ニュース

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

テスラの ceo イーロン・マスクは、2023 年にテスラのインテリジェント運転ソフトウェア fsd v12 のライブブロードキャストを開始しました。ビデオ内のテスラは最新のエンドツーエンドテクノロジーに基づいており、ソフトウェアは多数のエンジニアを削除し、代わりにルールコードを使用していますメインのニューラル ネットワーク アルゴリズム。この車両は自律ビジョンとニューラル ネットワークに基づいており、どこで減速するかを示し、信号機や道路上のあらゆる関係者を識別し、自律的な意思決定を行います。

その後、このテクノロジーは業界、テクノロジー愛好家、さらには一般の自動車消費者からも大きな議論と関心を呼び起こしました。

これは、インテリジェント運転のための新たなパラダイム回復のラウンドです。今日に至るまで、中国市場では依然として多くの意見が浮上しています。

エンドツーエンド技術の出現により、スマート運転に取り組む多くの自動車会社のスタートラインが整い、誰もが再びスタート地点に立ち、データとコンピューティング能力における長距離レースを始めています。

エンドツーエンドのテクノロジーは、強力なデータの構築とデータ取得の量、特に効果的な品質のデータの取得に影響を受けます。

中国市場では「ホームフィールドアドバンテージ」を持つ独立系自動車メーカーがスマートドライビングを目指して新たな長距離競争に乗り出しているが、同時にテスラのfsdのリードはこの段階で消滅するとの見方も多い。

li auto のインテリジェント ドライビング研究開発担当副社長である lang xianpeng 博士も次のように考えています。技術的なアーキテクチャの点では、ideal の最新ソリューションは tesla のものとそれほど変わりはなく、むしろ少し先を行っています。理想的には vlm モデルとシステム 2 があるため、tesla にはシステム 1 のみがエンドツーエンドで存在します。

li auto のエンドツーエンド モデルは、エンドツーエンドで統合された one model であり、市場にある他の自動車会社のエンドツーエンドとは若干異なります。

従来のエンドツーエンド技術は、人工知能モデルと機械的自己学習のみを使用して、視覚的な「入力」端からインテリジェントな運転システムと車両の最終制御に至るまで、インテリジェントな運転プロセスにおける知覚、計画、および制御モジュールを置き換えます。運転の「出力」側は完全にモデルによって処理されます。純粋な「エンドツーエンド」テクノロジーは、このプロセスでルールベースのコードを設定しなくなり、完全なブラックボックスになります。

しかし、テスラ、ファーウェイ、xpeng などの比較的先進的なメーカーを含む、市場にある多くの自動車会社は依然として、セキュリティの冗長性を担う特定の基礎となるアルゴリズムを設定しています。認識および計画制御は比較的独立したモジュールである可能性があり、インターフェイスは依然として手動で定義して接続する必要があります。

統合されたエンドツーエンドの one model は、認識および計画制御モジュールを統合することを目的としており、社内では理想的にはシステム 1 と呼ばれており、エンドツーエンドの意思決定を迅速に実行するドライバーのようなものです。

これまで、インテリジェント運転分野におけるエンドツーエンドのアプリケーションでは、上限が高い一方で下限が低いという問題が頻繁に発生していました。たとえば、業界のリーダーであるテスラは、米国カリフォルニア州でのテストは非常にスムーズで、人間のドライバーのように動作しましたが、慣れない領域に入ると、説明が難しい規制上の決定を下されることになります。

これはエンドツーエンドの欠点の 1 つです。

理想的なアプローチは、システム 2、vlm 視覚言語モデルを導入し、さらに一歩前進することです。

理想的には、vlm ビジュアル言語モデルは、車側チップへの展開に成功した世界初の大規模モデルであり、複雑なシナリオで論理的思考と意思決定を処理できる機能を備えています。

