teoriaa voidaan soveltaa autonomiseen ajamiseen.

Joten mitä järjestelmä 1 tarkalleen käyttää systematisoinnin saavuttamiseen? Päätimme lopulta toteuttaa järjestelmän käyttämällä päästä päähän -mallia, ja järjestelmä 2 toteutettiin käyttämällä VLM:n suurta visuaalista kielimallia. Nämä ovat kaksi erityistä toteutustapaamme. Esitutkimuksen ja kehityksen jälkeen olemme nyt ottaneet nämä kaksi järjestelmää käyttöön todellisissa massatuotteissa ajoneuvoissamme.Uskomme, että se on tällä hetkellä paras ratkaisu tekoälyn toteuttamiseen fyysisessä maailmassa, koska se simuloi erittäin hyvin ihmisen kognitio- ja ajattelumekanismeja ja todella mahdollistaa järjestelmän kyvyn ajatella ja ymmärtää maailmaa kuten ihmiset järjestelmä.

Kaksoisjärjestelmässämme on joitain ainutlaatuisia ominaisuuksia. Ensinnäkin kokonaismallimme on ensimmäinen One Model -malli, joka eroaa hyvin muista segmentoiduista malleista. Toiseksi VLM-mallimme on ensimmäinen malli, jota voidaan käyttää autossa ja massatuotantona. Muita malleja voidaan kouluttaa ja testata omissa koulutusklustereissaan, mutta massatuotettujen autojen, kuten Orin X We, varsinainen käyttö on. ensimmäinen, joka optimoi sirun ja ottaa sen käyttöön autossa, ja tämä malli on riittävän suuri 2,2 miljardilla parametrilla. Tämä on jo iso malli käytännössä. Kaksoisjärjestelmämme on myös ensimmäinen, jonka ehdotimme ja toteutimme Järjestelmäarkkitehtuurista järjestelmän toteutukseen, meillä on joitain omia etujamme ja ominaisuuksiamme.

K: Voiko tämä ratkaisu tukea L3:n ja L4:n kehitystä päästä-päähän visuaalisen puhemallin kanssa?

Lang Xianpeng:Ainakin nykyisestä näkökulmasta katsottuna sen pitäisi olla mahdollista menetelmien suhteen, mutta onko kyseessä kaksi mallia päästä päähän plus VLM, tai kaksi mallia yhdessä, tai malli jossa on suurempia parametreja tai muita rakenteita, Mielestäni se voidaan tehdä hitaasti, mutta mielestäni kokonaisidean pitäisi olla OK.

Kysymys: Miten järjestelmä 1 ja järjestelmä 2 jaetaan?

Jia Peng: Meillä on kaksi mallia, kaksi Orin , koska autoa on ohjattava reaaliajassa. Vaikka VLM:llä on suuri määrä parametreja, sitä ei voida ohjata yhden tai kahden sekunnin välein. Nyt olemme optimoineet sen lähes reaaliaikaiselle tasolle noin 3,4 Hz, noin kolmensadan millisekunnin viiveellä. Se tekee päätöksiä joka hetki ja tuottaa kaksi päätöstä, kuten yhden hidastaa tai antaa periksi, ja toinen antaa viiteradan, kuten olenko menossa tälle kaistalle vai tuolle kaistalle syötetään suoraan malliin, jolloin tulokset tuotetaan samaan aikaan. Se on suunnilleen rakenne 1 ei ota täysin järjestelmän 2 mielipiteitä vastaan. Järjestelmä 2 tehostaa järjestelmän 1 päätöksentekoa.

Järjestelmä 1 on päärooli, ja System 2 on vain referenssi tai neuvonta L4:n saavuttaessa, System 2 on tärkeämpi rooli Sillä on todella tärkeä rooli päätöksenteossa ja arvioinnissa Joissakin tuntemattomissa skenaarioissa System 2:n kyky määrittää, voitko saavuttaa L4:n, mutta System 1:n peruskyky on välttämätön takuu L3:lle.

K: Sulautuvatko nämä kaksi järjestelmää yhdeksi tulevaisuudessa?

