nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

le pdg de tesla, elon musk, a lancé une diffusion en direct du logiciel de conduite intelligente de tesla fsd v12 en 2023 - la tesla dans la vidéo est basée sur la dernière technologie de bout en bout, et le logiciel a supprimé un grand nombre d'ingénieurs code de règle, utilise à la place le principal algorithme du réseau neuronal. le véhicule s'appuie sur une vision autonome et des réseaux de neurones pour indiquer où ralentir, identifier les feux de circulation et les acteurs sur la route, et prendre des décisions autonomes.

cette technologie a ensuite suscité de nombreuses discussions et suscité un grand intérêt de la part de l’industrie, des passionnés de technologie et même des consommateurs automobiles ordinaires.

il s’agit d’un nouveau cycle de récupération du paradigme de la conduite intelligente. à ce jour, de nombreuses opinions émergent encore sur le marché chinois :

l'émergence de la technologie de bout en bout a nivelé la ligne de départ pour de nombreux constructeurs automobiles engagés dans la conduite intelligente. tout le monde est désormais à nouveau au point de départ, entamant une course longue distance en matière de données et de puissance de calcul.

la technologie de bout en bout est affectée par des données solides.la construction de modèles et la quantité d'acquisition de données, en particulier l'acquisition de données de qualité efficace, affectent l'itération rapide de la technologie.

sur le marché chinois, les constructeurs automobiles indépendants bénéficiant de « l'avantage du terrain » se sont lancés dans une autre course de longue distance pour la conduite intelligente. dans le même temps, de nombreux avis estiment que l'avance de tesla en matière de fsd sera anéantie à ce stade.

le dr lang xianpeng, vice-président de la r&d sur la conduite intelligente de li auto, estime également que :en termes d’architecture technique, la dernière solution d’ideal n’est pas très différente de celle de tesla, et est même un peu en avance. car idéalement dispose d’un modèle vlm et du système 2, tesla ne dispose que du système 1 de bout en bout.

le modèle de bout en bout de li auto est un modèle intégré de bout en bout, ce qui est légèrement différent de celui de bout en bout des autres constructeurs automobiles du marché.

la technologie conventionnelle de bout en bout utilise uniquement des modèles d'intelligence artificielle et l'auto-apprentissage mécanique pour remplacer les modules de perception, de planification et de contrôle dans le processus de conduite intelligente, depuis l'extrémité « entrée » visuelle jusqu'au système de conduite intelligent et au contrôle final du véhicule. le côté « sortie » de la conduite est entièrement pris en charge par le modèle. une technologie purement « de bout en bout » ne définit plus de codes basés sur des règles dans ce processus et devient une véritable boîte noire.

cependant, de nombreux constructeurs automobiles présents sur le marché, y compris des constructeurs relativement avancés tels que tesla, huawei et xpeng, mettent encore en place certains algorithmes sous-jacents responsables de la redondance de la sécurité. la perception et le contrôle de la planification peuvent être des modules relativement indépendants, et les interfaces doivent toujours être définies et connectées manuellement.

le one model intégré de bout en bout est destiné à rassembler les modules de contrôle de perception et de planification. il est idéalement appelé système 1 en interne et ressemble davantage à un moteur permettant d'exécuter rapidement des décisions de bout en bout.

dans le passé, les applications de bout en bout dans le domaine de la conduite intelligente rencontraient souvent le problème de la limite supérieure haute mais également de la limite inférieure basse. par exemple, tesla, le leader de l'industrie, a effectué des tests très fluides en californie, aux états-unis, et s'est comporté comme un conducteur humain. cependant, une fois entré dans une zone inconnue, il aura des décisions réglementaires difficiles à expliquer.

c’est l’un des inconvénients du bout en bout.

l’approche idéale consiste à introduire le système 2, le modèle de langage visuel vlm, et à faire un pas de plus.

idéalement, le modèle de langage visuel vlm est le premier grand modèle au monde déployé avec succès sur une puce côté voiture et a la capacité de gérer la pensée logique et la prise de décision dans des scénarios complexes.