エンドツーエンドの 1 つのモデルに加えて、システム 2 - vlm は、システム 1 の計画と意思決定を支援する別のモデル アルゴリズムのセットです。 vlm に基づくシステム 2 は、複雑な環境を理解する機能、ナビゲーション マップを読み取る機能、交通ルールを理解する機能を提供します。

lang xianpeng 氏は、この組み合わせについて、より一般的な説明を行っています。システム 1 はドライバー、システム 2 は自動車学校の教官のようなものです。システム 1 は自身の視覚認識に完全に依存して操作を実行します。システム 2 はシステム 1 に思い出させ、通知するために長期間にわたって知識を蓄積する必要があります。

li auto のインテリジェント運転のための高度なアルゴリズムの専門家である zhan kun 氏と彼のチームは、このコンセプトを最初に提案しました。認知心理学者でノーベル賞受賞者のダニエル・カーネマンの例に倣い、人間の脳には経験と直感に基づくシステムと、知識を総合的に学習して蓄積するシステムがあると考えています。

2 つのシステムは、理想的なインテリジェント運転全体を実現し、他の自動車会社とはまったく異なる理想的なインテリジェント運転ソリューションを実現します。

米国市場では、テスラ fsd はコンピューティング能力とデータの面でリーダーです。

しかし、中国市場においては、「中国テスラ・スマート・ドライビング・ロード」を再構築してさらに優位に立つことが理想的な戦略のようだ。

ラン・シェンペンは言った、「中国のトレーニング コンピューティング能力とトレーニング データに関しては、少なくとも今後は当社がテスラを上回っていると考えています。テスラは、データ コンプライアンスとトレーニング コンピューティング能力の展開に関して依然として中国での制約を受けているためです。中国で建設されることになる。”

ideal では、データ テスト プロセスにワールド モデル システムも導入しています。

ideal によると、このワールド モデルは新世代の ideal インテリジェント運転の大規模かつ高速反復をサポートし、自動化された ai 機能評価システムを提供し、再構成技術を使用してユーザーが遭遇する問題シナリオを「間違った質問セット」に変えると述べています。 、生成テクノロジーを使用してユーザーを「間違った質問セット」に変換し、実際の運転シーンを「シミュレーション質問」として使用します。この 2 つのテクノロジーにより、モデルの評価中に間違った質問が行われることがなくなり、優れた汎化機能も備えています。 。

ideal one モデル + vlm + ワールド モデルの技術ソリューションに基づいており、これにより、新世代の ideal インテリジェント運転製品が「監視付き自動運転」の新しい段階に到達します。

ideal は、orin-x チップに vlm を導入した最初の企業であり、デュアル システム アーキテクチャを採用した最初の自動車会社です。中国ではアイデアル社の販売台数はすでに100万台近くに達しており、必然的に有効データの割合が増えることになる。 li auto の現在の累計トレーニング走行距離は 22 億キロメートルを超え、2024 年末までに 30 億キロメートルを超えると予想されています。li auto の現在のトレーニング演算能力は 5.39 eflops に達し、2024 年末までに 8 eflops を超えると予想されています。 2024年。

しかし、業界は依然としてエンドツーエンド技術の応用と見通しをめぐって争いを続けている。500億ドルがなければスマート運転は実現できないと考える人もいれば、少なくとも今後数年間でエンドツーエンド技術が実現すると考える人もいる。ルールベースのモデルアルゴリズムと単一モジュール関数は引き続き並列であり、純粋なエンドツーエンドは依然としてデタラメです。

ideal user experience group のテスト結果により、このパスの現在の合理性がある程度検証されました。いずれにせよ、李汽車は率先してこの措置を講じた。

li auto のインテリジェント ドライビング研究開発担当副社長の lang xianpeng 博士と、li auto インテリジェント ドライビングの上級アルゴリズム専門家 zhan kun 氏

以下は、li auto のインテリジェント ドライビング研究開発担当副社長である lang xianpeng 博士と、li auto intelligent driving の上級アルゴリズム専門家である zhan kun とのやりとりの速記です。この会話は、元の意味を変更することなく編集されています。

質問: 市場では誰もがエンドツーエンドだと言いますが、本当のエンドツーエンドとは何ですか?