Jia Peng: Tämä on seuraava vaihe esitutkimuksessamme. Itse asiassa nykyinen idea on tuottaa kaksi mallia. Tällä hetkellä Wutu 6.0 on saatavana koko maassa Jatkossa, kuinka tehdä massatuotettu L4 Meidän ideamme on tehdä mallista suurempi koko ja kapasiteetti ja samalla lisätä sen kuvanopeutta, vai onko mahdollista, että nämä kaksi eivät ole niin? mallit voidaan yhdistää yhdeksi. Anna mallin itse päättää, käyttääkö järjestelmä 1 vai 2. Joten jos tulevaisuudessa on siruja, joilla on suurempi laskentateho ja paremmat alustat, tällä voi olla suuri rooli.

Kysymys: Miksi VLM:ää ei voida kutsua päästä päähän. Mielestäni se on myös päästä päähän?

Jia Peng: Jos laskentateho on tulevaisuudessa riittävän suuri, VLM voi itse toimia reaaliajassa esimerkiksi yli kymmeneen Hz:iin tai jopa 20 Hz:iin. Ehkä se voi myös saavuttaa päästä päähän nopean vasteen, mutta tällä hetkellä VLM on itse asiassa monta kysymys- ja vastauskierrosta haluan kysyä, kuinka voin ajaa sillä sellaisissa työoloissa? Miksi se avataan tällä tavalla, ja mitkä ovat tulokset avaamisen jälkeen?

Lang Xianpeng: Itse asiassa meidän näkökulmastamme termi päästä päähän tarkoittaa, että niin kauan kuin se on puhtaasti dataohjattu malli, sen syöttö on data ja sen tulos on kuitenkin tulos , tulos on liikerata järjestelmässä yksi ja tulos järjestelmässä kaksi on päätöksenteko, haluan korostaa vielä kerran, useiden mallien päästä-päähän ja päästä-päähän on suuri ero tai yksi malli ja päästä päähän.koskaKuten tässä ihanteellisesti rakentamassamme One-mallissa, anturin data tulostetaan suoraan lentoradalta ilman muita sääntöjä tai malleja. Muut päästä päähän -vaatimukset voidaan joutua yhdistämään joidenkin sääntöjen kanssa.

Kysymys: Mikä on järjestelmän ominaisuuksien yläraja nyt?

Lang Xianpeng: Nyt VLM:n pitäisi olla ei-kenenkään maan rajalla. Jatkossa jokaisen yrityksen, myös meidän, on tehtävä se päästä päähän, mutta uskon, että olemme ensimmäinen yritys, joka tekee sen Meillä on oma etsintämme. Tutkimme edelleen tiedon parantamisen ja suorituskyvyn parantamisen välistä rajaa, emmekä ole vielä saavuttaneet sitä.

Meillä on analyysi, että sirun laskentateho on rajallinen, joten parametriasteikko on noin 300 miljoonaa kuluttaa itse asiassa on mahdotonta kaataa sitä loputtomiin.

Jia Peng: Vaikka laskentateho on parantunut, suurissa malleissa nykyisten auton puolen sirujen vakavampi pullonkaula on muistin kaistanleveys. Olemme todella päässeet suhteellisen asumattomaan paikkaan Kukaan muu ei ole kertonut, kuinka se tehdään päästä päähän, ja kaikki ovat "sokeita ja yrittävät selvittää elefanttia".

Päästä päähän -mallimme saavuttaa lentoradan, ja joitain turvataskuja lisätään lentoradan jälkeen, koska ennen kuin malli saavuttaa ylärajan, on vielä joitain asioita hoidettavana, kuten ohjauspyörän kääntäminen kovaa ja antaa hänen antaa Päästä eroon siitä, mitä suunnittelemme.

Päästä päähän -toiminnan suurin merkitys on, että se muuttaa olennaisesti koko T&K-prosessia.

Kysymys: Kuinka määritellä, että integroitu malli on tehokkaampi ja edistyneempi kuin segmentoitu malli. Mikä on lopullisen kokonaiskehityksen katto?

Lang Xianpeng:Ensinnäkin, mielestäni ei ole olemassa mitään hyvää tai huonoa, onko se sopiva tai ei. Sinun on valittava malli, koska se ei tee. Mutta itse tämän mallin valitseminen edellyttää edistyneemmän iteratiivisen tai tutkimus- ja kehitysprosessin ja menetelmän valitsemista, segmentoitua ja joitain aiempia tiloja.

