noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Texto 丨Anqi Li

Editor: Li Qin

"O adoptar el principio a fin o abandonar la industria de la conducción inteligente en unos años".

Después de ingresar a la industria de la conducción inteligente durante varios años, el ingeniero de conducción inteligente Qin Feng (seudónimo) ya se ha adaptado al ritmo feroz de involución en la industria de la conducción inteligente. Pero cuando llega la nueva tecnología "modelo grande de extremo a extremo", siente que la primera persona en verse afectada puede que no sean los conductores humanos, sino él mismo como ingeniero.

Este tipo de ansiedad no es exclusivo de Qin Feng. Muchos ingenieros de conducción inteligente le dijeron a 36Kr que para aprender nuevas tecnologías, leyeron los últimos artículos de la industria durante sus horas extras, fueron a Bilibili para asistir a conferencias y algunos incluso comenzaron a aprender de los libros de texto de la escuela de posgrado.

El "modelo grande de extremo a extremo" es la última bomba tecnológica en la industria de la conducción inteligente este año.

En enero de este año, Tesla lanzó oficialmente la versión de prueba de FSD (paquete de software de conducción autónoma) v12 para usuarios normales. Esta versión adopta una solución de red de un extremo a otro y muchos usuarios dicen que la experiencia es mucho más fácil de usar que la versión v11 anterior.

Musk introdujo una vez la capacidad de un extremo a otro, llamándola "entrada final de imagen, salida final de control". Aunque muchos expertos de la industria expresaron a 36Kr que no creen que la solución de extremo a extremo de Tesla sea tan radical y mágica en el nivel práctico, la solución de extremo a extremo todavía impulsa a sus pares nacionales como la miel. Los actores nacionales creen gradualmente que, impulsados ​​por grandes modelos, una gran potencia informática y datos masivos, los sistemas de inteligencia artificial pueden conducirse como humanos.

Al percibir la nueva tendencia tecnológica, las empresas automotrices nacionales y las principales empresas de conducción inteligente ya han tomado medidas. Actores líderes como Huawei, NIO y BYD han invertido equipos y recursos para promover soluciones de extremo a extremo. Dos compañías automotrices, Ideal y NIO, también han establecido departamentos dedicados de modelos a gran escala de extremo a extremo para acelerar la implementación de tecnología; .

La competencia por talentos de alto nivel también está aumentando de manera abierta y encubierta. Cuando se lanzó el primer automóvil al mercado, para ponerse al día con el progreso de la conducción inteligente, Xiaomi Motors contrató al ex director tecnológico de Tucson China, Wang Naiyan, para unirse a la empresa. Algunas personas en la industria de la conducción inteligente le dijeron a 36Kr que Huawei Smart Driving incluso utiliza patentes relevantes para anclar talentos y realizar minería dirigida.

De hecho, el nuevo plan está impulsando el mercado interno. Pero la otra cara de esta moneda es que de un extremo a otro depende en gran medida de una implementación basada en datos en lugar de la acumulación manual de una gran cantidad de ingenieros. El tamaño del equipo de Tesla de unas 300 personas se utiliza como modelo y se distribuye entre los principales actores.

Sin embargo, la realidad en la industria es que los equipos de conducción inteligentes actuales de jugadores líderes tienen casi mil talentos. BYD, una empresa automovilística establecida que persigue la conducción inteligente, tiene un equipo de software de 3.000 personas, y el equipo de conducción inteligente de Huawei no se queda atrás. Cuando el mercado es bueno, los ingenieros generalmente pueden obtener paquetes salariales con un salario anual de millones.

Sin embargo, muchos ingenieros de conducción inteligente creen que si se verifica aún más el efecto de la solución de extremo a extremo, los despidos en los equipos de conducción inteligente de las empresas automotrices serán un evento de alta probabilidad.

"No se necesitan entre 200 y 300 personas", dijo firmemente a 36 Krypton un antiguo pilar de la conducción inteligente de una nueva empresa de automóviles eléctricos. Incluso los recién graduados con experiencia en aprendizaje profundo pueden tener una ventaja sobre algunos ingenieros de conducción inteligentes que ingresan a proyectos de principio a fin.

Algunos cazatalentos de conducción inteligente también sienten claramente que la industria está repleta de talentos: los equipos de conducción inteligente de las empresas automovilísticas ya no liberan nuevos puestos y el personal está empezando a racionalizarse. "Muchos HC que andan por ahí son puestos zombis". De cazatalentos, cambió de rumbo y se dedicó a reclutar talentos para empresas de robótica.

Ingeniero bloqueado afuera de la puerta

El ingeniero de conducción inteligente Tian Wei (seudónimo) dijo a 36Kr que en esta nueva revolución tecnológica, los ingenieros del módulo de planificación y control se verán más afectados que el módulo de percepción y el módulo de predicción.