ザン・クン：エンドツーエンドとは、その名前が示すように、最初の入力端から最終出力端までのタスクを実行することを指します。途中に他のプロセスは使用されません。入力から出力までのプロセスです。これはエンドツーエンドの本質的な意味であり、この意味を満たしている限り、それをエンドツーエンドと呼ぶことができます。

理想的な自動車は、直接センサー入力を通じて、モデル推論が完了した後、自動車を制御するために直接使用される、統合されたエンドツーエンドです。その間の他のステップ。信号をモデル間のブリッジとして使用し、認識結果を制御モデルに入力するエンドツーエンドの方法もあります。それらはモジュール式のエンドツーエンド モデルに結合されます。これはエンドツーエンドとも呼ばれますが、そのようなエンドツーエンドは真のエンドツーエンドではないと考えられます。 。 li auto のエンドツーエンド自体は、中間情報の損失を解決したいと考えています。そのため、途中で人為的な情報消化プロセスが追加されると、効率がそれほど高くないか、能力の上限が制限される可能性があります。統合されたエンドツーエンドがより本質的なエンドツーエンドであるということです。

質問: tesla からインスピレーションを得たものですか? 従来のモジュールとエンドツーエンドで何か違いはありますか?

ザン・クン：テスラは2023年初めにエンドツーエンドについて確かに言及し、マスク氏はツイッターで、それが入力から出力までの直接自動車制御の完全なモデルを体現していると述べた。このニュースを見たとき、誰もがショックを受けました。2016 年に nvidia はエンドツーエンドについて言及したモデルを開発し、論文を発表しましたが、その効果は平均的であり、問​​題を解決しただけでした。特に単純なシナリオでは、当時のコンピューティング能力とモデルの規模を考えると、誰もがこの方法は実現不可能だと考えていました。

2023 年までに、テスラが新しい変圧器アーキテクチャを構築した後、新しいパラダイムが復活する可能性があります。エンドツーエンドはテスラが最初に提案したものではありませんが、より成長の方向に進んでいます。これを見て、私たちも以前のモジュラーモデルに比べて、さまざまな情報の冗長性を減らすためにエンドツーエンドのアプローチがより重要であると社内で考えています。グラフレス モデルでは、モジュール式のエンドツーエンドに近いモデルがあり、実際にはモジュール式のエンドツーエンド モデルです。それでも、エンドツーエンド モデルには依然としてルールが必要であり、依然としてモジュールに分割されたデータとモジュールに分割されたポリシー タスクが存在することがわかりました。

今回、新しいソリューションについての議論と構想において、私たちはエンドツーエンドのソリューションがより徹底的かつ本質的である必要があると提案しました。 li auto は非常に豊富なデータを持っており、このデータが当社の優れた仕事をサポートしてくれると信じています。そこで、より挑戦的で難しいエンドツーエンドの統合アーキテクチャを選択しましたが、その上限は非常に高く、データ比率やトレーニング方法を含むスコアモジュールのトレーニングがより難しいという欠点があります。探索や発掘には多くのノウハウがありましたが、それでも私たちは困難ではあるが正しい道を断固として選択しました。

質問: 現在、多くのブランドがリーダーであると主張しており、li auto も、市場におけるこれらの企業のエンドツーエンドの技術レベルを評価する方法を教えてください。

ラング・シェンペン：技術的な観点から見ると、一般の消費者にとって、写真があるかないか、エンドツーエンドか非エンドツーエンドかは気にされません。最終的に誰もが注目するのは、製品とその使用体験です。それは、製品の価値も同様です。したがって、私たちは誰かと競争するつもりはありませんが、ユーザーにより良い製品とサービスを提供したいと考えています。従来、高速noaは高精度地図とともに利用されており、高速noa体験がユーザーのニーズに応えていました。次に、都市 noa を作成する過程で、非常に単純なアイデアの 1 つとして、都市 noa を作成するために地図を使用するという方法が考えられました。しかし、高精度の都市地図を提供できる地図販売業者が存在しないことがわかりました。明るいイメージを提供します。しかし、反復グラフが必要になると、適時性と実際に使用できるかどうかという問題が発生するため、ライト グラフは実現不可能であると考えています。今日利用できる場所が明日は利用できないとユーザーに感じさせることはできません。

結局、写真なしでやることにしました。以前のピクチャレス ソリューションは、知覚、計画、およびサブモジュール ソリューションに基づいており、多くの手動ルールと実車テストが含まれており、予算投資は言うまでもなく、時間の面でも非常に困難でした。モデルを反復する場合、年間を通じてさまざまな条件を実行しようとすると、1 年や 2 年では不可能ですし、ユーザーもそれほど長く待つことはできません。そこで私たちは、エンドツーエンド + vlm 技術アーキテクチャを繰り返しました。この技術ソリューションは、本質的には設計されたものではなく、自然に成長していったものだと思います。