en plus de one model de bout en bout, system 2 - vlm est un autre ensemble d'algorithmes de modèle qui aident le system 1 dans la planification et la prise de décision. le système 2 basé sur vlm peut offrir la capacité de comprendre des environnements complexes, la capacité de lire des cartes de navigation et la capacité de comprendre les règles de circulation.

lang xianpeng a donné à cette combinaison une explication plus populaire : le système 1 est comme un conducteur et le système 2 est un instructeur d'auto-école. le système 1 s'appuie entièrement sur sa propre perception visuelle pour effectuer des opérations. le système 2 doit accumuler des connaissances sur une longue période pour rappeler et informer le système 1.

zhan kun, expert en algorithmes avancés pour la conduite intelligente de li auto, et son équipe ont été les premiers à proposer ce concept. suivant l'exemple de daniel kahneman, psychologue cognitif et lauréat du prix nobel, il estime que le cerveau humain possède deux systèmes. le premier système est basé sur l'expérience et l'intuition, et le second système apprend et accumule de manière globale la capacité de raisonnement logique.

les deux systèmes servent l’ensemble de la conduite intelligente idéale, ce qui rend également la solution de conduite intelligente idéale complètement différente de celle des autres constructeurs automobiles.

sur le marché américain, tesla fsd est leader en termes de puissance de calcul et de données.

mais sur le marché chinois, la stratégie idéale semble être de recréer une « china tesla smart driving road » pour se positionner plus en avant.

lang xianpeng a dit : "en termes de puissance de calcul et de données de formation en chine, nous pensons qu'au moins à partir de maintenant, nous sommes en avance sur tesla, car tesla est encore soumis à certaines contraintes en chine en termes de conformité des données et de puissance de calcul de formation. être construit en chine.”

ideal introduit également un système de modèle mondial dans le processus de test des données.

ideal a déclaré que le modèle mondial prend en charge l'itération à grande échelle et à grande vitesse d'une nouvelle génération de conduite intelligente ideal, fournit un système automatisé d'évaluation des capacités de l'ia et utilise la technologie de reconstruction pour transformer les scénarios problématiques rencontrés par les utilisateurs en « mauvaises séries de questions ». , et utilise la technologie de génération pour transformer les utilisateurs en « mauvais ensembles de questions ». les scènes de conduite réelles sont utilisées comme « questions de simulation ». les deux technologies garantissent que les mauvaises questions ne sont plus mal posées lors de l'évaluation du modèle, et elles ont également d'excellentes capacités de généralisation. .

basé sur la solution technique ideal one model+vlm+world model, cela amène également une nouvelle génération de produits de conduite intelligente ideal dans une nouvelle étape de « conduite autonome supervisée ».

ideal est la première entreprise à déployer vlm sur les puces orin-x et le premier constructeur automobile à adopter une architecture à double système. en chine, ideal a déjà un volume de ventes proche du million, ce qui va inévitablement augmenter la part des données effectives. le kilométrage d'entraînement accumulé actuel de li auto a dépassé 2,2 milliards de kilomètres et devrait dépasser 3 milliards de kilomètres d'ici la fin de 2024. la puissance de calcul d'entraînement actuelle de li auto a atteint 5,39 eflops, et elle devrait dépasser 8 eflops d'ici la fin de 2024. 2024.

cependant, l'industrie se dispute encore sur l'application et les perspectives d'une technologie de bout en bout - certains pensent que la conduite intelligente ne peut être réalisée sans 50 milliards, tandis que d'autres estiment qu'au moins dans les prochaines années, une technologie de bout en bout les algorithmes de modèles basés sur des règles et les fonctions d'un seul module seront toujours parallèles, le pur bout en bout est toujours de la connerie.

dans une certaine mesure, les résultats des tests de l'ideal user experience group ont vérifié la rationalité actuelle de cette voie. quoi qu’il en soit, li auto a pris les devants en franchissant cette étape.

dr lang xianpeng, vice-président de la r&d sur la conduite intelligente de li auto, et zhan kun, expert principal en algorithmes de li auto intelligent driving

ce qui suit est le résumé de l'échange avec le dr lang xianpeng, vice-président de la recherche et du développement de la conduite intelligente de li auto, et zhan kun, expert principal en algorithmes de li auto intelligent driving. la conversation a été modifiée sans modifier le sens original :

question : tout le monde sur le marché dit qu'il s'agit de bout en bout. qu'est-ce que le véritable bout en bout ?

