uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

teslan toimitusjohtaja elon musk käynnisti suoran lähetyksen teslan älykkäästä ajo-ohjelmistosta fsd v12 vuonna 2023 – videon tesla perustuu viimeisimpään päästä päähän -teknologiaan, ja ohjelmisto on poistanut suuren joukon insinöörejä sääntökoodia, sen sijaan käyttää päähermoverkkoalgoritmi. ajoneuvo perustuu autonomiseen visioon ja hermoverkkoihin, jotka osoittavat, missä hidastaa, tunnistavat liikennevalot ja tiellä olevat toimijat sekä tekevät itsenäisiä päätöksiä.

tämä tekniikka herätti myöhemmin paljon keskustelua ja kiinnostusta teollisuudessa, teknologian harrastajissa ja jopa tavallisissa autokuluttajissa.

tämä on uusi kierros älykkään ajamisen paradigman palauttamiseksi. tähän päivään asti kiinan markkinoilla on edelleen monia mielipiteitä:

päästä päähän -teknologian esiintulo on tasoittanut lähtöviivan monille älykkääseen ajamiseen osallistuville autoyhtiöille. kaikki ovat nyt jälleen lähtöpisteessä ja aloittavat pitkän matkan kilpailun datan ja laskentatehon suhteen.

päästä päähän -teknologiaan vaikuttaa vahva data mallien rakentaminen ja tiedonkeruun määrä, erityisesti tehokkaan laatudatan hankinta, vaikuttavat tekniikan nopeaan iteraatioon.

kiinan markkinoilla riippumattomat autonvalmistajat, joilla on "kotikenttäetu", ovat aloittaneet toisen pitkän matkan kilpailun älykkäästä ajamisesta. samaan aikaan on monia mielipiteitä siitä, että teslan fsd-johto pyyhitään pois tässä vaiheessa.

tohtori lang xianpeng, li auton älykkään ajon tutkimus- ja kehitysjohtaja, uskoo myös, ettäteknisen arkkitehtuurin osalta idealin uusin ratkaisu ei juurikaan eroa teslan ratkaisusta ja on jopa hieman edellä. koska ihanteellisesti sillä on vlm-malli ja järjestelmä 2, teslassa on vain järjestelmä 1 päästä päähän.

li auton päästä päähän -malli on one model -integroitu päästä päähän, mikä eroaa hieman muiden markkinoilla olevien autoyritysten päästä päähän.

perinteinen päästä päähän -tekniikka käyttää vain tekoälymalleja ja mekaanista itseoppimista korvaamaan havainto-, suunnittelu- ja ohjausmoduulit älykkäässä ajoprosessissa, visuaalisesta "sisääntulosta" älykkääseen ajojärjestelmään ja ajoneuvon lopulliseen hallintaan. malli hoitaa ajamisen "lähtöpuolen". puhdas "päästä päähän" -tekniikka ei enää aseta sääntöihin perustuvia koodeja tässä prosessissa ja siitä tulee täydellinen musta laatikko.

kuitenkin monet markkinoilla olevat autoyritykset, mukaan lukien suhteellisen kehittyneet valmistajat, kuten tesla, huawei ja xpeng, asettavat edelleen tiettyjä taustalla olevia algoritmeja, jotka vastaavat tietoturvan redundanssista. havainto- ja suunnitteluohjaus voivat olla suhteellisen itsenäisiä moduuleja, ja rajapinnat on silti määritettävä ja yhdistettävä manuaalisesti.

integroitu päästä päähän -malli on tarkoitettu yhdistämään havainto- ja suunnitteluohjausmoduulit. sitä kutsutaan ihanteellisesti sisäisesti system 1:ksi, ja se on enemmän kuin ajuri, jonka avulla voidaan nopeasti suorittaa päästä päähän.