また、本日はワールドモデルの内容をご紹介させていただきました。私の考えでは、この機能は自動運転の迅速な反復を実現するために最も重要かつ必要な保証です。従来の方法でモデルを反復するには、大量の車両、人員、および時間をテストする必要がありますが、現在では生成および再構築テクノロジーを使用して、過去に問題が発生したシーンを収集し、間違ったシーン シナリオのライブラリを構築しています。各リリース前に、単純な間違った問題に対して 1,000 万キロメートルを超えるテストが行​​われました。これは、ランダムな路上テストではなく、効果的な間違った問題のセットです。さらに、シナリオの生成やシナリオのシミュレーションも可能で、これも数千万のシナリオテストになります。この方法でのモデルの反復は、元の車両または路上テスト方法よりもはるかに信頼性が高く、年間を通じてさまざまなシナリオをカバーできます。これが私たちのアプローチです。他のブランドも同様かどうかはわかりませんが、私たちは完全にユーザーのニーズに基づいています。私たちはテクノロジーを目的にテクノロジーを繰り返します。テクノロジーのためではありませんが、このテクノロジーがユーザーのニーズを実際に解決し、より良い製品エクスペリエンスをもたらすことができるため、これを実行します。

質問: 少し前に、「500 億がなければスマートな運転は不可能である」という考えを誰かが提唱しました。これについてどう思いますか?

ラング・シェンペン：500 億については、1 回限りの投資なのか長期的な投資なのかを判断する必要があります。今日述べたように、10 年連続でスマート運転の研究開発に毎年 10 億ドルを投資しています。 500億を超えるでしょう。

エンドツーエンド + vlm 技術アーキテクチャが分水嶺となります。以前は、自動運転にはまだ従来の方法が使用されていましたが、この世代からは、自動運転に人工知能が本格的に使用されます。次に、自動運転の研究開発における中心的な競争は、より多くのより優れたデータと、モデルをトレーニングするための適切なコンピューティング能力があるかどうかです。コンピューティング能力とデータの獲得は、どれだけの資金が費やされ、どれだけのリソースが投資されるかによって決まります。トレーニング データやトレーニング走行距離など、お金では買えないものもあります。各自動車会社は独自のデータを持っており、相互に共有していません。

もう 1 つ投資が必要なのはコンピューティング能力です。現在の 5 億 3,900 万 eflops の計算能力は、今年末までに 8 億 eflops になると予想されており、これはもはや 10 億元ではなく、20 億元のコストがかかり、年間 20 億元を消費することになります。将来的に l4 段階に入ると、年間のデータ増加とコンピューティング能力の増加は指数関数的に増加し、少なくとも毎年 10 億米ドル (60 ～ 70 億元) が必要になることを意味します。そして5年後もそれを繰り返す必要があり、このレベルで企業の利益と利益が投資を支えられない場合は非常に困難になります。したがって、現在では、自動運転に何十億ドルが投資されているかに注意を払う必要はなく、本質から始めて、十分なコンピューティング能力とデータサポートがあるかどうかを確認し、次にどれだけの資金を投資する必要があるかを検討します。 。

質問: データ量がそれほど多くない場合、モデルのセキュリティをどのように確保するか? 概念的な観点から見ると、私たちは一種の「2 つのモデル」でもありますか?

ラング・シェンペン：「セキュリティ」は、連携に問題があるかどうか、独立したセキュリティモジュールがあるかどうかなど、大きな注目を集めている問題です。なぜ皆がこのような問題を抱えているかというと、皆が過去の非ai自動運転の研究開発の視点で考えているからです。たとえば、私はよく馬に乗っていました。車にサドルがあるかどうかを尋ねました。それは、ai の実践と非 ai の実践が何であるかを誰もがよく理解していないからです。これが最初のポイントです。

第 2 に、今では多くの人がエンドツーエンド モデルを持っていると言っていますが、実際のエンドツーエンド モデルは依然として 2 つの機能に依存しています。それは、十分なデータがあるかどうか、そして十分なコンピューティング能力があるかどうかです。そうしないと、エンドツーエンドはaiのアプローチなので、真のエンドツーエンドを実現するのは難しいと思います。

