noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

el ceo de tesla, elon musk, lanzó una transmisión en vivo del software de conducción inteligente fsd v12 de tesla en 2023: el tesla en el video se basa en la última tecnología de extremo a extremo y el software ha eliminado una gran cantidad de códigos de reglas de ingenieros, en su lugar utiliza el principal algoritmo de red neuronal. el vehículo se basa en visión autónoma y redes neuronales para indicar dónde reducir la velocidad, identificar los semáforos y cualquier actor en la carretera, y tomar decisiones autónomas.

posteriormente, esta tecnología desencadenó un gran debate e interés por parte de la industria, los entusiastas de la tecnología e incluso los consumidores comunes de automóviles.

se trata de una nueva ronda de recuperación del paradigma de la conducción inteligente. a día de hoy, todavía surgen muchas opiniones en el mercado chino:

la aparición de la tecnología de extremo a extremo ha nivelado la línea de partida para muchas empresas automotrices involucradas en la conducción inteligente. ahora todos estamos nuevamente en un punto de partida, iniciando una carrera de larga distancia en datos y potencia informática.

la tecnología de extremo a extremo se ve afectada por datos sólidos. la construcción de modelos y la cantidad de adquisición de datos, especialmente la adquisición de datos de calidad efectivos, afectan la rápida iteración de la tecnología.

en el mercado chino, los fabricantes de automóviles independientes con "ventaja local" se han embarcado en otra carrera de larga distancia por la conducción inteligente. al mismo tiempo, hay muchas opiniones de que el liderazgo de tesla en fsd desaparecerá en esta etapa.

el dr. lang xianpeng, vicepresidente de i+d de conducción inteligente de li auto, también cree que,en términos de arquitectura técnica, la última solución de ideal no es muy diferente de la de tesla, e incluso está un poco por delante. porque idealmente tiene un modelo vlm y un sistema 2, tesla solo tiene un sistema 1 de extremo a extremo.

el modelo de extremo a extremo de li auto es un modelo integrado de extremo a extremo, que es ligeramente diferente del de extremo a extremo de otras empresas de automóviles en el mercado.

la tecnología convencional de extremo a extremo utiliza únicamente modelos de inteligencia artificial y autoaprendizaje mecánico para reemplazar los módulos de percepción, planificación y control en el proceso de conducción inteligente, desde el extremo de la "entrada" visual hasta el sistema de conducción inteligente y el control final del vehículo. el lado "salida" de la conducción está completamente a cargo del modelo. una tecnología puramente "de extremo a extremo" ya no establece códigos basados ​​en reglas en este proceso y se convierte en una completa caja negra.

sin embargo, muchas empresas automovilísticas del mercado, incluidos fabricantes relativamente avanzados como tesla, huawei y xpeng, todavía establecen ciertos algoritmos subyacentes responsables de la redundancia de seguridad. el control de percepción y planificación puede ser módulos relativamente independientes y las interfaces aún deben definirse y conectarse manualmente.

el one model integrado de extremo a extremo está destinado a unir los módulos de control de percepción y planificación. idealmente se llama sistema 1 internamente y es más como un controlador para ejecutar rápidamente decisiones de un extremo a otro.

en el pasado, las aplicaciones integrales en el campo de la conducción inteligente a menudo encontraban el problema del límite superior alto pero también del límite inferior bajo. por ejemplo, tesla, el líder de la industria, realizó pruebas sin problemas en california, ee. uu., y se comportó de manera muy similar a un conductor humano. sin embargo, una vez que ingrese a un área desconocida, tendrá decisiones regulatorias difíciles de explicar.

este es uno de los inconvenientes del extremo a extremo.

el enfoque ideal es presentar el sistema 2, el modelo de lenguaje visual vlm, y dar un paso más.

idealmente, el modelo de lenguaje visual vlm es el primer modelo grande del mundo implementado con éxito en un chip del lado del automóvil y tiene la capacidad de manejar el pensamiento lógico y la toma de decisiones en escenarios complejos.