aiemmin älykkään ajon alan päästä päähän -sovellukset kohtasivat usein korkean ylärajan mutta myös matalan alarajan ongelman. esimerkiksi tesla, alan johtava, testasi erittäin sujuvasti kaliforniassa, yhdysvalloissa ja käyttäytyi paljon kuin ihmiskuljettaja. kuitenkin, kun se saapuu tuntemattomalle alueelle, sillä on vaikeasti selitettäviä sääntelypäätöksiä.

tämä on yksi päästä päähän -tekniikan haitoista.

ihanteellinen lähestymistapa on ottaa käyttöön system 2, vlm:n visuaalinen kielimalli, ja ottaa uusi askel eteenpäin.

ihannetapauksessa vlm:n visuaalisen kielen malli on maailman ensimmäinen suuri malli, joka on onnistuneesti otettu käyttöön auton puoleisella sirulla, ja sillä on kyky käsitellä loogista ajattelua ja päätöksentekoa monimutkaisissa skenaarioissa.

yhden mallin päästä päähän -järjestelmän lisäksi system 2 - vlm on toinen joukko mallialgoritmeja, jotka auttavat system 1:tä suunnittelussa ja päätöksenteossa. vlm:ään perustuva system 2 voi tarjota kyvyn ymmärtää monimutkaisia ​​ympäristöjä, lukea navigointikarttoja ja ymmärtää liikennesääntöjä.

lang xianpeng antoi tälle yhdistelmälle suositumman selityksen: system 1 on kuin kuljettaja ja system 2 on autokoulun opettaja. järjestelmä 1 luottaa täysin omaan visuaaliseen havaintoonsa suorittaakseen toimintoja järjestelmän 2 on kerättävä tietoa pitkän ajan kuluessa muistuttaakseen ja informoidakseen järjestelmää.

zhan kun, li auton älykkään ajamisen edistyneiden algoritmien asiantuntija, ja hänen tiiminsä ehdottivat ensimmäisenä tätä konseptia. kognitiivisen psykologin ja nobel-palkinnon voittajan daniel kahnemanin esimerkkiä seuraten hän uskoo, että ihmisaivoissa on kaksi järjestelmää, ja toinen järjestelmä oppii kokonaisvaltaisesti loogista päättelykykyä.

molemmat järjestelmät palvelevat koko ihanteellista älykästä ajoa, mikä tekee myös ihanteellisesta älykkäästä ajoratkaisusta täysin erilaisen kuin muut autoyhtiöt.

yhdysvaltain markkinoilla tesla fsd on johtava laskentatehon ja datan suhteen.

mutta kiinan markkinoilla ihanteellinen strategia näyttää olevan luoda "china tesla smart driving road" uudelleen, jotta se asettuu pidemmälle.

lang xianpeng sanoi:kiinan koulutuksen laskentatehon ja koulutusdatan osalta uskomme, että olemme ainakin tästä eteenpäin teslaa edellä, koska teslaan kohdistuu edelleen joitain rajoituksia tietojen vaatimustenmukaisuuden ja koulutuksen laskentatehon suhteen rakennetaan kiinassa.”

ideal esittelee myös maailman mallijärjestelmän tietojen testausprosessissa.

ideal sanoi, että maailmanmalli tukee uuden sukupolven ideal älykkään ajamisen laajamittaista ja nopeaa iteraatiota, tarjoaa automatisoidun tekoälykyvyn arviointijärjestelmän, käyttää rekonstruktiotekniikkaa muuttaakseen käyttäjien kohtaamat ongelmatilanteet "vääriksi kysymyssarjoiksi". , ja käyttää sukupolviteknologiaa muuttaakseen käyttäjät "vääriksi kysymyssarjoiksi". nämä kaksi tekniikkaa varmistavat, että vääriä kysymyksiä ei enää tehdä väärin mallin arvioinnin aikana, ja niillä on myös erinomaiset yleistysominaisuudet. .

ideal one model+vlm+world mallin tekniseen ratkaisuun perustuva tämä tuo myös uuden sukupolven ideal älykkään ajotuotteen "valvotun autonomisen ajon" uuteen vaiheeseen.