第三に、エンドツーエンド機能の上限と下限が非常に高いです。 cnn (ディープ ニューラル ネットワーク モデル) が登場する前は、誰もがまだ従来の機械学習手法を使用して、私たちが慣れ親しんでいる画像分類タスクなどの作業を行っていました。当時、svm アルゴリズムはボトルネックに直面していました。しかし、cnn が出てくるとすぐに、彼らは 10% 以上の改善を抑制しました。私が言いたいのは、誰もがエンドツーエンドの機能を真に理解していないということであり、私たちはそれを急いで社内のベータ ユーザーにプッシュするつもりはないということです。

ai 以外の手法を使用する場合、垂直制御の詳細に関して多くのシナリオを考慮する必要があります。このように、シーン ルールを設計する際には、特定の条件下でどのようなアクションを実行する必要があるかを規定するために多くの条件を設定する必要があります。条件。しかし、エンドツーエンド モデルの最初のバージョンをトレーニングしたところ、あらゆる交差点や縦方向の制御が必要な状況で非常に快適であることがわかりました。特別な状況に合わせてデバッグしたのではなく、モデル自体がトレーニングする能力でした。シナリオが多様すぎて、すべてのシナリオに対してルールを設定するのは不可能であるため、ルールを作成するときに大きな問題があることがわかります。しかし、ai を使用してエンドツーエンドのモデルを構築すると、ai にデータを与えると、上限を学習できるだけでなく、人々の運転体験を真に学習できるという魔法のような力があることがわかります。 、ただし、モデルを大幅に改善することもできます。依然として独自の制限はありますが、それを解決する方法は、ルールを設定することではなく、より多くのより優れたデータを提供することです。

同様に、制御モジュールにも簡単な戦略があります。エンドツーエンドのセンサー入力が軌道出力に入力され、その軌道出力がステアリング モジュールとブレーキ モジュールに与えられるためです。たとえば、180 度の急旋回を計画している場合、次のような安全ポリシーがあります。制約が実装されていますが、このような同様のルールは非常に少ないため、前のアプローチと比較して無視できます。

同時に、安全性の最終ラインと機能の上限も改善しました。私たちのアプローチは、高品質のデータを継続的に提供することであり、安全な運転習慣を確実に学習します。

質問: エンドツーエンド + vlm データがクリーンであることを確認するにはどうすればよいですか?

ザン・クン：エンドツーエンドを実行するか vlm を実行するかにかかわらず、データが最も重要であり、大規模モデルでは常に高品質のデータが強調されてきました。したがって、最初のステップはデータ ソースをクリーンアップすることです。当社の走行データの選択は非常に厳格であり、各車の所有者ごとに内部スコアが設定されており、運転違反の有無、長時間ラインを押したかどうか、停止の有無など、さまざまな要素が加重されています。中・緊急ハンドル操作時や不快感など、さまざまな指標によるスコアをもとに上位3％のユーザーを「運転経験者」として選出します。理想的な大規模データの場合、最初の 3% が非常に大量のデータであっても、少なくとも運転動作が標準化され、快適で合理的なものであることが保証されます。データがエンドツーエンドで与えられる場合。

モデルのトレーニング プロセスでは、第 2 レベルのスクリーニングも行われます。いくつかのシナリオでは、モデル サンプルを照合して分類する必要があります。多くの極端で困難なシナリオがあり、評価モデル、評価方法、およびいくつかのルールが存在します。データをクリーンアップし、非常に詳細なタグで各タイプのデータを分類できます。

最後の層では、トレーニング プロセス中にどのサンプルが学習するのが難しいかを把握し、強化学習と対照学習用の合成データを意図的に構築するなど、学習戦略を調整します。データの学習方法を調整して、エンドツーエンド データ全体と vlm データが適切に検証およびクリーンアップされ、結果として得られるモデルがより良くなります。このプロセスは一夜にして起こるものではありません。

ラング・シェンペン：ダーティデータの問題という別の問題があります。トレーニング用のデータ量はまだ比較的大きいですが、ai 能力のトレーニングには効果全体を汚染する汚れがないため、正確なデータの量が十分に大きい限り、問題はありません。少し干渉しますが、データもあまり重要ではありません。

質問: ここ数年、スマート運転のテクノロジーの戦いは急速に変化し、いくつかの大きな反復を経ましたが、エンドツーエンド + vlm は長期的な活力を持つフレームワークになりますか?