Päästä loppuun sen muuttaminen ei ole niin yksinkertaista kuin yksi malli ja kaksi mallia, mutta hänen koko ajattelunsa, prosessinsa ja tapansa tehdä asioita on kokenut valtavia muutoksia. Siinä ei ole sääntöjä syötä sille korkealaatuisia tietoja sekä koulutusta mallin ominaisuuksien parantamiseksi, jotta se voi tehdä parempaa suunnittelua ja päätöksiä.

Sitten minun on tehtävä kohtuullisia iteraatioita mallikehyksessä. Tärkein tapa on löytää laadukkaampaa dataa. Olemme saavuttaneet nyt periaatteessa 3 miljoonan parametrin tason, ja datavalikoimamme on erittäin tarkka. Ensinnäkin ajamme tuotetiimimme ja subjektiivisen arviointitiimimme kanssa. Nämä ihmiset ovat kaikki kokeneita kuljettajia, ja heidän ajokokemuksensa on erittäin hyvä.

He työskentelivät kanssamme kehittääkseen kokeneille kuljettajille joukon standardeja, kuten heidän turvalliset ajo-olosuhteet ja ajotyylinsä. Kun iteraatiot tehtiin useissa eri ulottuvuuksissa, verrasimme tätä sääntöä nykyisten 80 Wanin autonomistajien kanssa. seulonta, ja haluamme, että ne, joiden pistemäärä on 90 tai enemmän, on seulottava.Koska meillä on tämä pohja, voimme suodattaa pois 1 miljoona tai 10 miljoonaa korkealaatuista fragmenttia että nämä muutamat Tämä on yksi kymmenien miljoonien kilometrien tiedoista.

Kun tarkastelemme tietoja, meillä on sen takana oma työkaluketju. Se ei ole vain poimimista ja valintaa, vaan meillä on myös joitain omia suhteitamme ja tietoreseptejämme, mikä on myös erittäin tärkeää.

Kysymys: Jotkut yritykset sanovat, että paljon aiempia tietoja ei voida käyttää päästä päähän. He käyvät nyt läpi kaikkein tuskallisinta jotka voivat testata niitä, mitä mieltä olet tästä lausunnosta?

Lang Xianpeng: Mielestäni hänen lausuntonsa on epäjohdonmukainen. Hän tarkoittaa, että tiedot eivät ole niin tärkeitä, mutta hänen lausuntonsa osoittaa myös, että tiedot ovat tärkeitä. Itse asiassa, olemme jo pitkään ymmärtäneet tämän, mikä on tärkeintä autonomisessa ajamisessa? Onko se lahjakkuuksien rahoitusta? Luulen, että se on dataa ilman dataa, ei ole perusteita tulevalle algoritmin koulutukselle ja todentamiselle.

Olemme keränneet dataa ja rakentaneet tietoalustaa siitä lähtien, kun ensimmäinen ajoneuvo toimitettiin vuonna 2019.alkaenIhanteellinen L9 Alussa olemme kaikki matryoshka-nukkeja. Kaikki kameran tiedot ja asennuspaikat ovat samat, mutta voimme käyttää näitä tietoja täysin uudelleen. Mutta joillakin valmistajilla voi olla autoja tai maastoautoja, ja anturit voivat olla erilaisia, joten se voi todellakin olla heille haaste.

K: Jotkut sanovat, että kokonaisvaltainen toiminta yksinkertaistaa älykkään ajon kehitysprosessia ja vähentää työvoimakustannuksia.

Lang Xianpeng:Jos käytämme tätä ratkaisua, emme todellakaan tarvitse niin monia ihmisiä on tarkastusjärjestelmä System 1:n ja System 2:n ominaisuudet on arvioitu ja sertifioitu System 3:lla. Aiemmin tämän autonomisen ajojärjestelmän arvioinnin ja testauksen suorittivat ihmiset, olipa kyseessä sitten suuri tietesti tai ajokoe. auto tapahtumapaikan testi on ihmisten arvioima, mutta ihmiset eivät voi arvioida sitä.

Eri puolilla maata on miljoonia kilometrejä, jotka muuttuvat ympäri vuoden. Ne eivät ole kuin pikatiet Pekingissä kaupunkiympäristössä, niitä on todella vaikea kattaa. Joten meillä on System 3, joka auttaa meitä testaamaan System 1:n ja System 2:n ominaisuuksia. Testin jälkeen, jos läpäisimme iteroinnin ja siirrymme verkkoon, alkaa seuraava kierros.