zhan kun :de bout en bout est un paradigme de recherche et développement, comme son nom l'indique, il fait référence à l'exécution d'une tâche depuis la fin de l'entrée initiale jusqu'à la fin de la sortie finale. il n'y a aucun autre processus entre les deux. processus de l'entrée à la sortie. c'est de bout en bout. le sens essentiel de bout en bout, tant qu'il répond à ce sens, nous pouvons l'appeler de bout en bout.

désormais, la voiture idéale est un modèle one intégré de bout en bout. grâce à l'entrée directe du capteur, une fois l'inférence du modèle terminée, la planification de la trajectoire est directement utilisée pour contrôler la voiture. d'autres étapes entre les deux. il existe également une méthode de bout en bout, qui consiste à diviser deux modèles au milieu. un signal est utilisé comme pont entre les modèles. l'entrée est un modèle de perception. les résultats de la perception sont ensuite entrés dans le modèle de contrôle. et ils sont combinés dans un modèle modulaire de bout en bout, cela peut aussi être appelé de bout en bout, mais nous pensons qu'un tel bout en bout n'est pas vraiment de bout en bout. . le bout en bout de li auto lui-même veut résoudre la perte d'informations intermédiaires. si un processus de digestion artificielle des informations est ajouté au milieu, l'efficacité pourrait ne pas être aussi élevée ou la limite supérieure des capacités pourrait être limitée. que le bout en bout intégré est le bout en bout le plus essentiel.

question : sommes-nous inspirés par tesla ? y a-t-il des différences de bout en bout par rapport aux modules traditionnels ?

zhan kun :tesla a effectivement mentionné le système de bout en bout début 2023, et musk a déclaré sur twitter qu'il incarne un modèle complet de contrôle direct de la voiture, de l'entrée à la sortie. tout le monde a été choqué en voyant cette nouvelle, car ils n'ont pas simplement proposé cette chose. en 2016, nvidia avait un modèle qui mentionnait de bout en bout et publiait un article, mais l'effet était moyen et cela n'a fait que résoudre le problème. dans un scénario particulièrement simple, compte tenu de la puissance de calcul et de l’échelle du modèle à l’époque, tout le monde pensait que cette voie était irréalisable.

d’ici 2023, une très grande puissance de calcul sera ajoutée à la nouvelle architecture de transformateur. une fois que tesla l’aura construite, un nouveau paradigme pourrait renaître. le bout en bout n’est pas la première chose que tesla a proposée, mais elle avance dans une direction davantage de croissance. après avoir vu cela, nous réfléchissons également en interne. par rapport au modèle modulaire précédent, l'approche de bout en bout est plus essentielle pour réduire la redondance des diverses informations. sur le modèle sans graphique, nous sommes proches du modèle modulaire de bout en bout. nous avons un grand modèle perceptuel, qui est en fait un modèle modulaire de bout en bout. malgré cela, nous avons constaté que le modèle de bout en bout a toujours besoin de règles, et que certaines données sont toujours divisées en modules et que les tâches politiques sont divisées en modules.

cette fois, dans notre discussion et notre conception de nouvelles solutions, nous avons proposé que la solution de bout en bout soit plus approfondie et essentielle. li auto dispose de données très riches et nous pensons que ces données peuvent nous aider à faire du bon travail. c'est notre avantage. nous avons donc choisi une architecture intégrée de bout en bout qui est plus exigeante et difficile. sa limite supérieure est très élevée, mais son inconvénient est qu'il est plus difficile de former le module de score, y compris le ratio de données et les méthodes de formation. beaucoup de savoir-faire à explorer et à creuser, mais nous avons quand même résolument choisi la voie difficile mais correcte.

question : de nombreuses marques prétendent désormais être leaders, et li auto affirme également être entrée dans le premier échelon de la conduite intelligente. comment évaluer le niveau technique de bout en bout de ces entreprises sur le marché ?

