文｜極智GeeTech
在智能輔助駕駛蓬勃發(fā)展的當下，這項技術(shù)既需要創(chuàng)新活力，也需要回歸本質(zhì)的定力。
近日，特斯拉副總裁陶琳發(fā)布了馬斯克近期對智能輔助駕駛技術(shù)路線的判斷。馬斯克從道路系統(tǒng)設(shè)計的根本邏輯出發(fā)，闡述了特斯拉堅持純視覺方案的理論基礎(chǔ)。
他指出，全球道路交通體系本質(zhì)上是圍繞智能體的視覺感知能力構(gòu)建的，無論是人類的生物神經(jīng)網(wǎng)絡(luò)還是人工智能系統(tǒng)，都依賴“眼睛”這一核心感知器官獲取環(huán)境信息。基于這一認知，人工智能結(jié)合數(shù)字神經(jīng)網(wǎng)絡(luò)和攝像頭的技術(shù)組合，才是與現(xiàn)有道路系統(tǒng)最為匹配的自動駕駛解決方案。
他同時認為，一個模型扎根于現(xiàn)實是非常重要的，從未見過有人打破物理定律。對于任何一個AI，必須建立在現(xiàn)實的基礎(chǔ)上，這些有助于確保模型的真實性和準確性，但這是一個常常被忽視的話題。只有遵循物理定律，AI才能實現(xiàn)真正的智能。
對于汽車，用戶對“安全抵達”與“舒適體驗”的期待始終如一，這促使我們不斷思考：智能輔助駕駛的差異化創(chuàng)新是否應(yīng)聚焦于表層功能，還是應(yīng)回歸本質(zhì)需求，以標準化能力推動普惠價值？
智能輔助駕駛“第一性原理”
談到智能輔助駕駛“第一性原理”，很多人第一時間會想到馬斯克的理論——“以人類視覺認知為根基，通過海量真實路況數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，用純視覺感知實現(xiàn)類人駕駛決策的通用化自動駕駛系統(tǒng)。”
一直以來，馬斯克批評激光雷達技術(shù)在智能輔助駕駛領(lǐng)域的應(yīng)用價值。“道路系統(tǒng)并非為從眼睛發(fā)射激光而設(shè)計”，這一表述凸顯了他對激光雷達技術(shù)適用性的根本性質(zhì)疑。當攝像頭與激光雷達同時工作時，系統(tǒng)往往面臨信息沖突的困擾——究竟應(yīng)該相信視覺傳感器還是激光測距數(shù)據(jù)，這種技術(shù)層面的不確定性，可能會導(dǎo)致交通事故的發(fā)生。
“第一性原理”最早源自古希臘哲學(xué)，亞里士多德在其著作《形而上學(xué)》中首次提出了這一概念。他認為，第一性原理是“不可被進一步推導(dǎo)的最基本的命題或假設(shè)”，即所有知識和推理的終極基礎(chǔ)。
簡單來說，每個系統(tǒng)中存在一個最基本的命題，它不能被違背或刪除。其核心思想是：回歸事物的本質(zhì)，剖析最基本的原理和假設(shè)，從而構(gòu)建新的認知框架或解決方案。
任何系統(tǒng)都是有邊界的，所謂邊界就是這個系統(tǒng)的前提條件，也叫前提假設(shè)。對于這個系統(tǒng)，這些“前提假設(shè)”會成為“不證自明”的概念和命題，而這些概念命題就是這個系統(tǒng)的“第一性原理”。
對于“第一性原理”的理解，我們可以看作是任何一個系統(tǒng)的“關(guān)鍵設(shè)定”。這個設(shè)定既不是誰家自創(chuàng)的，也不是獨家專有的，而是一個需要費盡心力去探索和思考的邏輯起點。