además de one model de extremo a extremo, system 2 - vlm es otro conjunto de algoritmos modelo que ayudan al sistema 1 en la planificación y la toma de decisiones. el sistema 2 basado en vlm puede brindar la capacidad de comprender entornos complejos, la capacidad de leer mapas de navegación y la capacidad de comprender las reglas de tráfico.

lang xianpeng dio a esta combinación una explicación más popular: el sistema 1 es como un conductor y el sistema 2 es un instructor de escuela de manejo. el sistema 1 depende completamente de su propia percepción visual para realizar operaciones. el sistema 2 necesita acumular conocimiento durante un largo período de tiempo para recordar e informar al sistema 1.

zhan kun, experto en algoritmos avanzados para la conducción inteligente de li auto, y su equipo fueron los primeros en proponer este concepto. siguiendo el ejemplo de daniel kahneman, psicólogo cognitivo y premio nobel, cree que el cerebro humano tiene dos sistemas: el primer sistema se basa en la experiencia y la intuición, y el segundo aprende y acumula conocimientos de forma integral.

los dos sistemas contribuyen a la conducción inteligente ideal, lo que también hace que la solución de conducción inteligente ideal sea completamente diferente de la de otras empresas de automóviles.

en el mercado estadounidense, tesla fsd es líder en términos de potencia informática y datos.

pero en el mercado chino, la estrategia ideal parece ser recrear una "china tesla smart driving road" para posicionarse más adelante.

lang xianpeng dijo: "en términos de capacidad informática de capacitación y datos de capacitación, creemos que al menos a partir de ahora estamos por delante de tesla, porque tesla todavía está sujeto a algunas limitaciones en términos de cumplimiento de datos y capacidad informática de capacitación. construirse en china.”

ideal también introduce un sistema de modelo mundial en el proceso de prueba de datos.

ideal dijo que el modelo mundial admite la iteración a gran escala y alta velocidad de una nueva generación de conducción inteligente ideal, proporciona un sistema automatizado de evaluación de capacidades de ia y utiliza tecnología de reconstrucción para convertir los escenarios problemáticos encontrados por los usuarios en "conjuntos de preguntas incorrectos". y utiliza tecnología de generación para transformar a los usuarios en "conjuntos de preguntas incorrectas". las escenas de conducción reales se utilizan como "preguntas de simulación". las dos tecnologías garantizan que las preguntas incorrectas ya no se realicen incorrectamente durante la evaluación del modelo y también tienen excelentes capacidades de generalización. .

basado en la solución técnica de ideal one model+vlm+modelo mundial, esto también lleva una nueva generación de productos de conducción inteligente ideal a una nueva etapa de "conducción autónoma supervisada".

ideal es la primera empresa en implementar vlm en chips orin-x y la primera empresa de automóviles en adoptar una arquitectura de sistema dual. en china, ideal ya tiene un volumen de ventas cercano al millón, lo que inevitablemente aumentará la proporción de datos efectivos. el kilometraje de entrenamiento acumulado actual de li auto ha superado los 2.200 millones de kilómetros y se espera que supere los 3 mil millones de kilómetros para finales de 2024. la potencia informática de entrenamiento actual de li auto ha alcanzado los 5,39 eflops y se espera que supere los 8 eflops para finales de 2024.

sin embargo, el sector sigue discutiendo sobre la aplicación y las perspectivas de la tecnología de extremo a extremo: algunos piensan que la conducción inteligente no se puede lograr sin 50 mil millones, mientras que otros creen que al menos en los próximos años, de extremo a extremo los algoritmos de modelos basados ​​​​en reglas y las funciones de un solo módulo seguirán siendo paralelos, puramente de un extremo a otro, sigue siendo una tontería.

hasta cierto punto, los resultados de las pruebas del ideal user experience group han verificado la racionalidad actual de este camino. en cualquier caso, li auto tomó la iniciativa al dar este paso.