lang xianpeng :d'un point de vue technique, pour les consommateurs ordinaires, peu importe qu'il y ait des images ou pas, de bout en bout ou non, ce sur quoi tout le monde se concentre en fin de compte, c'est le produit et l'expérience d'utilisation. cela, ainsi que la valeur du produit. par conséquent, nous n’essayons pas de rivaliser avec qui que ce soit, mais nous espérons fournir de meilleurs produits et services à nos utilisateurs. dans le passé, la noa à grande vitesse était utilisée avec des cartes de haute précision, et l'expérience noa à grande vitesse répondait aux besoins des utilisateurs. ensuite, nous avons essayé de nombreuses méthodes dans le processus de création de noa de ville. l'une des idées très simples était d'utiliser des cartes pour créer une noa de ville. cependant, nous avons constaté qu'il n'existait aucun revendeur de cartes capable de fournir des cartes de haute précision de la ville. fournissez des images lumineuses. mais nous pensons que les graphiques légers ne sont pas réalisables, car une fois que des graphiques itératifs sont nécessaires, des problèmes se posent quant à leur rapidité et à leur réelle utilisation. nous ne pouvons pas laisser les utilisateurs penser qu’une place disponible aujourd’hui ne le sera pas demain.

finalement, nous avons décidé de le faire sans photos. la solution précédente sans image était basée sur des solutions de perception, de planification et de sous-modules, qui comprenaient un grand nombre de règles manuelles et de tests de véhicules réels, sans parler de l'investissement budgétaire, c'était très difficile en termes de temps. lorsque le modèle est itéré, si vous souhaitez exécuter diverses conditions tout au long de l'année, cela ne sera pas possible d'ici un ou deux ans, et les utilisateurs ne peuvent pas attendre aussi longtemps. nous avons donc itéré vers l'architecture technique de bout en bout + vlm. je pense que cette solution technique est essentiellement une solution d'intelligence artificielle. elle n'a pas été conçue, mais s'est développée d'elle-même.

de plus, aujourd'hui je vous ai présenté le contenu du modèle mondial. à mon avis, cette capacité est la garantie la plus importante et la plus nécessaire pour parvenir à une itération rapide de la conduite autonome.une itération de modèle nécessiterait un grand nombre de véhicules, de personnes et de temps pour être testée de la manière traditionnelle, mais nous utilisons désormais la technologie de génération et de reconstruction pour collecter les scènes où des problèmes se sont produits dans le passé et créer une bibliothèque de mauvais scénarios de scène.avant chaque version, plus de 10 millions de kilomètres de tests ont été effectués sur de simples mauvaises questions, et il s'agit d'un ensemble efficace de mauvaises questions, pas d'un test routier aléatoire. de plus, nous pouvons également générer des scénarios et simuler des scénarios, qui sont également des dizaines de millions de tests de scénarios. l'itération du modèle de cette manière est désormais beaucoup plus fiable que la méthode d'essai originale sur véhicule ou sur route, et elle peut couvrir divers scénarios tout au long de l'année. c’est notre approche. nous ne savons pas si d’autres marques font cela, mais nous nous basons entièrement sur les besoins des utilisateurs. nous itérons sur la technologie, non pas pour le plaisir de la technologie, mais parce que cette technologie peut réellement répondre aux besoins des utilisateurs et apporter une meilleure expérience produit, alors nous le ferons.

question : il n'y a pas si longtemps, quelqu'un a avancé l'idée selon laquelle « il est impossible de conduire intelligemment sans 50 milliards ». qu'en pensez-vous ?

lang xianpeng :concernant 50 milliards, vous devez juger s'il s'agit d'un investissement ponctuel ou d'un investissement à long terme. comme mentionné aujourd'hui, nous investissons chaque année 1 milliard de dollars américains dans la recherche et le développement de la conduite intelligente. il dépassera les 50 milliards.

l’architecture technique de bout en bout + vlm est un tournant.avant, nous utilisions encore des méthodes traditionnelles pour la conduite autonome. à partir de cette génération, nous utilisons véritablement l’intelligence artificielle pour la conduite autonome. ensuite, dans la recherche et le développement de la conduite autonome, la principale concurrence est de savoir s'il existe des données plus nombreuses et de meilleure qualité et la puissance de calcul correspondante pour entraîner le modèle. l'acquisition de puissance de calcul et de données dépend du montant dépensé et du nombre de ressources investies. certaines de ces choses ne peuvent pas être achetées avec de l'argent, comme les données d'entraînement et le kilométrage d'entraînement. chaque constructeur automobile possède ses propres données et ne les partage pas entre eux.