這個邏輯起點，只需要你信還是不信，想明白還是想不明白，此后的行動能否一以貫之的按照這個邏輯起點去貫徹執(zhí)行，能夠篤定相信這一邏輯起點所打造的系統(tǒng)的“真理性”。
手機行業(yè)的演進史為汽車智能化提供了絕佳啟示。基帶芯片作為手機通信能力的核心，始終以“穩(wěn)定傳輸”為第一性原理，無論用戶是商務(wù)精英還是學(xué)生群體，其對通話質(zhì)量的需求本質(zhì)趨同。
智能輔助駕駛同樣遵循這一邏輯——從A點到B點的安全、舒適、高效，是人類對出行最基礎(chǔ)且不可妥協(xié)的需求。智能輔助駕駛無法像音樂或香氛一樣，為不同用戶提供差異化體驗，它的終極使命是成為像基帶一樣可靠的基礎(chǔ)設(shè)施。
這一認知正在重塑行業(yè)對“智駕平權(quán)”的理解。真正的平權(quán)應(yīng)聚焦于功能價值的標準化收斂：通過統(tǒng)一的安全標準、普適的舒適性定義、可復(fù)制的效率優(yōu)化，讓智能輔助駕駛能力像手機通話功能一樣，成為所有車型的“默認配置”。
特斯拉的“西進運動”
就像19世紀初，大批美國的早期創(chuàng)業(yè)者們闖入西部開疆擴土，開啟了持續(xù)半個世紀的西進運動。馬斯克帶著特斯拉開啟了乘用車智能輔助駕駛的狂飆突進。
特斯拉的這場“西進運動”從2014年至今大致可以分為三個階段。2014年至2016年的外部合作期，2016年至2019年的自研過渡期，以及2019年至今的全面自研期。
第一階段，特斯拉先后與Mobileye和英偉達建立過合作，經(jīng)歷了從“軟硬件外采”到“硬件外采、軟件自研”的艱難歷程。
2014年，特斯拉在AutoPilot上并無多少積累，選擇了當時市面上能達到L2輔助駕駛能力的視覺方案——Mobileye的EyeQ3。AI算力是只有0.25 TOPS，只能支持1個前視攝像頭、1個毫米波雷達和12個超聲波雷達，從而實現(xiàn)了自適應(yīng)巡航、前車碰撞預(yù)警以及方向盤自主變道等功能。
基于這一軟硬件外采方案，特斯拉于2014年10月發(fā)布AutoPilot 1.0版本和硬件模塊Hardware 1.0。
馬斯克從一開始就對Mobileye的黑盒交付（將軟硬件封裝起來，不對主機廠開放）十分不滿。借著2016年那場全球首例自動駕駛致死車禍，特斯拉果斷拋棄Mobileye，轉(zhuǎn)向英偉達的懷抱。
2016年10月，特斯拉發(fā)布AutoPilot 2.0和硬件模塊HW 2.0。整體算力達到10 TOPS，幾乎是Mobileye EyeQ3的整整40倍。外接傳感器包含了8個攝像頭、1個毫米波雷達、12個超聲波雷達。
第二階段，特斯拉在和英偉達熱絡(luò)之際，就開始了智駕芯片的自研之路。這就是后面被公眾所熟知的FSD芯片，單片AI算力72 TOPS，采用高度定制的CPU+GPU+ASIC架構(gòu)，其中ASIC是由兩個神經(jīng)網(wǎng)絡(luò)處理單元NPU組成，專門用作視覺圖形處理。
2019年，特斯拉推出FSD軟件系統(tǒng)和HW 3.0。相比較前一代HW 2.5（算力20 TOPS），HW 3.0平臺上配備了兩顆FSD芯片達到144 TOPS，系統(tǒng)算力增長了7倍多。
也是在這一階段，除了芯片自研之外，特斯拉招募了大批人工智能算法專家，開始感知和決策當中引入深度學(xué)習(xí)算法。為適應(yīng)AI算法所需要的大規(guī)模數(shù)據(jù)處理和標注，特斯拉還引入了上千人的標注團隊并不斷擴容數(shù)據(jù)中心。
