notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Texto丨Anqi Li

Editor丨Li Qin

“Ou abrace de ponta a ponta ou deixe a indústria de direção inteligente em alguns anos.”

Depois de entrar na indústria de direção inteligente por vários anos, o engenheiro de direção inteligente Qin Feng (pseudônimo) já se adaptou ao ritmo feroz de involução na indústria de direção inteligente. Mas quando a nova tecnologia “modelo grande ponta a ponta” chega, ele sente que a primeira pessoa a ser impactada pode não ser o motorista humano, mas ele mesmo como engenheiro.

Esse tipo de ansiedade não é exclusivo de Qin Feng. Muitos engenheiros de direção inteligentes disseram ao 36Kr que, para aprender novas tecnologias, eles liam os documentos mais recentes do setor durante suas horas extras, iam a Bilibili para assistir a palestras e alguns até começaram a aprender com livros didáticos de pós-graduação.

"Modelo grande ponta a ponta" é a mais recente bomba tecnológica na indústria de direção inteligente este ano.

Em janeiro deste ano, a Tesla lançou oficialmente a versão de teste do FSD (pacote de software de direção autônoma) v12 para usuários comuns. Esta versão adota uma solução de rede ponta a ponta e muitos usuários dizem que a experiência é muito mais fácil de usar do que a versão anterior v11.

Certa vez, Musk introduziu o recurso ponta a ponta, chamando-o de “entrada final de imagem, saída final de controle”. Embora muitos membros da indústria tenham expressado ao 36Kr que não acreditam que a solução ponta a ponta da Tesla seja tão radical e mágica no nível prático, a solução ponta a ponta ainda impulsiona os pares domésticos como o mel. Os participantes nacionais acreditam gradualmente que, impulsionados por grandes modelos, grande poder de computação e dados massivos, os sistemas de IA podem funcionar como humanos.

Sentindo a nova tendência tecnológica, as montadoras nacionais e as principais empresas de condução inteligente já tomaram medidas. Jogadores líderes como Huawei, NIO e BYD investiram equipes e recursos para promover soluções ponta a ponta; duas empresas automotivas, Ideal e NIO, também estabeleceram departamentos dedicados de modelo em grande escala para acelerar a implementação de tecnologia. .

A competição por talentos de alto nível também está aumentando aberta e secretamente. Quando o primeiro carro foi lançado no mercado, a fim de acompanhar o progresso da direção inteligente, a Xiaomi contratou o ex-CTO da Tucson China, Wang Naiyan, para ingressar na empresa. Algumas pessoas na indústria de direção inteligente disseram ao 36Kr que a Huawei Smart Driving ainda usa patentes relevantes para ancorar talentos e conduzir mineração direcionada.

O novo plano está de fato estimulando o mercado interno. Mas o outro lado desta moeda é que de ponta a ponta depende fortemente da implementação orientada por dados, em vez do empilhamento manual de um grande número de engenheiros. O tamanho da equipe da Tesla, de cerca de 300 pessoas, é usado como modelo e distribuído entre os principais players.

No entanto, a realidade da indústria é que as actuais equipas de condução inteligentes de jogadores líderes têm quase mil talentos. A BYD, uma empresa automobilística estabelecida que está se atualizando com a direção inteligente, tem uma equipe de software de 3.000 pessoas, e a equipe de direção inteligente da Huawei não fica muito atrás. Quando o mercado está bom, os engenheiros geralmente conseguem pacotes salariais com um salário anual de milhões.

No entanto, muitos engenheiros de direção inteligente acreditam que, se o efeito da solução ponta a ponta for verificado, as demissões nas equipes de direção inteligente das montadoras serão um evento de alta probabilidade.

“Não há necessidade de 200-300 pessoas.” Uma antiga espinha dorsal da direção inteligente de uma nova empresa de automóveis elétricos disse firmemente a 36 Krypton. Mesmo recém-formados com experiência em aprendizado profundo podem ter uma vantagem sobre alguns engenheiros de direção inteligentes que entram em projetos de ponta a ponta.

Alguns headhunters de motoristas inteligentes também sentem claramente que a indústria está transbordando de talentos: as equipes de motoristas inteligentes das montadoras não liberam mais novos cargos e o pessoal está começando a ser simplificado. “Muitos HCs por aí são cargos de zumbis”. de headhunter, ele mudou de rumo e passou a recrutar talentos para empresas de robótica.

Engenheiro bloqueado do lado de fora da porta

O engenheiro de direção inteligente Tian Wei (pseudônimo) disse ao 36Kr que nesta nova revolução tecnológica, os engenheiros do módulo de planejamento e controle serão mais impactados do que o módulo de percepção e o módulo de previsão.