dr. lang xianpeng, vicepresidente de i+d de conducción inteligente de li auto, y zhan kun, experto sénior en algoritmos de li auto intelligent driving

la siguiente es una breve descripción del intercambio con el dr. lang xianpeng, vicepresidente de investigación y desarrollo de conducción inteligente de li auto, y zhan kun, experto senior en algoritmos de li auto intelligent driving. la conversación se ha editado sin modificar el significado original:

pregunta: todos en el mercado dicen que son de extremo a extremo. ¿cuál es el verdadero extremo a extremo?

zhan kun:de extremo a extremo es un paradigma de investigación y desarrollo, como sugiere el nombre, se refiere a realizar una tarea desde el extremo de entrada inicial hasta el extremo de salida final. no se utiliza ningún otro proceso en el medio. proceso de entrada a salida. esto es de extremo a extremo. el significado esencial de de extremo a extremo, siempre que cumpla con este significado, podemos llamarlo de extremo a extremo.

ahora el automóvil ideal es un modelo one integrado de extremo a extremo. a través de la entrada directa del sensor, una vez completada la inferencia del modelo, la planificación de trayectoria se utiliza directamente para controlar el automóvil. otros pasos intermedios. también existe un método de extremo a extremo, que consiste en dividir dos modelos por la mitad. se utiliza una señal como puente entre los modelos. la entrada es un modelo de percepción y los resultados de la percepción se ingresan en el modelo de control. y se combinan en un modelo modular de extremo a extremo, esto también se puede llamar de extremo a extremo, pero creemos que ese tipo de extremo a extremo no es realmente de extremo a extremo. . el propio li auto de extremo a extremo quiere resolver la pérdida de información intermedia. si se agrega un proceso de digestión de información artificial en el medio, la eficiencia puede no ser tan alta o el límite superior de capacidades puede verse limitado. que la integración de extremo a extremo es la más esencial de extremo a extremo.

pregunta: ¿estamos inspirados en tesla? ¿existen diferencias en comparación con los módulos tradicionales de un extremo a otro?

zhan kun:tesla mencionó el concepto de extremo a extremo a principios de 2023, y musk dijo en twitter que representa un modelo completo de control directo del automóvil desde la entrada hasta la salida. todos se sorprendieron al ver esta noticia, porque no solo propusieron esto. en 2016, nvidia tenía un modelo que mencionaba de extremo a extremo y publicó un artículo, pero el efecto fue promedio y solo resolvió el problema. en un escenario particularmente simple, dada la potencia informática y la escala del modelo en ese momento, todos pensaron que este camino era inviable.

para 2023, se agregará potencia informática supergrande a la nueva arquitectura de transformadores. después de que tesla la construya, puede haber un resurgimiento de un nuevo paradigma. de extremo a extremo no es lo primero que ha propuesto tesla, pero está avanzando en una dirección de mayor crecimiento. después de ver esto, también pensamos internamente. en comparación con el modelo modular anterior, el enfoque de extremo a extremo es más esencial para reducir la redundancia de información diversa. en el modelo sin gráficos, estamos cerca del modelo modular de extremo a extremo. tenemos un modelo de percepción grande, que en realidad es un modelo modular de extremo a extremo. aun así, descubrimos que el modelo de un extremo a otro todavía necesita reglas y todavía hay datos divididos en módulos y tareas de políticas divididas en módulos.

esta vez, en nuestra discusión y concepción de nuevas soluciones, propusimos que la solución de extremo a extremo debe ser más exhaustiva y esencial. li auto tiene datos muy ricos y creemos que estos datos pueden ayudarnos a hacer un buen trabajo. ésta es nuestra ventaja. por eso elegimos una arquitectura integrada de extremo a extremo que es más desafiante y difícil. su límite superior es muy alto, pero su desventaja es que es más difícil entrenar el módulo de puntuación, incluida la proporción de datos y los métodos de entrenamiento. mucho conocimiento para explorar y excavar, pero aun así elegimos resueltamente el camino difícil pero correcto.