以至于在2019年4月的Autonomy Day上，馬斯克首次公布了超級計算機Dojo的研發(fā)計劃。
至此，特斯拉進入第三階段——全面自研階段。
作為量產(chǎn)的智能輔助駕駛方案，在特斯拉這里，形成一個基于AI三要素——即算法、數(shù)據(jù)和算力，所形成的數(shù)據(jù)驅(qū)動的開發(fā)范式。
數(shù)據(jù)，來自量產(chǎn)車型和采集車回傳的大量駕駛場景數(shù)據(jù)和駕駛行為數(shù)據(jù)，由于當時的算法采用監(jiān)督學(xué)習(xí)，十分依賴高質(zhì)量的標注數(shù)據(jù)，所以數(shù)據(jù)標注一直是一個“人工大于智能”的苦活累活。同時也包括大量仿真構(gòu)造的虛擬場景數(shù)據(jù)，用于真實世界里很難遇到的Corner Cases（極端場景）或長尾場景。
算力，車端計算單元主要是運行智駕算法的AI芯片。同時也包括在云端進行算法訓(xùn)練和數(shù)據(jù)處理的AI芯片，市面上主要是被英偉達的GPU所壟斷，而特斯拉的Dojo則更進一步為智能輔助駕駛視覺模型訓(xùn)練設(shè)計。
算法，是由云端計算平臺根據(jù)大規(guī)模數(shù)據(jù)學(xué)習(xí)所訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)，然后經(jīng)過微調(diào)、蒸餾等方式部署到車端，形成一個可以處理感知理解、認知決策和預(yù)測規(guī)劃等任務(wù)的復(fù)雜神經(jīng)網(wǎng)絡(luò)系統(tǒng)。
2021年的Tesla AI Day具有里程碑意義，公開了特斯拉在之前數(shù)年時間的技術(shù)探索。以智駕系統(tǒng)最重要的感知算法為例，特斯拉的智駕算法也經(jīng)歷了數(shù)次迭代過程。
感知的核心任務(wù)是識別和理解外部環(huán)境。特斯拉的8個攝像頭可以不停地采集到外部世界的2D圖像，但這不足以構(gòu)造出人類駕駛所需要的始終延續(xù)的車道線、疾馳而過的車輛等信息。通過感知神經(jīng)網(wǎng)絡(luò)，特斯拉構(gòu)建出一個表征真實世界的3D向量空間。
作為特斯拉車型上唯一的傳感器，攝像頭存在兩個固有缺陷：第一，沒有深度信息，所接受的只是一連串二維圖像；第二，易受夜晚、大雨、濃霧等極端天氣影響，獲取的圖像質(zhì)量直線下降，可能導(dǎo)致識別錯誤或者漏檢。
為了彌補這兩個缺陷，特斯拉推出了基于Transfomer的BEV（Bird’s Eye View，鳥瞰視角）算法棧，這也就是外界所津津樂道的“BEV+Transformer”，讓視覺感知網(wǎng)絡(luò)獲得了測速、測距能力，能把車輛周圍攝像頭拍攝的2D畫面，拼接成一張完整的俯視地圖，讓車輛“看到”周圍360度的全景，從而獲得感知。
也就是在這一年，特斯拉宣布北美地區(qū)的新款Model 3和Model Y將不再配備毫米波雷達，轉(zhuǎn)而采用全新的純視覺技術(shù)，以支持AutoPilot駕駛輔助系統(tǒng)。