ideal on ensimmäinen yritys, joka ottaa käyttöön vlm:n orin-x-siruille, ja ensimmäinen autoyhtiö, joka ottaa käyttöön kaksoisjärjestelmäarkkitehtuurin. kiinassa idealin myyntivolyymi on jo lähes miljoona, mikä väistämättä lisää tehokkaan datan osuutta. li auton tämänhetkinen kertynyt harjoituskilometrimäärä on ylittänyt 2,2 miljardia kilometriä, ja sen odotetaan ylittävän 3 miljardia kilometriä vuoden 2024 loppuun mennessä. li auton nykyinen harjoittelun laskentateho on saavuttanut 5,39 eflops:ia ja sen odotetaan ylittävän 8 eflops:ia vuoden loppuun mennessä. 2024.

teollisuus kuitenkin riitelee edelleen päästä päähän -teknologian soveltamisesta ja näkymistä - joidenkin mielestä älykästä ajamista ei voi saavuttaa ilman 50 miljardia, kun taas toiset uskovat, että ainakin lähivuosina päästä päähän sääntöpohjaiset mallialgoritmit ja yhden moduulin toiminnot ovat edelleen rinnakkaisia, puhdas päästä päähän on edelleen paskaa.

ideal user experience groupin testitulokset ovat jossain määrin vahvistaneet tämän polun nykyisen rationaalisuuden. joka tapauksessa li auto otti tämän askeleen johdon.

dr. lang xianpeng, li auton älykkään ajon tutkimus- ja kehitysjohtaja, ja zhan kun, li auton älykkään ajamisen vanhempi algoritmiasiantuntija

seuraava on lyhenne keskustelusta tohtori lang xianpengin, li auton älykkään ajon tutkimuksen ja kehityksen varatoimitusjohtajan, ja zhan kunin, li auton älykkään ajamisen algoritmien asiantuntijan kanssa. keskustelua on muokattu alkuperäistä merkitystä muuttamatta:

kysymys: kaikki markkinoilla sanovat, että he ovat päästä päähän. mikä on todellinen päästä päähän?

zhan kun:end-to-end on tutkimus- ja kehitysparadigma, kuten nimestä voi päätellä, että se suorittaa tehtävän alusta loppuun. keskellä ei ole muuta prosessia prosessi syötteestä lähtöön tämä on päästä päähän -olennainen merkitys, niin kauan kuin se täyttää tämän merkityksen, voimme kutsua sitä päästä päähän.

nyt ihanteellinen auto on integroitu yhden mallin päästä päähän suoran anturisisääntulon jälkeen, kun mallipäätelmä on valmis, lentoradan suunnittelua käytetään suoraan auton ohjaamiseen muut vaiheet välissä. on olemassa myös päästä päähän -menetelmä, jossa jaetaan kaksi mallia. syöte on havaintomalli. ja ne yhdistetään modulaariseksi päästä päähän -malliksi, tätä voidaan myös kutsua päästä päähän, mutta uskomme, että tällainen päästä päähän -malli ei todellakaan ole päästä päähän. . li auton end-to-end haluaa ratkaista välitiedon menetyksen että integroitu päästä päähän on tärkeämpi päästä päähän.

kysymys: onko tesla inspiroinut meitä eroja perinteisiin moduuleihin verrattuna?

zhan kun:tesla mainitsi päästä päähän vuoden 2023 alussa, ja musk sanoi twitterissä, että se ilmentää täydellisen mallin suorasta auton ohjauksesta tulosta lähtöön. kaikki olivat järkyttyneitä nähdessään tämän uutisen, koska he eivät vain ehdottaneet tätä. vuonna 2016 nvidialla oli malli, joka mainitsi päästä päähän ja julkaisi artikkelin, mutta vaikutus oli keskimääräinen ja se vain ratkaisi ongelman. erityisen yksinkertaisessa skenaariossa, kun otetaan huomioon tuolloinen laskentateho ja mallin mittakaava, kaikki pitivät tätä polkua mahdottomana.