pregunta: muchas marcas ahora afirman ser líderes y li auto también dice que ha entrado en el primer escalón de la conducción inteligente. ¿cómo evaluar el nivel técnico de extremo a extremo de estas empresas en el mercado?

lang xianpeng:desde un punto de vista técnico, a los consumidores comunes no les importa si hay imágenes o no, de un extremo a otro o de un extremo a otro. en última instancia, todo el mundo se centra en el producto y la experiencia de uso. así como el valor del producto. por lo tanto, no intentamos competir con nadie, pero esperamos brindar mejores productos y servicios a nuestros usuarios. en el pasado, noa de alta velocidad se utilizaba con mapas de alta precisión y la experiencia noa de alta velocidad satisfacía las necesidades de los usuarios. a continuación, probamos muchos métodos en el proceso de crear noa de la ciudad. una de las ideas muy simples fue usar mapas para crear noa de la ciudad. sin embargo, descubrimos que no había ningún distribuidor de mapas que pudiera proporcionar mapas de alta precisión de la ciudad. proporcionar imágenes luminosas. pero creemos que los gráficos ligeros no son factibles, porque una vez que se necesitan gráficos iterativos, surgen problemas en cuanto a la puntualidad y si realmente se pueden utilizar. no podemos permitir que los usuarios sientan que un lugar que está disponible hoy no lo estará mañana.

al final decidimos hacerlo sin fotos. la solución anterior sin imágenes se basaba en la percepción, la planificación y las soluciones de submódulos, que incluían una gran cantidad de reglas manuales y pruebas reales de vehículos. sin mencionar la inversión presupuestaria, era muy difícil en términos de tiempo. cuando se repite el modelo, si desea ejecutar varias condiciones a lo largo del año, no será posible dentro de uno o dos años, y los usuarios no pueden esperar tanto. entonces iteramos hacia la arquitectura técnica de extremo a extremo + vlm. creo que esta solución técnica es esencialmente una solución de inteligencia artificial. no fue diseñada, sino que creció por sí sola.

además, hoy les presenté el contenido del modelo mundial. en mi opinión, esta capacidad es la garantía más importante y necesaria para lograr una rápida iteración de la conducción autónoma.una iteración de modelo requeriría una gran cantidad de vehículos, personas y tiempo para ser probada de la manera tradicional, pero ahora utilizamos tecnología de generación y reconstrucción para recopilar las escenas donde ocurrieron problemas en el pasado y construir una biblioteca de escenarios de escenas incorrectas.antes de cada lanzamiento, se realizaron más de 10 millones de kilómetros de pruebas sobre preguntas simples incorrectas, y este es un conjunto efectivo de preguntas incorrectas, no una prueba práctica aleatoria. además, también podemos generar escenarios y simular escenarios, que también son decenas de millones de pruebas de escenarios. la iteración del modelo de esta manera es ahora mucho más confiable que el vehículo original o el método de prueba en carretera, y puede cubrir varios escenarios a lo largo del año. este es nuestro enfoque. no sabemos si otras marcas hacen lo mismo, pero nos basamos completamente en las necesidades del usuario. repetimos la tecnología, no por el bien de la tecnología, sino porque esta tecnología realmente puede resolver las necesidades de los usuarios y brindar una mejor experiencia de producto, entonces lo haremos.

pregunta: no hace mucho alguien propuso la idea de que "es imposible conducir de forma inteligente sin 50 mil millones".

lang xianpeng:con respecto a los 50 mil millones, es necesario juzgar si se trata de una inversión única o de una inversión a largo plazo. como se mencionó hoy, invertimos mil millones de dólares estadounidenses en investigación y desarrollo de conducción inteligente cada año durante 10 años consecutivos. superará los 50 mil millones.