Tässä prosessissa, sen lisäksi, että näiden järjestelmäalustojen kehittämisprosessissa tarvitaan ihmisiä, varsinaiseen työhön ei osallistu paljon ihmisiä, mikä vähentää merkittävästi ihmisten käyttöä organisaatiomme optimoidun hallinnan kannalta ihmisten käytöstä on myös monia etuja. Siksi jotkut seuraavista säätöistämme perustuvat tämän liiketoiminnan muutoksiin. Ne eivät ole mukautuksia, kuten kaikki kuvittelevat.

Kysymys: Millainen päivitys kokemuksessa näkyy kuluttajien ja käyttäjien näkökulmasta, kun päästä päähän -teknologiaa otetaan käyttöön?

Lang Xianpeng:Käyttäjien näkökulmasta riippumatta siitä, käytätkö päästä päähän tai muita teknologioita, se ei riipu teknisistä ratkaisuistasi ja reiteistäsi. Käyttäjien on vain koettava se, joten kun tarjoamme päästä päähän plus VLM -tuotteen kaikille käyttäjiä tulevaisuudessa, toivomme, että olisi hienoa antaa käyttäjille tunne, että minulle ajaa erittäin kokenut kuljettaja.

Käyttäjien ei tarvitse tietää, millaista tekniikkaa tämä on, mutta jos he ovat kiinnostuneita, meillä voi olla paljon referenssejä.Emme korosta liikaa, millaisia ​​teknisiä ratkaisuja käytämme käyttäjille. Kerromme käyttäjille vain siitä, millainen tuotekokemus heillä on.

K: Jos päästä päähän on virallisesti välitettävä suoraan käyttäjille, mikä on mielestäsi hyvä standardi? Milloin se voidaan ottaa virallisesti käyttöön?

Jia Peng: Mielestäni standardi on käyttökokemus. Miksi meillä on oltava 1 000 varhaiskäyttäjää sen sijaan, että asettaisimme itse hallintatavoitteita. Jos käyttäjiä on 1 000 ja käyttäjiä 10 000, heidän kokemuksensa on erittäin hyvä, mielestäni sitä voidaan edistää tai se voi ylittää ei-kokemuksen? -kuvaversio. Early bird -testiin tällä hetkellä osallistuvien joukossa olemme tehneet arviointeja ja todenneet, että sen kokemus, vakaus ja turvallisuus ovat kaikki täyttäneet standardit.

K: Kääntyykö tämä edistyksellinen suunnitelma One Modeliin? Onko One Model ainoa oikea suunta?

Jia Peng: Meidän näkökulmastamme One Model on päästä päähän. Mutta jos joku haluaa lisätä sen tällä tavalla, se on hyvä kuva. Tuolloin kutsuimme sitä havaintomalliksi ja ennakoivaksi suunnittelumalliksi. Voit myös antaa sille segmentoidun mallin.

Päästä loppuun ei tarkoita yhtä mallia ja kahta mallia. Sen suurin merkitys on, että se muuttaa olennaisesti koko tutkimus- ja kehitysprosessia Sinulla on ihmisen kaltaiset ajotaidot.

Aiemmin sitä kutsuttiin vain toiminnoksi, joka minulla oli ramppien ohittaminen ja tiemaksupisteiden ohittaminen, mutta nyt minulla on kokeneen kuljettajan ajokyky. Tietysti olen ajanut tällä autolla paljon, voidaan sanoa, että aloimme ajamaan hankalesti, ja nyt ajetaan sillä todella hyvin.

Kun annettaisiin 800 000 dataa, se ei pystyisi ylittämään liikenneympyrää, mutta kun se annettaisiin 1 miljoona, se voisi yhtäkkiä ylittää liikenneympyrän jonain päivänä. Itse asiassa emme tietoisesti saaneet siitä liikenneympyrän tietoja, vaan pysyimme syöttää sitä vain dataa. Tämä on aivan kuin opettaisit lapselle, minkä tunnin hän menee huomenna ja yhtäkkiä hän tulee opettamaan sinulle muutaman sanan.

Päästä päähän eroaa aiemmasta tuotekehityksestä Tiesin, että olet sellainen tulevaisuudessa, koska suunnittelin sinut sellaiseksi. Päästä päähän -mallilla on oma kykynsä kasvaa ja nousta esiin, tai voit vain löytää sen ominaisuudet, mutta et voi suunnitella sen ominaisuuksia, mielestäni tämä on erittäin suuri ero.