vuoteen 2023 mennessä uuteen muuntajaarkkitehtuuriin lisätään supersuuri laskentateho kun tesla on rakentanut sen, uusi paradigma voi elpyä. päästä päähän ei ole ensimmäinen asia, jota tesla on ehdottanut, mutta se etenee kasvusuunnassa. tämän nähtyämme ajattelemme myös sisäisesti edelliseen modulaariseen malliin verrattuna päästä päähän -lähestymistapa on olennaisempi erilaisten tietojen redundanssin vähentämiseksi. graafittomassa mallissa olemme lähellä modulaarista päästä päähän meillä on havainnollinen suuri malli, joka on itse asiassa modulaarinen päästä päähän. siitä huolimatta havaitsimme, että päästä päähän -malli tarvitsee edelleen sääntöjä, ja dataa on edelleen jaettu moduuleihin ja politiikkatehtävät jaettuna moduuleihin.

tällä kertaa keskustelussamme ja uusien ratkaisujen suunnittelussa ehdotimme, että päästä päähän -ratkaisun tulee olla perusteellisempi ja olennaisempi. li autolla on erittäin runsaasti tietoa, ja uskomme, että nämä tiedot voivat auttaa meitä tekemään hyvää työtä. valitsimme siis kokonaisvaltaisen integroidun arkkitehtuurin, joka on haastavampi ja vaikeampi paljon osaamista tutkittavaa ja kaivamista, mutta valitsimme silti päättäväisesti vaikean mutta oikean tien.

kysymys: monet merkit väittävät nyt olevansa johtavia, ja li auto sanoo myös astuneensa älykkään ajamisen ensimmäiseen vaiheeseen. kuinka arvioida näiden yritysten teknistä tasoa markkinoilla?

lang xianpeng:teknisestä näkökulmasta tavallisille kuluttajille ei ole väliä, onko kuvia vai ei, päästä päähän vai ei-päähän, mihin jokainen lopulta keskittyy on tuote ja käyttökokemus se, samoin kuin tuotteen arvo. siksi emme yritä kilpailla kenenkään kanssa, vaan toivomme tarjoavamme parempia tuotteita ja palveluita käyttäjillemme. aikaisemmin nopeaa noa:ta käytettiin erittäin tarkkojen karttojen kanssa, ja nopea noa-kokemus vastasi käyttäjien tarpeita. seuraavaksi kokeilimme monia menetelmiä kaupungin noa:n tekemisessä. yksi hyvin yksinkertaisista ideoista oli käyttää karttoja kaupungin noa:n tekemiseen. havaitsimme kuitenkin, että ei ollut karttakauppiasta, joka pystyisi tarjoamaan kaupungin erittäin tarkkoja karttoja. tarjoa vaaleita kuvia. mutta uskomme, että valokaaviot eivät ole toteutettavissa, koska kun iteratiivisia kaavioita tarvitaan, syntyy ongelmia ajantasaisuudesta ja siitä, voidaanko niitä todella käyttää. emme voi antaa käyttäjien tuntea, että tänään saatavilla oleva paikka ei ole käytettävissä huomenna.

lopulta päätimme tehdä sen ilman kuvia. edellinen kuvaton ratkaisu perustui havainto-, suunnittelu- ja alamoduuliratkaisuihin, jotka sisälsivät suuren määrän manuaalisia sääntöjä ja varsinaista ajoneuvotestausta, budjettiinvestoinneista puhumattakaan, se oli aika vaikeaa. kun mallia iteroidaan, niin jos haluaa käydä läpi erilaisia ​​olosuhteita ympäri vuoden, se ei ole mahdollista yhden tai kahden vuoden sisällä, eivätkä käyttäjät voi odottaa niin kauan. joten me iteroimme päästä päähän + vlm:n tekniseen arkkitehtuuriin. mielestäni tämä tekninen ratkaisu on pohjimmiltaan tekoälyratkaisu.