la arquitectura técnica de extremo a extremo + vlm es un hito.antes, todavía usábamos métodos tradicionales para la conducción autónoma. a partir de esta generación, realmente estamos usando inteligencia artificial para la conducción autónoma. a continuación, en la investigación y el desarrollo de la conducción autónoma, la competencia principal es si hay más y mejores datos y la potencia informática correspondiente para entrenar el modelo. la adquisición de potencia informática y datos depende de cuánto dinero se gasta y cuántos recursos se invierten. algunas de estas cosas no se pueden comprar con dinero, como los datos de entrenamiento y el kilometraje de entrenamiento. cada empresa de automóviles tiene sus propios datos y no los comparte entre sí.

otra cosa que requiere inversión es la potencia informática.se espera que nuestra potencia informática actual de 539 millones de eflops sea de 800 millones de eflops para finales de este año. esto ya no es mil millones de yuanes, sino un costo de 2 mil millones de yuanes, que consumirá 2 mil millones de yuanes al año. al entrar en la etapa l4 en el futuro, el crecimiento anual de los datos y la potencia informática será exponencial, lo que significa que se necesitarán al menos mil millones de dólares estadounidenses (seis a siete mil millones de yuanes) cada año. y después de 5 años, será necesario seguir iterando. a este nivel, será muy difícil si las ganancias y los beneficios de una empresa no pueden soportar la inversión. por lo tanto, ahora no necesitamos prestar atención a cuántos miles de millones se invierten en la conducción autónoma. en lugar de eso, partimos de la esencia y vemos si hay suficiente potencia informática y soporte de datos, y luego analizamos cuánto dinero se necesita invertir. .

pregunta: ¿cómo garantizar la seguridad del modelo cuando la cantidad de datos no es muy grande? desde un punto de vista conceptual, ¿somos ahora también una especie de "dos modelos"?

lang xianpeng:la "seguridad" es un tema que ha llamado mucho la atención, si hay problemas de coordinación, si hay módulos de seguridad independientes, etc. la razón por la que todo el mundo tiene estos problemas es porque todo el mundo piensa desde la perspectiva de la investigación y el desarrollo de la conducción autónoma sin ia en el pasado. por ejemplo, yo montaba a caballo. él me preguntaba si había una silla de montar en el coche. es porque no todo el mundo ha entendido realmente qué son las prácticas de ia y cuáles son las prácticas que no son de ia. este es el primer punto.

en segundo lugar, muchas personas ahora dicen que tienen un modelo de extremo a extremo, pero el modelo de extremo a extremo real todavía depende de dos capacidades: si hay suficientes datos y si hay suficiente potencia informática. de lo contrario, creo que será difícil lograr un verdadero punto a punto, porque el punto a punto es un enfoque de ia.

en tercer lugar, los límites superior e inferior de las capacidades de un extremo a otro son muy altos. permítanme hacer una analogía. antes de que apareciera cnn (modelo de red neuronal profunda), todos todavía usaban métodos tradicionales de aprendizaje automático para realizar algunos trabajos, como las tareas de clasificación de imágenes con las que estamos familiarizados. en ese momento, los algoritmos svm encontraron cuellos de botella. pero tan pronto como salió cnn, se sintieron abrumados y suprimieron su mejora de más del 10%. lo que quiero expresar es que no todos han entendido realmente las capacidades de un extremo a otro y no nos apresuraremos a implementarlas para los usuarios beta internos.

cuando utilizamos métodos que no son de ia, debemos considerar muchos escenarios en términos de detalles de control vertical. de esta manera, al diseñar reglas de escena, debemos establecer muchas condiciones para estipular qué acciones se deben tomar en determinadas condiciones. condiciones. pero cuando entrenamos nuestra primera versión del modelo de extremo a extremo, descubrí que sería muy cómodo en cada intersección o en condiciones que requieran control longitudinal. no depuramos situaciones especiales, sino la capacidad del modelo para entrenarse a sí mismo. se puede encontrar que tenemos un gran problema a la hora de establecer reglas porque los escenarios son demasiado diversos y nos es imposible establecer reglas para todos los escenarios. pero cuando usamos la ia para construir un modelo de extremo a extremo, descubriremos que tiene este poder mágico. cuando le damos datos, realmente puede aprender la experiencia de conducción de estas personas, no solo el límite superior. , pero también puede mejorar significativamente el modelo. el límite inferior de mejora. aunque todavía tiene sus propias limitaciones, la forma de solucionarlo ya no es poner reglas, sino darle más y mejores datos.