到了2022年的AI Day上，特斯拉在感知模塊進一步升級了占用網(wǎng)絡(luò)（Occupancy Network），可以在BEV+Transformer感知框架的基礎(chǔ)上實現(xiàn)通用能力更強的3D空間感知。形象理解，就是把車輛周圍空間劃分成無數(shù)個小方格，像樂高積木一樣標記每個格子是否被物體占據(jù)，讓汽車僅靠攝像頭就可獲取周圍環(huán)境的深度信息，實現(xiàn)高分辨率的三維感知與重建。
這之后，特斯拉又放出了“端到端”的全新方案。此前，在特斯拉智駕軟件算法中，感知、規(guī)劃、控制等模塊一直是相對獨立，其中感知算法是神經(jīng)網(wǎng)絡(luò)化最為徹底的，而規(guī)控算法則帶有大量的人工規(guī)則代碼。而特斯拉在“端到端”方案之前，已經(jīng)嘗試將神經(jīng)網(wǎng)絡(luò)用于自車軌跡預(yù)測、規(guī)劃當中。
而端到端，就是這一進程的最極致表現(xiàn)，完全采用一張神經(jīng)網(wǎng)絡(luò)，將感知、規(guī)控和執(zhí)行鏈接起來，“圖像進、動作出”，像極了人類老司機開車的過程，在做出加減速、轉(zhuǎn)向燈動作時幾乎是跟感知同時且不假思索。而之前的所謂模塊化，則像極了新手司機先要判斷下看到了什么、思考下這個情況應(yīng)該怎么辦，然后再告訴手和腳要怎么行動。
端到端方案和模塊化方案高下立判，但實現(xiàn)端到端并不容易。2023年，特斯拉開始嘗試端到端方案的測試，系統(tǒng)運行速度比原方案更快，甚至直接刪掉了30萬行人工代碼，輔之以端到端系統(tǒng)自己學(xué)到的人類的開車知識。
同一年，特斯拉車型全面取消了超聲波雷達配置，由高清攝像頭所取代，采用100%純視覺方案實現(xiàn)車輛的智能輔助駕駛。
2024年，特斯拉FSD V12版本正式發(fā)布，采用端到端架構(gòu)和數(shù)據(jù)驅(qū)動的技術(shù)范式，再次引領(lǐng)了潮水的走向。
從特斯拉的發(fā)展歷程來看，馬斯克似乎更多解決的是車輛在復(fù)雜環(huán)境中的有效行動，需要的不僅僅是視覺給出的條件反射，更需要在不同交通狀況下形成較強的適應(yīng)能力和應(yīng)變能力，因此要不斷訓(xùn)練車輛對于當下環(huán)境的認知和反應(yīng)，促使車輛在“所見所感”和“如何反應(yīng)”之間發(fā)展出人類般的智能化水平。
在爭議中持續(xù)前行
事實上，對于堅持純視覺方案的特斯拉駕駛輔助系統(tǒng)AutoPilot，至少在美國本土市場一直存在比較大的爭議。
特斯拉已經(jīng)向主導(dǎo)美國國家公路安全的美國國家公路交通安全管理局（NHTSA）提交了和使用AutoPilot有關(guān)的1000多起事故。其中，美國媒體《華爾街日報》就列舉的222起事故中，有31起事故是未能識別出障礙物而導(dǎo)致整車未能做出反應(yīng)所導(dǎo)致的。
純視覺方案有一個比較大的缺陷在于識別前方的靜態(tài)物體上存在局限性。對于靜態(tài)物體的識別，?攝像頭往往無法準確區(qū)分路牌、?紅綠燈架、?橋墩等障礙物與實際需要避讓的靜態(tài)物體。
2022年，一位特斯拉前員工約翰·貝納爾幫助《華爾街日報》分析一場交通事故時表示，面對路上出現(xiàn)的一輛被撞壞的汽車，AutoPilot中的一個攝像頭識別出了它，但是另外一個沒有識別出。基于這樣的輸入，AutoPilot選擇讓車輛繼續(xù)前進，最后車輛全速地撞了上去。