lisäksi tänään esittelin teille maailmanmallin sisällön. tämä kyky on mielestäni tärkein ja välttämättömin tae autonomisen ajamisen nopealle iteraatiolle.mallin iterointi vaatisi suuren määrän ajoneuvoja, ihmisiä ja aikaa testatakseen perinteisellä tavalla, mutta nyt käytämme sukupolvi- ja rekonstruktiotekniikkaa keräämään kohtauksia, joissa on aiemmin esiintynyt ongelmia, ja rakentamaan kirjaston vääristä kohtausskenaarioista.ennen jokaista julkaisua tehtiin yli 10 miljoonaa kilometriä testejä yksinkertaisilla väärillä kysymyksillä, ja tämä on tehokas joukko vääriä kysymyksiä, ei satunnainen tietesti. lisäksi voimme myös luoda skenaarioita ja simuloida skenaarioita, jotka ovat myös kymmeniä miljoonia skenaariotestejä. tällä tavalla malliiterointi on nyt paljon luotettavampi kuin alkuperäinen ajoneuvo- tai tietestimenetelmä ja se voi kattaa erilaisia ​​skenaarioita ympäri vuoden. tämä on meidän lähestymistapamme. emme tiedä tekevätkö muut tuotemerkit tätä, mutta olemme täysin käyttäjien tarpeiden mukaan. toistamme teknologiaa, emme tekniikan vuoksi, vaan koska tämä tekniikka voi todella ratkaista käyttäjien tarpeet ja tuoda paremman tuotekokemuksen, teemme tämän.

kysymys: ei kauan sitten joku esitti ajatuksen, että "älykäs ajaminen on mahdotonta ilman 50 miljardia", mitä mieltä olet tästä?

lang xianpeng:mitä tulee 50 miljardiin, sinun on arvioitava, onko kyseessä kertaluonteinen investointi vai pitkän aikavälin investointi. se ylittää 50 miljardia.

päästä päähän + vlm:n tekninen arkkitehtuuri on vedenjakaja.ennen käytimme vielä perinteisiä menetelmiä autonomiseen ajamiseen. tästä sukupolvesta lähtien käytämme todella tekoälyä autonomiseen ajamiseen. seuraavaksi autonomisen ajamisen tutkimuksessa ja kehittämisessä ydinkilpailuna on se, onko mallin kouluttamiseen enemmän ja parempaa dataa ja vastaavaa laskentatehoa. laskentatehon ja datan hankinta riippuu siitä, kuinka paljon rahaa käytetään ja kuinka paljon resursseja investoidaan. joitakin näistä asioista ei voi ostaa rahalla, kuten koulutustiedot ja harjoituskilometrit jokaisella autoyhtiöllä on omat tietonsa, eikä niitä jaeta keskenään.

toinen investointia vaativa asia on laskentateho.nykyisen 539 miljoonan eflops:n laskentatehomme odotetaan olevan 800 miljoonaa eflopsia tämän vuoden loppuun mennessä. tämä ei ole enää 1 miljardi yuania, vaan 2 miljardin yuanin kustannukset, jotka kuluttavat 2 miljardia yuania. tulevaisuudessa l4-vaiheeseen siirryttäessä vuotuinen datan ja laskentatehon kasvu on eksponentiaalista, mikä tarkoittaa, että vuosittain tarvitaan vähintään 1 miljardi yhdysvaltain dollaria (kuudesta seitsemään miljardia juania). ja 5 vuoden kuluttua sen on jatkettava toistamista tällä tasolla on erittäin vaikeaa, jos yrityksen voitot ja voitot eivät voi tukea investointia. siksi meidän ei nyt tarvitse kiinnittää huomiota siihen, kuinka monta miljardia autonomiseen ajamiseen investoidaan. sen sijaan lähdetään olemuksesta ja katsotaan, onko laskentatehoa ja datatukea riittävästi, ja sitten katsotaan, kuinka paljon rahaa on investoitava. .