Esto se debe principalmente a que la solución de extremo a extremo es significativamente diferente de la solución de conducción inteligente tradicional. Las soluciones tradicionales se dividen en múltiples módulos, como percepción, posicionamiento, mapa, predicción y control de planificación. La implementación de las funciones del módulo está básicamente impulsada por códigos de ingenieros. El personal de los dos departamentos principales de percepción, planificación y control suele representar la mayor parte del equipo de conducción inteligente.

Pero la característica de la solución de un extremo a otro es que pasa de estar basada en código por ingenieros a estar basada en datos. La forma más ideal es ingresar imágenes al sistema, y ​​el sistema puede generar directamente el control del vehículo, y los enlaces intermedios los completa la red neuronal de IA.

A juzgar por el progreso de los principales actores nacionales, después de la introducción de la solución de extremo a extremo, múltiples módulos de la solución tradicional se transforman a través de redes neuronales de IA y se integran en dos grandes redes: un gran modelo de percepción y un gran modelo de predicción. y modelo de toma de decisiones. "Muchas soluciones actuales se basan en grandes modelos de percepción y están conectadas a un gran modelo de planificación predictiva".

Otra solución integrará percepción, predicción, toma de decisiones y planificación, lo que la industria denomina "modelo único".

La nueva ruta técnica también cuenta con un nuevo perfil de talento para los equipos de conducción inteligente de las empresas automovilísticas.

Un conductor inteligente le dijo a 36Kr que el equipo de extremo a extremo requiere menos personas, pero los requisitos de umbral de talento se han vuelto más altos. El modelo grande en sí requiere que el equipo tenga una sólida experiencia en aprendizaje profundo. “En la fase de construcción del proyecto, también requiere sólidos talentos de infraestructura, una comprensión profunda de cada módulo de percepción, planificación y control, y una comprensión de los diferentes. soporte de plataformas informáticas de chips, diferentes marcos de razonamiento de IA, etc.

Sin embargo, el número de personas responsables de la construcción y formación del modelo sólo representa una pequeña parte. "Quizás el 90% del equipo proporciona datos de un extremo a otro, así como soporte de cadena de herramientas de circuito cerrado de datos, etc."

"El gran modelo en sí es un equipo muy capaz", dijo una persona sabia. Es por eso que las empresas de tecnología de inteligencia artificial como OpenAI solo tenían entre 200 y 300 personas en sus inicios, pero pudieron lanzar el modelo de lenguaje grande ChatGPT y cambiar el proceso global de inteligencia artificial.

Para los ingenieros, el impacto de la tecnología de extremo a extremo también varía.

Un experto en conducción inteligente le dijo a 36Kr que entre los dos módulos de percepción y control, el modelo de percepción grande originalmente se basaba en tecnología de aprendizaje profundo. Aunque la ruta de inspección visual ha pasado de la antigua red neuronal convolucional CNN a BEV basada en transformadores, el impacto en los ingenieros no ha sido grande.

Pero los ingenieros reguladores, si quieren unirse de un extremo a otro, casi tienen que volver a cambiar de vía. Un experto en conducción inteligente dijo a 36Kr que los ingenieros de regulación y control tradicionales se centran principalmente en varias direcciones: predicción de trayectoria, optimización de trayectoria, posprocesamiento de reglas y control del vehículo. "Todos son temas muy subdivididos y básicamente irrelevantes. A excepción del módulo de predicción de ruta, los ingenieros en otras direcciones básicamente no tienen experiencia en aprendizaje profundo".

El ingeniero de conducción inteligente Tian Wei dijo a 36Kr que si los reguladores quieren cambiar a un extremo a otro, una dirección es el entrenamiento del modelo en sí, pero esto requiere una sólida experiencia en aprendizaje profundo. "Es posible que los recién graduados que estudian aprendizaje profundo comprendan los modelos mejor que usted".

En segundo lugar, se trata de extracción y procesamiento de datos para proporcionar nutrición de datos de un extremo a otro. "Pero si se completa la infraestructura de la cadena de herramientas y se estabiliza la estructura del modelo, es posible que ya no se necesiten personas". Finalmente, existe el posprocesamiento del modelo. La salida de la trayectoria del modelo grande de extremo a extremo no es confiable. y todavía requiere un pequeño número de ingenieros para escribir Las reglas son claras.

Los ingenieros también están preocupados por esto. "Por un lado, el modelo grande de extremo a extremo en sí no requiere tanta gente. Por otro lado, todo el mundo quiere hacerlo de un extremo a otro, pero el negocio de producción en masa de la empresa necesita gente para gestionarlo".

Un empleado de Zhijia también estaba molesto porque perdió la oportunidad de unirse al equipo del proyecto de principio a fin debido al actual proyecto de producción en masa de la empresa. Pero también está muy enredado: incluso si ingresa a la solución de extremo a extremo, es para apoyar la nueva solución, pero esta no es la posición central del modelo grande en sí;

Y si permanece en su puesto actual de proyectos de producción en masa, puede acumular una experiencia completa en proyectos de producción en masa de conducción inteligente, y también puede transferirse a empresas de automóviles tradicionales en los próximos años.