Isto ocorre principalmente porque a solução ponta a ponta é significativamente diferente da solução tradicional de direção inteligente. As soluções tradicionais são divididas em vários módulos, como percepção, posicionamento, mapa, previsão e controle de planejamento. A implementação das funções do módulo é basicamente orientada pelos códigos dos engenheiros. O pessoal dos dois principais departamentos de percepção, planejamento e controle frequentemente representa a maior parte da equipe de direção inteligente.

Mas a característica da solução ponta a ponta é que ela deixa de ser orientada por código por engenheiros para ser orientada por dados. A maneira mais ideal é inserir imagens no sistema, e o sistema pode gerar diretamente o controle do veículo, e os links intermediários são completados pela rede neural de IA.

A julgar pelo progresso dos principais players nacionais, após a introdução da solução ponta a ponta, vários módulos da solução tradicional são transformados através de redes neurais de IA e estão sendo integrados em duas grandes redes: um grande modelo de percepção e uma grande previsão e modelo de tomada de decisão. “Muitas soluções atuais são baseadas em grandes modelos de percepção e conectadas a um grande modelo de planejamento preditivo.”

Uma outra solução integrará percepção, previsão, tomada de decisão e planejamento, que a indústria chama de “Modelo Único”.

A nova rota técnica também traz um novo perfil de talentos para as equipes de direção inteligentes das montadoras.

Um motorista inteligente disse a 36Kr que a equipe ponta a ponta requer menos pessoas, mas os requisitos de limite de talento tornaram-se maiores. O grande modelo em si exige que a equipe tenha um forte histórico de aprendizado profundo “Na fase de construção do projeto, também requer fortes talentos de infra (infraestrutura), um profundo entendimento de cada módulo de percepção, planejamento e controle, e um entendimento dos diferentes. suporte a plataformas de computação de chips, diferentes estruturas de raciocínio de IA, etc.”

No entanto, o número de pessoas responsáveis ​​pela construção e formação do modelo representa apenas uma pequena parte. "Talvez 90% da equipe esteja fornecendo dados ponta a ponta, bem como suporte à cadeia de ferramentas de circuito fechado de dados, etc."

“O grande modelo em si é uma equipe muito capaz”, disse uma pessoa sábia. É por isso que empresas de tecnologia de IA como a OpenAI tinham apenas 200-300 pessoas no início, mas foram capazes de lançar o grande modelo de linguagem ChatGPT e mudar o processo global de IA.

Para os engenheiros, o impacto da tecnologia ponta a ponta também varia.

Um especialista em direção inteligente disse ao 36Kr que entre os dois módulos de percepção e controle, o modelo de grande percepção originalmente contava com tecnologia de aprendizado profundo. Embora a rota de inspeção visual tenha mudado da antiga rede neural convolucional da CNN para o BEV baseado em Transformer, o impacto sobre os engenheiros não foi grande.

Mas para os engenheiros regulatórios, se quiserem aderir de ponta a ponta, eles quase terão que mudar de rumo novamente. Um especialista em direção inteligente disse ao 36Kr que os engenheiros tradicionais de regulação e controle se concentram principalmente em várias direções: previsão de caminho, otimização de caminho, pós-processamento de regras e controle de veículo. “Eles são todos assuntos muito subdivididos e basicamente irrelevantes. Exceto para o módulo de previsão de caminho, os engenheiros de outras áreas basicamente não têm experiência em aprendizado profundo.”

O engenheiro de direção inteligente Tian Wei disse ao 36Kr que se os reguladores quiserem mudar para ponta a ponta, uma direção é o próprio treinamento do modelo, mas isso requer um forte histórico de aprendizado profundo. “É possível que recém-formados que estudam aprendizagem profunda entendam os modelos melhor do que você.”

Em segundo lugar, trata-se de mineração e processamento de dados para fornecer nutrição de dados de ponta a ponta. "Mas se a infraestrutura da cadeia de ferramentas for concluída e a estrutura do modelo for estabilizada, as pessoas podem não ser mais necessárias." e ainda requer um pequeno número de engenheiros para escrever. As regras são claras.

Os engenheiros também estão preocupados com isso. “Por um lado, o grande modelo ponta a ponta em si não requer tantas pessoas. Por outro lado, todo mundo quer fazer ponta a ponta, mas o negócio de produção em massa da empresa precisa de pessoas para administrá-lo.”

Um funcionário da Zhijia também ficou chateado por ter perdido a oportunidade de se juntar à equipe do projeto de ponta a ponta por causa do atual projeto de produção em massa da empresa. Mas ele também está muito emaranhado: mesmo que entre na solução ponta a ponta, é para apoiar a nova solução, mas esta não é a posição central do grande modelo em si;

E se você permanecer em sua posição atual de projeto de produção em massa, poderá acumular uma experiência completa em projetos de produção em massa de direção inteligente, e ela também poderá ser transferida para montadoras tradicionais nos próximos anos.