kysymys: miten varmistetaan mallin turvallisuus, kun tietomäärä ei ole kovin suuri, olemmeko nyt myös eräänlaisia ​​"kaksimalleja"?

lang xianpeng:"turvallisuus" on aihe, joka on herättänyt paljon huomiota, onko koordinaatioongelmia, onko olemassa itsenäisiä turvamoduuleja jne. syy siihen, miksi kaikilla on näitä ongelmia, johtuu siitä, että kaikki ajattelevat menneen ei-ai-autonomisen ajon tutkimuksen ja kehityksen näkökulmasta. esimerkiksi ratsastin hevosella. hän kysyi minulta, oliko autossa satula. tämä johtuu siitä, että kaikki eivät ole oikein ymmärtäneet, mitä tekoälykäytännöt ovat ja mitä ei-ai-käytännöt ovat.

toiseksi monet ihmiset sanovat nyt, että heillä on päästä päähän -malli, mutta todellinen päästä päähän -malli riippuu silti kahdesta ominaisuudesta: siitä, onko tarpeeksi tietoa ja onko riittävästi laskentatehoa. muuten uskon, että on vaikeaa saavuttaa todellista päästä päähän, koska päästä päähän -lähestymistapa on tekoäly.

kolmanneksi päästä päähän -ominaisuuksien ylä- ja alarajat ovat erittäin korkeat. tehdään vertaus ennen kuin cnn (syvä neuroverkkomalli) ilmestyi, kaikki käyttivät vielä perinteisiä koneoppimismenetelmiä, kuten meille tuttuja kuvien luokittelutehtäviä. tuolloin svm-algoritmit kohtasivat pullonkauloja. mutta heti kun cnn ilmestyi, he tukahduttivat yli 10 %. haluan ilmaista, että kaikki eivät ole todella ymmärtäneet päästä päähän -ominaisuuksia, emmekä kiirehdi työntämään sitä sisäisille beta-käyttäjille.

kun käytämme muita kuin tekoälymenetelmiä, meidän on otettava huomioon monia skenaarioita vertikaalisten ohjausyksityiskohtien suhteen. tällä tavalla kohtaussääntöjä suunniteltaessa meidän on asetettava paljon ehtoja, jotka määrittelevät, mitä toimia tietyissä olosuhteissa on suoritettava. strategiaa. mutta kun ensimmäinen versiomme päästä päähän -mallista koulutettiin, huomasin, että se olisi erittäin mukava jokaisessa risteyksessä tai olosuhteissa, jotka vaativat pitkittäistä ohjausta. emme tehneet virheenkorjausta erityistilanteita varten, se oli mallin kyky kouluttaa itseään. voidaan havaita, että meillä on suuri ongelma sääntöjen laatimisessa, koska skenaariot ovat liian erilaisia ​​ja meidän on mahdotonta asettaa sääntöjä kaikille skenaarioille. mutta kun käytämme tekoälyä kokonaisvaltaisen mallin rakentamiseen, huomaamme, että sillä on tämä taikavoima kun annamme sille tietoja, se voi todella oppia näiden ihmisten ajokokemuksen , mutta se voi myös parantaa mallia merkittävästi. parannuksen alaraja. vaikka sillä on edelleen omat rajoituksensa, tapamme ratkaista sen ei ole enää asettaa sääntöjä, vaan antaa sille enemmän ja parempaa tietoa.

samoin meillä on myös no-brainer strategia ohjausmoduulissa. koska päästä päähän -syötemme syötetään lentoradan ulostuloon, ja lentoratalähtö annetaan ohjaus- ja jarrumoduleille. we will rajoituksia toteutetaan, mutta sellaisia ​​samankaltaisia ​​sääntöjä on hyvin vähän, jotka voidaan jättää huomiotta edelliseen lähestymistapaan verrattuna.

samalla olemme parantaneet turvallisuuden pohjaa ja kykyjen ylärajaa. lähestymistapamme on tarjota sille jatkuvasti laadukasta tietoa, ja se oppii varmasti paljon turvallisen ajotavan.