K: Oletko kohdannut suuria haasteita päästä päähän -prosessissa?

Lang Xianpeng: Itse asiassa haasteita on monia. Tärkein asia on, että olemme tehneet esitutkimustyötä etukäteen.

Toiseksi, yrityksen ihanteista tiimimme älykkään ajamisen ymmärrykseen ja tietoisuuteen, mielestäni tekoälyn ymmärtäminen on johdonmukaista ja erittäin syvällistä. Suurin haaste on, onko kaikilla sama ymmärrys ja ymmärrys tästä asiasta, onko se joidenkin mielestä radikaalia, toisten mielestä konservatiivista vai onko suunnitelma joidenkin mielestä luotettava tai epäluotettava.

Käytin itse asiassa pitkän aikaa selittääkseni, kuinka siirryimme NPN:stä graafittomaan ja päästä päähän askel askeleelta. Tämä prosessi on ongelmien löytämisen ja ratkaisemisen prosessi Kognitiivisen harmonisoinnin jälkeen päätöksenteko on erittäin nopeaa, ja Li Auton vahva suorituskyky on se, mitä olemme kouluttaneet ja keränneet viime vuosina.

Organisaation ja tehokkuuden kannalta tietopohjaisen työkaluketjun tai tämän järjestelmän infrastruktuurin rakentaminen viimeisen viiden vuoden aikana on erittäin tärkeää, vaikka meillä on nyt ihmisiä, laskentatehoa ja dataa, jos sinulla ei ole a täydellinen Et voi käyttää tehokasta työkaluketjua tehokkaasti. Minun on käytettävä automaattisen tiedonkeruun, näytemerkintöjen, automatisoidun merkinnän, automatisoidun koulutuksen, automatisoidun arvioinnin ja automaattisen iteratiivisen kehittämisen suorittamista. Iteraatiot ovat jatkuneet ensimmäisestä autosta vuonna 2019, joten kyky rakentaa ihanteellinen datasuljetun silmukan infrastruktuuri on alan huippuluokkaa.

Ne, jotka eivät voi investoida 1 miljardia dollaria laskentatehoon joka vuosi, eliminoidaan.

K: Mainitsit kerran, että ihanteellinen älykäs ajokokemus on puoli vuotta jäljessä Teslasta. Miten päädyit tähän johtopäätökseen?

Lang Xianpeng: Tesla FSD V12.3:sta lähtien käymme itse asiassa säännöllisesti testaamassa sitä. Olemme kokeilleet sitä sekä länsi- että itärannikolla. Itse asiassa Tesla pärjää tällä hetkellä erittäin hyvin Yhdysvaltojen länsirannikolla, koska sillä on tällä hetkellä eniten tietoja Kaliforniassa. Mutta kun pääset Bostoniin ja New Yorkiin, huomaat, että sen suorituskyky laskee jyrkästi Varsinkin New Yorkiin saapumisen jälkeen, sen MPI (Mileage Per Intervention) on periaatteessa saavuttanut noin 10 tai 11. Itse asiassa haltuunottotaso New Yorkissa. York on suunnilleen sama kuin New York. Kotimaisten johtajien suorituskyky ei kasvattanut sukupolvien välistä kuilua. Mutta jopa New Yorkin liikenneolosuhteet ovat paljon helpommat kuin Shanghaissa ja Guangzhoussa Kiinassa, minkä vuoksi uskallamme tehdä tämän johtopäätöksen tai sanoa tämän.

Toisaalta, Tesla (Yhdysvalloissa) voi saada paljon tietoa, jota ei ole saatavilla Kiinassa, kuten karttatietoja. Itse asiassa Google on antanut paljon tällaista kotimaan navigointikarttoja Annan sinulle tämän tiedon Tesla Itse asiassa sain tämän kokemuksen erittäin hyvälle pohjalle.Siksi sanoimme, että jos FSD tulee Kiinaan, sitä pitäisi itse asiassa testata nyt Shanghaissa, mielestäni se vaatii paljon työtä, mukaan lukien kartat, koska se ei saa niin paljon rikasta tietoa kartalle, ja sen on tehtävä. tehdä paljon muutoksia, joten teimme tämän tuomion.

K: Idealin tämän vuoden tavoitteena on olla älykkään ajokentän ehdoton johtaja. Mitä mittoja se määritellään?