une autre chose qui nécessite des investissements est la puissance de calcul.notre puissance de calcul actuelle de 539 millions d'eflops devrait atteindre 800 millions d'eflops d'ici la fin de cette année. cela ne représente plus 1 milliard de yuans, mais un coût de 2 milliards de yuans, qui consommera 2 milliards de yuans par an. à l'avenir, lorsque l'on entrera dans l'étape l4, la croissance annuelle des données et la croissance de la puissance de calcul seront exponentielles, ce qui signifie qu'au moins 1 milliard de dollars américains (six à sept milliards de yuans) seront nécessaires chaque année. et après 5 ans, il faudra continuer à itérer. à ce niveau, ce sera très difficile si les bénéfices et les bénéfices d'une entreprise ne peuvent pas soutenir l'investissement. par conséquent, nous n'avons plus besoin de prêter attention au nombre de milliards investis dans la conduite autonome. au lieu de cela, nous partons de l'essentiel et voyons s'il existe une puissance de calcul et un support de données suffisants, puis examinons combien d'argent doit être investi. .

question : comment assurer la sécurité du modèle lorsque la quantité de données n'est pas très importante ? d'un point de vue conceptuel, sommes-nous désormais aussi une sorte de « deux-modèles » ?

lang xianpeng :la « sécurité » est une question qui a beaucoup retenu l'attention, qu'il s'agisse de problèmes de coordination, d'existence de modules de sécurité indépendants, etc. la raison pour laquelle tout le monde a ces problèmes est que tout le monde pense du point de vue de la recherche et du développement passés en matière de conduite autonome sans ia. par exemple, je montais à cheval. il me demandait s'il y avait une selle sur la voiture. c’est parce que tout le monde n’a pas vraiment compris ce que sont les pratiques d’ia et ce que sont les pratiques non-ia. c’est le premier point.

deuxièmement, beaucoup de gens disent désormais qu'ils disposent d'un modèle de bout en bout, mais le véritable modèle de bout en bout dépend toujours de deux capacités : s'il y a suffisamment de données et s'il y a suffisamment de puissance de calcul. sinon, je pense qu’il sera difficile de parvenir à un véritable bout en bout, car le bout en bout est une approche basée sur l’ia.

troisièmement, les limites supérieure et inférieure des capacités de bout en bout sont très élevées. permettez-moi de faire une analogie. avant la sortie de cnn (modèle de réseau neuronal profond), tout le monde utilisait encore des méthodes d'apprentissage automatique traditionnelles pour effectuer certains travaux, comme les tâches de classification d'images que nous connaissons. à cette époque, les algorithmes svm rencontraient des goulots d'étranglement. mais dès que cnn est sorti, ils ont été submergés par leur amélioration de plus de 10 %. ce que je veux exprimer, c'est que tout le monde n'a pas vraiment compris les capacités de bout en bout, et nous ne nous précipiterons pas pour les proposer aux utilisateurs bêta internes.

lorsque nous utilisons des méthodes non ia, nous devons considérer de nombreux scénarios en termes de détails de contrôle vertical. de cette manière, lors de la conception des règles de scène, nous devons définir de nombreuses conditions pour stipuler les actions à entreprendre dans certaines conditions. conditions. mais lorsque notre première version du modèle de bout en bout a été formée, j'ai découvert qu'elle serait très confortable à chaque intersection ou dans des conditions nécessitant un contrôle longitudinal. nous n'avons pas débogué pour des situations particulières, c'était la capacité du modèle à s'entraîner lui-même. on peut constater que nous avons un gros problème lors de l’élaboration de règles car les scénarios sont trop divers et il nous est impossible de fixer des règles pour tous les scénarios. mais lorsque nous utilisons l'ia pour construire un modèle de bout en bout, nous découvrirons qu'elle a ce pouvoir magique. lorsque nous lui donnons des données, elle peut véritablement apprendre l'expérience de conduite de ces personnes. non seulement elle peut apprendre la limite supérieure. , mais cela peut aussi améliorer considérablement le modèle. la limite inférieure d'amélioration. même s’il a encore ses propres limites, la manière de le résoudre n’est plus de fixer des règles, mais de lui fournir des données plus nombreuses et de meilleure qualité.