kysymys: kuinka varmistaa, että päästä päähän + vlm-tiedot ovat puhtaita?

zhan kun:tehtiinpä sitten päästä päähän tai vlm, data on tärkeintä, ja suuret mallit ovat aina korostaneet korkealaatuista dataa.joten ensimmäinen askeleemme on puhdistaa tietolähteet.ajotietovalikoimamme on erittäin tiukka meillä on jokaiselle auton omistajalle sisäinen pistemäärä, joka sisältää erilaisia ​​mittoja ja on painotettu, kuten onko ajovirhettä, onko linjaa painettu pitkään, onko pysäkki. linja on pysäköity ja onko ajoprosessi 3 % eniten käyttäjistä valitaan "kokeneiksi kuljettajiksi" eri indikaattoreiden antamien pisteiden perusteella, kuten käännettäessä ohjauspyörää keskivaikealla tai kiireellisellä tavalla tai kokeessaan epämukavuutta. ihanteellisessa suuressa mittakaavassa jopa ensimmäiset 3 % ovat erittäin suuria tietoja. se voi silti varmistaa, että saamamme tiedot ovat standardoituja, mukavia ja kohtuullisia jos tiedot annetaan päästä päähän.

toisella tasolla on myös seulonta mallikoulutuksen aikana meidän on myös sovitettava ja luokiteltava mallinäytteet joissakin skenaarioissa. on olemassa monia äärimmäisiä ja vaikeita skenaarioita, ja siellä on arviointimalleja, arviointimenetelmiä ja joitain sääntöjä voi puhdistaa tiedot ja luokitella jokaisen tietotyypin erittäin yksityiskohtaisiin tunnisteisiin.

viimeisellä kerroksella tiedämme, mitkä näytteet on vaikea oppia koulutusprosessin aikana, ja mukautamme oppimisstrategiaa, mukaan lukien tietoisen synteettisen datan rakentaminen vahvistavaa oppimista ja kontrastiivista oppimista varten. tee joitain muutoksia datamme oppimismenetelmiin, jotta koko päästä päähän -tietomme ja vlm-tietomme tarkistetaan ja puhdistetaan hyvin ja tuloksena oleva malli on parempi. tämä prosessi ei tapahdu yhdessä yössä.

lang xianpeng:on toinenkin ongelma, likaisten tietojen ongelma. tietomäärämme koulutusta varten on edelleen suhteellisen suuri, vaikka meillä olisikin myöhemmin hyvin pieniä likaisia ​​tietoja, koska tekoälyharjoittelussa ei ole tahraa, joka voisi saastuttaa koko vaikutuksen, joten niin kauan kuin tarkkoja tietoja on tarpeeksi paljon. tulee vähän häiriöitä tiedoilla ei myöskään ole paljon väliä.

kysymys: muutaman viime vuoden aikana älykkään ajamisen teknologiataistelu on muuttunut nopeasti ja käynyt läpi useita suuria iteraatioita. onko päästä päähän + vlm pitkällä aikavälillä elinvoimainen kehys?

lang xianpeng:end-to-end + vlm on arkkitehtuuri, joka simuloi ihmisen ajattelua ja kognitiota, koska kun teemme tekoälyä, toivomme viime kädessä saavuttavamme antropomorfismin tai ihmismäisyyden. inspiroiduin kirjan "thinking, fast and slow" lukemisen jälkeen, ja halusin vihdoin tietää, miten ihmiset tekevät kognition ja ajattelun meidän mielestämme nykyinen tekoälykehys on erittäin järkevä, ja olen myös erittäin iloinen nähdessäni sen jälkeenpäin ehdotimme sitä, monet alan yritykset alkoivat mainita kaksijärjestelmäteorian edut ja yrittävät seurata sitä. lisäksi kaksoisjärjestelmäteoriaa ei voida käyttää vain autonomisessa ajamisessa, vaan se on myös paradigma tulevaisuuden tekoälylle ja jopa älykkäille roboteille. autonominen ajaminen voidaan sanoa olevan pyörillä varustettu älykäs robotti, mutta sen työskentelyalue on tie. siksi uskon, että sillä on tiettyjä pitkän aikavälin ominaisuuksia, mutta teknologinen kehitys on loputonta. ylläpidämme innokasta tietoisuutta edistyneistä teknologioista, ja jos uusia teknologioita tulee, seuraamme niitä myös.