Mas outro perigo surgirá. Assim que a solução ponta a ponta for popularizada em toda a indústria, a pilha de tecnologia que ele acumulou durante muitos anos também enfrentará o risco de ser eliminada em alguns anos. “Talvez eu tenha que deixar a indústria de direção inteligente.”

Divisão de tecnologia, jogo de recursos

Para passar para a equipe de projeto ponta a ponta, o engenheiro Tian Wei partiu diretamente do curso de pós-graduação em aprendizado profundo.

Ele encontrou um curso clássico de aprendizado profundo e uma placa gráfica, e usou os cursos práticos do livro para implementar alguns algoritmos simples de reconhecimento de imagem. "Pelo menos você deve primeiro entender completamente os pontos de conhecimento antes de poder entender como o modelo em si funciona."

Depois de dois meses de leitura e prática, Tian Wei finalmente sentiu que poderia entender algum modelo de código-fonte aberto de ponta a ponta. Ele solicitou à empresa a transferência para a equipe do projeto ponta a ponta.

Na verdade, não apenas Tian Wei está ansioso, mas a empresa de direção inteligente onde Tian Wei trabalha está ainda mais ansiosa do que ele. Ele disse a 36Kr que sua empresa está cooperando com uma empresa automobilística para desenvolver uma solução de produção em massa para uma direção inteligente, mas também há uma equipe dentro da empresa automobilística que está promovendo de ponta a ponta “Toda a empresa está muito ansiosa e tem. já iniciou o plano de ponta a ponta.”

Tian Wei disse que, de acordo com o entendimento da empresa, uma demonstração ponta a ponta pode ser treinada com apenas 2.000 horas de dados de vídeo, e esse nível de dados pode ser concluído em um ou dois meses usando 50 veículos.

Mas Tian Wei sabe muito bem que com os recursos existentes da empresa, só pode apoiar o treinamento de uma demonstração ponta a ponta para comprovar a viabilidade da solução. Ainda existe uma grande lacuna entre a demonstração e a produção em massa.

Este novo jogo de divisão tecnológica será refletido primeiro na divisão de recursos.

O CEO da Tesla, Musk, certa vez enfatizou a importância dos dados de ponta a ponta: "Treinar com 1 milhão de casos de vídeo mal é suficiente; com 2 milhões, é um pouco melhor; com 3 milhões, você vai se sentir uau quando chegar." 10 milhões, torna-se inacreditável.”

Por outro lado, existem recursos de computação. Musk também comprou treinamento de placas gráficas NVIDIA em grande escala, dizendo que até o final do ano, seu poder de computação de treinamento de inteligência artificial será equivalente a 90.000 NVIDIA H100s. A reserva e a demanda por poder computacional são surpreendentes.

Este limite é bastante elevado. Para as empresas de direção inteligente que ainda estão lutando para ganhar dinheiro, por um lado, elas não cooperam com as montadoras, por isso é difícil para as empresas de direção inteligente coletarem dados de treinamento por si mesmas, por outro lado, os chips de treinamento em nuvem são difíceis; encontrar na China. Muitas montadoras os estão adquirindo a preços elevados. "Os projetos de produção em massa e o financiamento ainda não são claros e é difícil investir em investimentos de longo prazo de ponta a ponta."

Outro engenheiro de direção inteligente também se sentiu desamparado. Depois de desenvolver o projeto ponta a ponta por menos de meio ano, ele recebeu uma notificação da empresa para suspender o projeto ponta a ponta. A razão é que a empresa precisa concentrar a sua energia e recursos no desenvolvimento da atual solução de condução inteligente sem mapas urbanos, que “consome demasiados recursos de ponta a ponta”.

O que o engenheiro sentiu foi uma pena que a demonstração completa feita por sua equipe estivesse pronta para ser lançada. A equipe inicialmente teve como objetivo avaliar o FSD da Tesla e até despendeu grandes esforços para construir cadeias de ferramentas e outras infraestruturas. Mas com a suspensão da estratégia ponta a ponta da empresa, o foco de pesquisa e desenvolvimento da equipe mudou para o campo da robótica.

A nova tecnologia de ponta a ponta ainda não foi verdadeiramente implementada na China, mas o seu impacto na remodelação da estrutura de talentos e da estrutura ecológica da indústria de condução inteligente começou a aparecer.

Apesar disso, os principais intervenientes continuarão a dar o seu melhor para embarcar neste comboio disruptivo, e a era dos gigantes que controlam os recursos de dados, recursos de chips e recursos humanos chegará.

(Qin Feng e Tian Wei são pseudônimos no artigo.)