de même, nous avons également une stratégie simple sur le module de contrôle. parce que l'entrée de notre capteur de bout en bout est entrée dans la sortie de trajectoire, et la sortie de trajectoire est transmise aux modules de direction et de freinage. ici, nous avons une politique de sécurité. par exemple, s'il est prévu d'effectuer un virage serré à 180°. nous allons les contraintes sont implémentées, mais il existe très peu de règles similaires qui peuvent être ignorées par rapport à l'approche précédente.

dans le même temps, nous avons amélioré les résultats financiers et la limite supérieure des capacités. notre approche consiste à lui fournir en permanence des données de haute qualité, et il apprendra certainement de nombreuses habitudes de conduite sûres.

question : comment s'assurer que les données de bout en bout + vlm sont propres ?

zhan kun :qu'il s'agisse d'une approche de bout en bout ou de vlm, les données sont les plus importantes, et les grands modèles ont toujours mis l'accent sur des données de haute qualité.notre première étape consiste donc à nettoyer les sources de données.notre sélection de données de conduite est très stricte. nous avons un score interne pour chaque propriétaire de voiture, qui comprend différentes dimensions et est pondéré, par exemple s'il y a une infraction au code de la route, si la ligne a été enfoncée pendant une longue période, si l'arrêt est effectué. la file d'attente a été garée et si le processus de conduite est les 3 % des utilisateurs les plus performants seront sélectionnés comme « conducteurs expérimentés » sur la base des scores attribués par divers indicateurs tels que la rotation du volant de manière moyenne ou urgente ou l'inconfort. dans le cas de données idéales à grande échelle, même les premiers 3 % représentent une très grande quantité de données. cela peut toujours garantir que les données que nous obtenons sont très bonnes. au moins, le comportement de conduite est standardisé, confortable et raisonnable. si les données sont fournies de bout en bout.

il y a également une sélection au deuxième niveau. au cours du processus de formation des modèles, nous devons également faire correspondre et classer les échantillons de modèles dans certains scénarios. il existe de nombreux scénarios extrêmes et difficiles, et il y aura des modèles d'évaluation, des méthodes d'évaluation et certaines règles. peut nettoyer les données et classer chaque type de données dans des balises très détaillées.

dans la dernière couche, nous saurons quels échantillons sont difficiles à apprendre pendant le processus de formation et ajusterons la stratégie d'apprentissage, notamment en construisant délibérément des données synthétiques pour l'apprentissage par renforcement et l'apprentissage contrastif. apportez quelques ajustements aux méthodes d'apprentissage de nos données, afin que l'ensemble de nos données de bout en bout et de nos données vlm soient bien vérifiées et nettoyées, et que le modèle résultant soit meilleur. ce processus ne se produit pas du jour au lendemain.

lang xianpeng :il existe un autre problème, celui des données sales. notre volume de données pour la formation est encore relativement important, même si nous avons de très petites données sales plus tard, car la formation des capacités de l'ia n'a pas de tache qui puisse polluer l'ensemble de l'effet, donc tant que la quantité de données précises est suffisamment grande, il y a. il y aura une petite interférence. les données n'ont pas beaucoup d'importance non plus.

question : au cours des dernières années, la bataille technologique de la conduite intelligente a évolué rapidement et a connu plusieurs itérations majeures. le vlm de bout en bout sera-t-il un cadre doté d'une vitalité à long terme ?