ラング・シェンペン：エンドツーエンド + vlm は、人間の思考と認知をシミュレートするアーキテクチャです。人工知能を開発するとき、最終的には擬人化または人間らしさを実現したいと考えているからです。 「thinking, fast and slow」という本を読んで非常にインスピレーションを受け、最終的に人間がどのように認知と思考を行うのかを知りたいと思いました。私たちは現在の人工知能のフレームワークが非常に合理的であると考えており、その後それを確認して非常に満足しています。私たちがそれを提案すると、業界の多くの企業がデュアルシステム理論の利点について言及し始め、フォローアップを試みています。さらに、デュアルシステム理論は自動運転に使用できるだけでなく、将来の人工知能、さらにはインテリジェントロボットのパラダイムにもなります。自動運転は車輪型の知能ロボットと言えますが、その動作範囲は道路です。したがって、長期的には一定の能力はあると思いますが、技術開発には終わりがありませんので、常に先進的な技術を意識して、新しい技術があればそれも追いかけていきたいと思っております。

質問: イデアルは現在、自分とテスラのスマートな運転の間には大きな隔たりがあると感じています。いつ追いつくことができるでしょうか?

ラング・シェンペン：昨年は半年未満とお答えしましたが、今年はもう少し少ないかもしれません。まず、技術的なアーキテクチャの点では、テスラはエンドツーエンドでシステム 1 しか持っていないのに対し、当社は vlm とシステム 2 を備えているため、テスラとそれほど違いはなく、さらには少し先を行っています。第二に、中国のトレーニングコンピューティング能力とトレーニングデータの点では、少なくとも今後は当社がテスラよりも先を行くと考えています。テスラは依然としてデータコンプライアンスやトレーニングの導入の面で中国での制約を受けているからです。中国ではまだコンピューティング能力を確立する必要がある。この観点からすると、中国とテスラとの間のギャップはそれほど大きくないかもしれません。また、私たちはテスラが参加し、互いに学び、自らの向上に注力できることを特に望んでいます。

質問: インテリジェント運転のための ai の道は完全に正しくないという見方があります。l2 は低コストや多用途性により重点を置いていますが、l4 は汎用性を達成できるのは、安全性が解決したので量産 車はl4にできますか？

ラング・シェンペン：初め、私たちは、すべてはユーザーのニーズとユーザーの価値から始まるべきだと信じています。li auto が製造する製品は、ユーザーの価値を超えるか満足させる必要があります。ユーザーが価値があると判断した場合にのみ製品を製造します。ユーザーには自動運転に対する需要があるはずだと私たちは考えています。そのため、ユーザーが成都でのみ l4 を運転でき、他の場所では運転できないように設計することは不可能です。

第二に、進歩的または飛躍的な技術的ルートにより、各ブランドが独自の技術的ルートを議論して選択することができます。しかし、李汽車は間違いなくユーザーのニーズを満たす技術的な道を選択するだろう。私たちは現在、自動運転を行うために人工知能を使用することを選択しています。以前は運転支援と呼ばれていたこのシステムは人の運転を支援するもので、対象は人でした。しかし、エンドツーエンド + vlm 段階を経た後は、車が自動運転するようになるだろうと私たちは信じています。完成したモデルをトレーニングした後、モデルは車をうまく運転できるようになります。車が機能しない箇所や、引き継ぐ必要がある場合は、私が監督します。ただし、対象は車と人間でなければなりません。このレベルに達すれば、自動運転に対するユーザーの要求は満たされるだろうというのが私たちの論理です。

質問: li auto にはハイエンドのスマート運転に料金を請求する予定はありますか?

ラング・シェンペン：標準と無料はどちらもアイデアがスマート運転の初日から策定した戦略であり、「監視付き自動運転」はすべての ad max 所有者に無料で提供されます。納入量は比較的良好で、同社の経営は安定している。また、スマート運転の研究開発に投資するための十分なリソースも備えている。私たちにとって、配送量は非常に重要な指標です。これは単に配送量だけでなく、自動運転のためのより多くの車両訓練マイルを提供することもできます。