Lang Xianpeng: Luulen, että loppujen lopuksi kaikki riippuu volyymista. Onko AD Max -mallimme markkinoiden johtava tämän vuoden myyntimäärillä mitattuna? Itse asiassa tämä on kovimmat indikaattorit. Katson vain Maxin autoja, en yhteensä 50 000 autoa, mutta jos AD Max myi vain 10 000, se tarkoittaa, että se, mitä tein AD Maxin kanssa, oli epäonnistuminen. Mutta jos sanon, että olen menestynyt, Max olla korkealla.

Kuukauden aikana 6.0:n lanseerauksesta loppuun asti autojen omistajat ovat itse asiassa tulleet myymälään enemmän ja myös myynti on kasvanut. Käyttäjiemme AD MAX -tilausten osuus on noussut toukokuun 37 prosentista 49 prosenttiin. L9-mallin tilauksista 75 prosenttia on tehty AD MAXille. Mielestäni tämä on vakuuttavinta, kun käyttäjät todella maksavat tuotteestasi.

Meille sisäisesti pohdittiin myös tämän vuoden maaliskuussa pidetyssä strategiakokouksessa, eli ei kannata katsoa liikaa kilpailuun. Miksi kaikki valittivat tämän vuoden ensimmäisellä puoliskolla ensimmäisen versiomme keskimääräisestä laadusta. Itse asiassa tuolloin ongelma oli se, että katsoimme liikaa kilpailijoita kilpailukykyinen vertailukohta, ja sen haltuunottoasteesta ja tuoteindikaattoreista tuli itse asiassa meidän versiomme pelkästään näitä indikaattoreita tarkasteltuna huonompi, mutta käyttökokemus ei ole hyvä, joten muutimme sen lopulta käyttäjäkokemukseen ja arviointiin pelkän katselun sijaan. indikaattorit, mutta indikaattorit ovat viittaus.

Kysymys: Sen jälkeen, kun Tesla FSD on lanseerattu ja ratkaissut joitain ongelmia Kiinan tieolosuhteissa, jotkin johtavat autoyhtiöt voivat olla samalla lähtöviivalla. Mitä kaikki työskentelevät tuolloin?

Lang Xianpeng: Tämä liittyy myös joihinkin myöhempiin suunnitelmiimme. Päästä päähän kaikki todella käyttävät tekoälyä itsenäiseen ajamiseen. Uskon, että ennemmin tai myöhemmin johtavat pelaajat menevät tähän suuntaan. Kun astut tähän suuntaan, kaikkien välinen kuilu levenee varmasti. Sen sijaan, että olisit apukuljettaja kuten nyt, luulet, että joku, jolla on 7000 yuania, voi tehdä sen. Voit tehdä sen 1 Orinilla, voit tehdä sen 2 Orinilla, voit tehdä sen 4 Orinilla, mutta jos todella saavutat tekoälyn aikakauden, kaikki tekevät itse asiassa kaksi asiaa.

Ensimmäinen on, onko sinulla tarpeeksi korkealaatuista dataa, ja toinen on, onko sinulla tarpeeksi harjoituslaskentatehoa vastaamaan sitä. Joten loppujen lopuksi kaikkien on taisteltava laskentatehosta ja tiedoista, mutta niiden kynnys kaksi asiaa on erittäin korkea Jos yrityksesi pääomareservit eivät riitä kattamaan vuotuisia koulutuskulujasi, et voi pelata myöhemmin L3- tai L4-autoja tukea koulutustarpeitasi.

Olemme alun perin arvioineet, että nykyinen ihanteellinen vuotuinen investointi koulutuskustannuksiin on 1 miljardi yuania. Arvioimme, että kustannukset ovat 1 miljardi dollaria vuodessa. Tämä on vain koulutuksen laskentateho, eikä se sisällä muuta henkilöstöä Jos et pysty käyttämään 1 miljardia dollaria vuodessa koulutukseen, saatat jäädä pois tulevassa autonomisen ajon kilpailussa.

Kysymys: Miljardi dollaria vuodessa, miten tämä voidaan päätellä?