del mismo modo, también tenemos una estrategia obvia en el módulo de control. debido a que la entrada de nuestro sensor de extremo a extremo se ingresa a la salida de trayectoria, y la salida de trayectoria se proporciona a los módulos de dirección y frenado. aquí tenemos una política de seguridad, por ejemplo, si planea hacer un giro brusco de 180°. se implementarán restricciones, pero hay muy pocas reglas similares que puedan ignorarse en comparación con el método anterior.

al mismo tiempo, hemos mejorado el nivel de seguridad y el límite superior de capacidades. nuestro enfoque es proporcionarle continuamente datos de alta calidad y definitivamente aprenderá muchos hábitos de conducción seguros.

pregunta: ¿cómo garantizar que los datos de extremo a extremo + vlm estén limpios?

zhan kun:ya sea de un extremo a otro o vlm, los datos son lo más importante y los modelos grandes siempre han enfatizado los datos de alta calidad.entonces nuestro primer paso es limpiar las fuentes de datos.nuestra selección de datos de conducción es muy estricta. tenemos una puntuación interna para cada propietario de automóvil, que incluye varias dimensiones y está ponderada, como si hay una infracción de tránsito, si se ha presionado la línea durante mucho tiempo o si se ha detenido. la línea ha estado estacionada y si el proceso de conducción es el 3% superior de los usuarios serán seleccionados como "conductores experimentados" en función de las puntuaciones otorgadas por varios indicadores, como al girar el volante de manera media o urgente o al sentir molestias. en el caso de los datos ideales a gran escala, incluso el primer 3% es una gran cantidad de datos, lo que aún puede garantizar que los datos que obtengamos sean muy buenos, al menos el comportamiento de conducción sea estandarizado, cómodo y razonable. si los datos se proporcionan de un extremo a otro.

también hay una selección en el segundo nivel. durante el proceso de capacitación del modelo, también necesitamos hacer coincidir y clasificar las muestras del modelo en algunos escenarios. hay muchos escenarios extremos y difíciles, y habrá modelos de evaluación, métodos de evaluación y algunas reglas. puede limpiar los datos y clasificar cada tipo de datos en etiquetas muy detalladas.

en la última capa, sabremos qué muestras son difíciles de aprender durante el proceso de capacitación y ajustaremos la estrategia de aprendizaje, incluida la construcción deliberada de algunos datos sintéticos para el aprendizaje por refuerzo y el aprendizaje contrastivo. realice algunos ajustes en los métodos de aprendizaje de nuestros datos, de modo que todos nuestros datos de un extremo a otro y los datos de vlm estén bien verificados y limpios, y el modelo resultante será mejor. este proceso no ocurre de la noche a la mañana.

lang xianpeng:hay otro problema, el problema de los datos sucios. nuestro volumen de datos para el entrenamiento sigue siendo relativamente grande, incluso si tenemos muy pocos datos sucios más adelante, debido a que el entrenamiento de habilidades de ia no tiene una mancha que pueda contaminar todo el efecto, siempre que la cantidad de datos precisos sea lo suficientemente grande, habrá. habrá una pequeña interferencia. los datos tampoco importan mucho.

pregunta: en los últimos años, la batalla tecnológica de la conducción inteligente ha cambiado rápidamente y ha pasado por varias iteraciones importantes. ¿será el vlm + de extremo a extremo un marco con vitalidad a largo plazo?