純視覺方案主要依靠攝像頭來收集周邊道路場景的信息，然后通過預(yù)先設(shè)置的算法來識別周邊環(huán)境并做出判斷。這種方案有最大的兩個優(yōu)點：成本較低且貼近人眼邏輯。按照馬斯克的觀點，通過對攝像頭的持續(xù)優(yōu)化，可以將攝像頭無限接近人類的眼睛。只要人類駕駛員可以開車，那么特斯拉的純視覺方案也可以。
但特斯拉或者其他純視覺方案的堅持者忽略了一個事實：由于攝像頭接受的是反射光，因此受到光的影響比較大。也就是說，如果遇到了暴雨、夜間等環(huán)境情況，攝像頭就會和人類駕駛員一樣，在感知上存在比較大的挑戰(zhàn)。
由于拿掉了激光雷達這個關(guān)鍵傳感器，純視覺方案在遠距離識別場景、生成點云方面的確會有一些欠缺，如何通過視覺傳感器和其他基礎(chǔ)雷達來彌補激光雷達的缺失，是特斯拉、小鵬這些純視覺方案堅持者要考慮的首要問題。
和純視覺方案并行的是多傳感器融合方案，其本質(zhì)是希望來融合純視覺和雷達（主要是激光雷達）各自的優(yōu)勢，來達成更好的對周邊態(tài)勢情況的感知。和攝像頭相比，激光雷達再探測距離、精度和實時性方面有比較明顯的優(yōu)勢，同時在抗干擾方面也有一定的優(yōu)勢。
重要的是，多數(shù)據(jù)融合在搭載激光雷達的同時，也會同時布置多個攝像頭，因此純視覺方案在感知上的優(yōu)勢，多傳感器融合方案也不會落下。
而激光雷達、毫米波雷達等傳感器也并非完美。作為一種主動傳感器，激光雷達在測量遠距離的復(fù)雜地形或障礙物可能發(fā)生多次反射，導(dǎo)致信號混疊，使得原來的信號失真，或者產(chǎn)生錯誤，難以準確識別甚至誤識別真實目標。
激光雷達對于天氣狀況非常敏感，但穿透雨霧主要依靠的是毫米波雷達。遇到雨雪霧等極端天氣就會在傳感器附近幾米內(nèi)形成一團噪點，并且不能穿透這些透明障礙物看到霧氣后面的目標，從而“致盲”。
另外一個問題就是數(shù)據(jù)融合。純視覺方案下，自動駕駛控制器只需要考慮攝像頭的數(shù)據(jù)輸入；但是在多傳感器融合的方案中，控制器需要同時對攝像頭和激光雷達的輸入進行融合判斷。
這不僅大大增加了控制器需要處理的數(shù)據(jù)量，而且更為關(guān)鍵的是，如果當控制器發(fā)現(xiàn)攝像頭和激光雷達的輸入由于誤報存在相沖突時，采信哪個輸入源也將對整個自動駕駛系統(tǒng)帶來不小的考驗。
純視覺與多傳感器融合兩種方案自誕生以來，一直被質(zhì)疑，一直在成長。可以發(fā)現(xiàn)，并不存在一種完美方案能夠解決所有問題。純視覺方案需要在軟件算法層面彌補攝像頭的不足，而多傳感器融合方案則需要承擔(dān)偏高的硬件成本以及開發(fā)能夠融合多傳感器數(shù)據(jù)的算法，同時兩者均需要采用高算力的芯片來完成數(shù)據(jù)計算。
智能輔助駕駛?cè)允且粭l充滿不確定性的道路，一切尚無定論。目前各家所認定的“第一性原理”都是基于自身視角形成的認知框架，目前仍停留在“假設(shè)”階段，遠未成為行業(yè)公認的普適準則。
真正的“第一性原理”并非冰冷的傳感器或算法，而是人類對駕駛安全的永恒追求。在整個駕駛體系中，人類始終是自身安全的第一責(zé)任人，機器永遠無法完全取代人類的決策地位。在這條通往未知的路上，技術(shù)的光芒或許會照亮前路，但唯有對安全底線的敬畏與堅守，才是穿透迷霧、指引方向的北極星。