Pero vendrá otro peligro una vez que la solución de extremo a extremo se popularice en toda la industria, la pila de tecnología que ha acumulado durante muchos años también correrá el riesgo de ser eliminada en unos pocos años. "Quizás tenga que dejar la industria de la conducción inteligente".

División de tecnología, juego de recursos.

Para pasar al equipo del proyecto de un extremo a otro, el ingeniero Tian Wei comenzó directamente desde el curso de posgrado en aprendizaje profundo.

Encontró un curso clásico sobre aprendizaje profundo y una tarjeta gráfica, y utilizó los cursos prácticos del libro de texto para implementar algunos algoritmos simples de reconocimiento de imágenes. "Al menos primero debes comprender a fondo los puntos de conocimiento antes de poder comprender cómo funciona el modelo en sí".

Después de dos meses de lectura y práctica, Tian Wei finalmente sintió que podía comprender algún código fuente abierto de modelo grande de extremo a extremo. Ha solicitado a la empresa ser transferido al equipo del proyecto de principio a fin.

De hecho, no solo Tian Wei está ansioso, sino que la empresa de conducción inteligente donde trabaja Tian Wei está incluso más ansiosa que él. Le dijo a 36Kr que su empresa está cooperando con una empresa de automóviles para desarrollar una solución de producción en masa para la conducción inteligente, pero también hay un equipo dentro de la empresa de automóviles que está promoviendo de principio a fin: “Toda la empresa está muy ansiosa y lo ha hecho. Ya hemos iniciado el plan de principio a fin”.

Tian Wei dijo que, según el entendimiento de la compañía, se puede entrenar una demostración de un extremo a otro con solo 2000 horas de datos de video, y este nivel de datos se puede completar en uno o dos meses utilizando 50 vehículos.

Pero Tian Wei sabe muy bien que con los recursos existentes de la empresa, solo puede respaldar la capacitación de una demostración de un extremo a otro para demostrar la viabilidad de la solución. Todavía existe una gran brecha entre la demostración y la producción en masa.

Este nuevo juego de división de tecnología se reflejará primero en la división de recursos.

El director ejecutivo de Tesla, Musk, enfatizó una vez la importancia de los datos de un extremo a otro: "Entrenar con 1 millón de casos de video es apenas suficiente; con 2 millones, es un poco mejor; con 3 millones, te sentirás increíble cuando llegue; 10 millones, se vuelve increíble”.

Por otro lado, hay recursos de potencia informática. Musk también compró capacitación en tarjetas gráficas NVIDIA a gran escala y dijo que para fin de año, su potencia informática de capacitación en inteligencia artificial será la potencia informática equivalente a 90.000 NVIDIA H100. Las reservas y la demanda de potencia informática son asombrosas.

Este umbral es bastante alto. Para las empresas de conducción inteligente que todavía luchan por ganar dinero, por un lado, no cooperan con las empresas de automóviles, por lo que es difícil para las empresas de conducción inteligente recopilar datos de entrenamiento por sí mismas, y por otro lado, los chips de entrenamiento en la nube son difíciles; encontrar en China. Muchas empresas automovilísticas los están adquiriendo a precios elevados. "Los proyectos de producción en masa y la financiación aún no están claros y es difícil invertir en inversiones a largo plazo de principio a fin".

Otro ingeniero de conducción inteligente también se sintió impotente. Después de desarrollar el proyecto de principio a fin durante menos de medio año, recibió un aviso de la empresa para suspenderlo. La razón es que la empresa necesita concentrar su energía y recursos en desarrollar la actual solución de conducción inteligente sin mapas urbanos, que "consume demasiados recursos de un extremo a otro".

Lo que el ingeniero sintió fue una lástima que la demostración de un extremo a otro realizada por su equipo estuviera lista para funcionar. Inicialmente, el equipo tenía como objetivo comparar el FSD de Tesla e incluso dedicó grandes esfuerzos a construir cadenas de herramientas y otra infraestructura. Pero con la suspensión de la estrategia integral de la empresa, el enfoque de investigación y desarrollo del equipo se ha desplazado al campo de la robótica.

La nueva tecnología de extremo a extremo aún no se ha implementado realmente en China, pero su impacto en la remodelación de la estructura del talento y la estructura ecológica de la industria de la conducción inteligente ha comenzado a aparecer.

A pesar de esto, los actores líderes seguirán haciendo todo lo posible para subirse a este tren disruptivo, y llegará la era de los gigantes que controlan los recursos de datos, los recursos de chips y los recursos humanos.

(Qin Feng y Tian Wei son seudónimos en el artículo).