lang xianpeng :de bout en bout + vlm est une architecture qui simule la pensée et la cognition humaines, car lorsque nous faisons de l'intelligence artificielle, nous espérons finalement atteindre l'anthropomorphisme ou la ressemblance humaine. j'ai été très inspiré après avoir lu le livre "penser, vite et lentement", et j'ai finalement voulu savoir comment les gens cognitifs et pensent. nous pensons que le cadre actuel de l'intelligence artificielle est très raisonnable, et nous sommes également très heureux de le voir après. nous l'avons proposé, de nombreuses entreprises du secteur ont commencé à mentionner les avantages de la théorie du double système et tentent d'y donner suite. de plus, la théorie des systèmes doubles peut non seulement être utilisée dans la conduite autonome, mais constitue également un paradigme pour l’intelligence artificielle du futur et même pour les robots intelligents. la conduite autonome peut être considérée comme un robot intelligent à roues, mais son champ d'application est la route. par conséquent, je pense qu'il a certaines capacités à long terme, mais le développement technologique est infini. nous resterons attentifs aux technologies avancées et, si de nouvelles technologies apparaissent, nous les suivrons également.

question : ideal estime actuellement qu'il y a un grand écart entre moi et la conduite intelligente de tesla, et quand pourrai-je rattraper mon retard ?

lang xianpeng :l'année dernière, j'ai répondu que c'était moins de six mois, et cette année, ce sera peut-être un peu moins. premièrement, en termes d'architecture technique, nous ne sommes pas très différents de tesla, et sommes même un peu en avance, car nous avons le vlm et le système 2, alors que tesla n'a que le système 1, de bout en bout. deuxièmement, en termes de puissance de calcul et de données de formation en chine, nous pensons qu'au moins désormais, nous sommes en avance sur tesla, car tesla est encore soumise à certaines contraintes en chine en termes de conformité des données, ainsi que de déploiement de formation. de puissance de calcul doit encore être établie en chine. de ce point de vue, l'écart entre nous en chine et tesla n'est peut-être pas si grand. nous espérons également que tesla pourra nous rejoindre, apprendre les uns des autres et se concentrer sur son amélioration.

question : certains pensent que la voie de l'ia pour la conduite intelligente n'est pas tout à fait la bonne, et je ne pense pas que cette voie puisse fonctionner, car l2 accorde plus d'attention au faible coût ou à la polyvalence, mais l4 ne peut atteindre l'universalité qu'après le la sécurité est résolue, donc la production de masse la voiture peut-elle être l4 ?

lang xianpeng :d'abord,nous pensons que tout doit partir des besoins et de la valeur des utilisateurs.tout produit fabriqué par li auto doit dépasser ou satisfaire la valeur de l'utilisateur. nous ne le fabriquons que si les utilisateurs le trouvent précieux. nous pensons que les utilisateurs doivent avoir une demande de conduite autonome, il nous est donc impossible de concevoir que les utilisateurs ne puissent conduire que la l4 à chengdu et pas ailleurs.

deuxièmement, le parcours technique progressif ou bond en avant permet à chaque marque de discuter et de choisir son propre parcours technique.mais li auto choisira certainement une voie technique qui répond aux besoins des utilisateurs.nous choisissons désormais d’utiliser l’intelligence artificielle pour faire de la conduite autonome. anciennement appelé conduite assistée, le système aidait les gens à conduire, et le sujet était les gens. mais après l’étape de bout en bout + vlm, nous pensons que la voiture roulera toute seule. après avoir formé un modèle complet, le modèle sera capable de bien conduire la voiture. je superviserai les endroits où la voiture ne fonctionne pas ou s'il y a des indications indiquant qu'elle doit être reprise. cependant, le sujet doit être la voiture et les personnes. servira de rôle auxiliaire dans la supervision. s’il atteint ce niveau, il satisfera la demande des utilisateurs en matière de conduite autonome.

question : li auto envisage-t-elle de facturer la conduite intelligente haut de gamme ?

lang xianpeng :standard et gratuite sont les deux stratégies qu'ideal a formulées dès le premier jour de conduite intelligente. la « conduite autonome supervisée » est gratuite pour tous les propriétaires d'ad max. le volume de livraison est relativement bon et les opérations de l'entreprise sont stables. elle dispose également de ressources suffisantes pour investir dans la recherche et le développement en matière de conduite intelligente. le volume de livraison est une mesure très importante pour nous, il ne s'agit pas seulement du volume de livraison, mais il peut également fournir davantage de kilomètres de formation pour la conduite autonome.