Lang Xianpeng:Se on suorin malliparametrien näkökulmasta. Esimerkkinä Tesla, FSD V12.3-12.5 laajentaa mallia 5-kertaiseksi, ja laskentateho on myös 5-kertainen on noin 300-400 miljoonaa parametria, ja sitten VLM Se on 2,2 miljardia parametria Thor-sukupolven myötä sen laskentateho on parantunut huomattavasti koulutuksen laskentateho on myös kaksinkertaistettava. Mielestäni tämä on logiikka.

K: Ovatko kotimaiset valmistajat nyt samalla lähtöviivalla päästä päähän?

Lang Xianpeng: Kotimaiset valmistajat ovat samalla lähtöviivalla päästä päähän, mutta uskon, että jos tarkastellaan One Modelia, Ideal saattaa olla edellä.One-malliin perustuen julkaisimme ensin oman versionmme linnunmunasta, ja se oli suhteellisen suuri julkaisu ja toimitus tuhansien ihmisten mittakaavassa, ja jokainen on todellakin kokenut tämän päästä päähän ja suorituskyvyn paranemisen. ja kokemus, jonka tällainen kuvittamaton ennen on tuonut, äsken arvioni perustuu tähän.

Kysymys: Mitä tulee laskentatehoon ja korttiostoihin, tukeeko yritys sitä?

Lang Xianpeng: Yrityksemme on myös erittäin tukeva. Nyt Li Xiang tulee silloin tällöin kysymään, Lang Bo, riittääkö korttisi? Jos sinulla ei ole tarpeeksi, pyydä jotakuta auttamaan sinua ratkaisemaan se. Vastaan ​​kyllä ​​ja kiitos. Vaikka olemme tehneet erinomaista työtä toimintamme kaikilla osa-alueilla, uskon, että Li Xiangilla on suhteellisen perusteellinen käsitys tekoälystä. Siksi emme ole erityisen huolissamme laskentatehosta jne. Kun haluan hyväksyä budjetin, luulen, että hän harkitsee näitä.

Kysymys: Mainitsit, että kaikki autoyhtiöt eivät voi ajaa itsenäisesti Mitä tulee laskentatehoon, kuinka paljon varausta tarvitaan pääsylipun standardin täyttämiseen?

Lang Xianpeng: Nyt kun olemme toteuttaneet ihanteeemme, meidän on käytettävä laskentatehoa 1 miljardi yuania vuodessa. Jos sinulla ei ole sellaista, iterointinopeus on hidas tai tuotteesi ei ole tarpeeksi kilpailukykyinen. Tulevaisuudessa uskomme, että tällaiseen laskentatehoinvestointiin tarvitaan miljardi dollaria. Meillä on nyt noin 15 000 korttia, mikä on jo aika jännittynyttä päivä, mutta ajan myötä malliparametrien lukumäärän kasvu on mielestäni vähintään 3-4 kertaa (syöte), mikä on varsin järkevää. Koska itse laskentateho on parantunut paljon, sen kaistanleveys ja tallennustila ovat myös parantuneet paljon, mielestäni se vastaa periaatteessa pienen 100 000 A100:n tunnetta, joka voi olla noin 3 miljardia floppia.

Kysymys: Onko tällainen investointi loputon vai tuleeko yläraja, vai voiko se jossain vaiheessa tasaantua Miten kaupallistamisen tasapaino varmistetaan?

Jia Peng: Kahden viime vuoden aikana mallin parametrit ovat kasvaneet kymmenistä miljardeista biljooniin tai jopa 10 biljoonaan parametriin. Tämä on erittäin jyrkkä käyrä, mutta viime aikoina kaikki ovat pohtineet yhtä asiaa, että onko isompi parempi, ja nyt se alkaa hieman kutistua koska tietojen laatu on riittävä Okei, mallini parametrien ei tarvitse olla niin suuri. Tämä on HYPE-käyrä. Se voi pudota uudelleen jonkin ajan kuluttua, mutta uskon, että se saavuttaa vakaan tilan on useita malliparametreja tai laskentatehoa, se on sellainen prosessi, joka kiipeää aluksi nopeasti, ja sitten he voivat palata hieman ja sitten saavuttaa todellisen käytännöllisyyden.

K: Sähköistyskilpailun ensimmäisellä puoliskolla TeslaBYDNyt kun kilpailijat ovat jääneet kauas taakse, miltä älykkään ajon kilpailu näyttää toisella puoliskolla?

Lang Xianpeng:Ensimmäinen puolikas käsittelee sähköistämistä ja toinen puolikas on ehdottomasti älykkyydestä.