lang xianpeng:de extremo a extremo + vlm es una arquitectura que simula el pensamiento y la cognición humanos, porque cuando hacemos inteligencia artificial, en última instancia esperamos lograr antropomorfismo o semejanza humana. me sentí muy inspirado después de leer el libro "pensar, rápido y lento" y finalmente quise saber cómo la gente aprende y piensa. creemos que el marco actual de inteligencia artificial es muy razonable, y también me alegra mucho verlo después. lo propusimos, muchas empresas de la industria comenzaron a mencionar los beneficios de la teoría del sistema dual y están tratando de darle seguimiento. además, la teoría del sistema dual no sólo puede utilizarse en la conducción autónoma, sino que también es un paradigma para la futura inteligencia artificial e incluso robots inteligentes. se puede decir que la conducción autónoma es un robot inteligente con ruedas, pero su ámbito de trabajo es la carretera. por lo tanto, creo que tiene ciertas capacidades a largo plazo, pero el desarrollo tecnológico es interminable. mantendremos un gran conocimiento de las tecnologías avanzadas y, si hay nuevas tecnologías, también las seguiremos.

pregunta: actualmente, ideal considera que existe una gran brecha entre yo y la conducción inteligente de tesla, y ¿cuándo podré ponerme al día?

lang xianpeng:el año pasado respondí que era menos de medio año y este año puede que sea un poco menos. primero, en términos de arquitectura técnica, no somos muy diferentes de tesla, e incluso estamos un poco por delante, porque tenemos vlm y system 2, mientras que tesla solo tiene system 1, de extremo a extremo. en segundo lugar, en términos de potencia informática de entrenamiento y datos de entrenamiento de china, creemos que al menos a partir de ahora estamos por delante de tesla, porque tesla todavía está sujeto a algunas limitaciones en china en términos de cumplimiento de datos, así como de entrenamiento. aún es necesario establecer en china la potencia informática. desde esta perspectiva, la brecha entre nosotros en china y tesla puede no ser tan grande. también esperamos especialmente que tesla pueda unirse, aprender unos de otros y centrarse en mejorarnos.

pregunta: existe la opinión de que el camino de la ia para la conducción inteligente no es del todo correcto, y no creo que este camino pueda funcionar, porque l2 presta más atención al bajo costo o la versatilidad, pero l4 solo puede lograr la universalidad después de la seguridad está resuelta, por lo que la producción en masa ¿puede el coche ser l4?

lang xianpeng:primero,creemos que todo debería partir de las necesidades y el valor del usuario.cualquier producto fabricado por li auto debe exceder o satisfacer el valor del usuario. solo lo fabricamos si los usuarios lo encuentran valioso. creemos que los usuarios deben tener demanda de conducción autónoma, por lo que nos resulta imposible diseñar que los usuarios sólo puedan conducir la l4 en chengdu y no en otros lugares.

en segundo lugar, la ruta técnica progresiva o de salto adelante permite a cada marca discutir y elegir su propia ruta técnica.pero li auto definitivamente elegirá una ruta técnica que satisfaga las necesidades del usuario.ahora optamos por utilizar inteligencia artificial para realizar conducción autónoma. anteriormente llamado conducción asistida, el sistema ayudaba a las personas a conducir y el tema eran las personas. pero después de la etapa + vlm de principio a fin, creemos que el coche se conducirá solo. después de entrenar un modelo completo, el modelo podrá conducir bien el automóvil. supervisaré dónde el automóvil no funciona o si hay indicaciones de que es necesario hacerse cargo. sin embargo, el tema debe ser el automóvil y las personas. servirá como auxiliar en la supervisión. si alcanza este nivel, satisfará la demanda de los usuarios de conducción autónoma.

pregunta: ¿li auto tiene planes de cobrar por la conducción inteligente de alta gama?

lang xianpeng:estándar y gratuito son estrategias que ideal ha formulado desde el primer día de conducción inteligente. la “conducción autónoma supervisada” es gratuita para todos los propietarios de ad max. el volumen de entrega es relativamente bueno y las operaciones de la empresa son estables. también cuenta con recursos suficientes para invertir en investigación y desarrollo de conducción inteligente. el volumen de entrega es una métrica muy importante para nosotros, no se trata solo del volumen de entrega, sino que también puede proporcionar más millas de entrenamiento del vehículo para la conducción autónoma.