kysymys: idealista tuntuu tällä hetkellä, että minun ja teslan älykkään ajon välillä on suuri kuilu, ja milloin pääsen kiinni?

lang xianpeng:viime vuonna vastasin, että se oli alle puoli vuotta, ja tänä vuonna se saattaa olla hieman vähemmän. ensinnäkin teknisen arkkitehtuurin suhteen emme eroa paljon teslasta ja olemme jopa hieman edellä, koska meillä on vlm ja system 2, kun taas teslassa on vain system 1, päästä päähän. toiseksi kiinan koulutuksen laskentatehon ja koulutusdatan osalta uskomme, että olemme ainakin tästä eteenpäin teslaa edellä, koska teslaan kohdistuu edelleen joitain rajoituksia kiinassa tietojen vaatimustenmukaisuuden ja koulutuksen suhteen. laskentatehoa on vielä vakiinnutettava kiinassa. tästä näkökulmasta meidän kiinan ja teslan välinen kuilu ei ehkä ole niin suuri. toivomme myös erityisesti, että tesla voi liittyä mukaan, oppia toisiltaan ja keskittyä parantamaan itseämme.

kysymys: on näkemys, että älykkään ajamisen tekoälypolku ei ole aivan oikea, enkä usko, että tämä tie voi toimia, koska l2 kiinnittää enemmän huomiota alhaisiin kustannuksiin tai monipuolisuuteen, mutta l4 voi saavuttaa universaalisuuden vasta turvallisuus on ratkaistu, joten massatuotanto voiko auto olla l4?

lang xianpeng:ensimmäinen,uskomme, että kaiken pitäisi alkaa käyttäjien tarpeista ja arvosta.kaikkien li auton valmistamien tuotteiden on ylitettävä tai täytettävä käyttäjäarvo. valmistamme niitä vain, jos käyttäjät pitävät sitä arvokkaana. uskomme, että käyttäjillä täytyy olla kysyntää autonomiselle ajamiselle, joten meidän on mahdotonta suunnitella, että käyttäjät voivat ajaa l4-ajoa vain chengdussa eivätkä muualla.

toiseksi edistyksellinen tai edistyksellinen tekninen reitti antaa jokaisen brändin keskustella ja valita oman teknisen reittinsä.mutta li auto valitsee ehdottomasti teknisen reitin, joka vastaa käyttäjien tarpeita.päätämme nyt käyttää tekoälyä itsenäiseen ajamiseen. aikaisemmin avustetuksi ajoksi kutsuttu järjestelmä auttoi ihmisiä ajamaan, ja aiheena olivat ihmiset. mutta päästä päähän + vlm -vaiheen jälkeen uskomme, että auto ajaa itse. koko mallin koulutuksen jälkeen malli osaa ajaa autoa hyvin, jos auto ei toimi tai jos tulee kehotuksia, että se pitää ottaa haltuun toimii apuroolina valvonnassa.

kysymys: onko li autolla suunnitelmia veloittaa huippuluokan älykkäästä ajamisesta?

lang xianpeng:sekä vakio- että ilmainen ovat strategioita, jotka ideal on muotoillut älykkään ajon ensimmäisestä päivästä lähtien. "valvottu autonominen ajo" on ilmainen kaikille ad maxin omistajille. toimitusmäärä on suhteellisen hyvä ja toiminta vakaata. toimitusmäärä on meille erittäin tärkeä mittari, sillä se ei tarkoita vain toimitusmäärää, vaan se voi myös tarjota enemmän ajoneuvon harjoituskilometrejä autonomiseen ajamiseen.