特斯拉自动驾驶强于Waymo的三大理由

贸易分析师、记者和普通大众的大多数观点似乎是，Waymo在自动驾驶方面遥遥领先，而特斯拉则远远落后。但是当你研究神经网络的基本原理时，你会发现上面的观点毫无意义。

决定深度神经网络功能的因素有三个：众所周知，在练习数据、网络架构、优化算法。,深度学习需要大量的数据，而AI领域的大多数工程师也将大部分时间花在实践数据上。可以看出，实践数据是深度学习主题中最核心的部分。一般来说，数据越多，AI越聪明，表现越好。这也是业内有人认为特斯拉比Waymo好的根本原因。

拥有约50万辆汽车的特斯拉团队配备了特斯拉声称的全自动驾驶硬件。特斯拉车队的日行驶里程约为1500万英里，相当于Waymo车队成立以来的总里程。按照1500万英里的日行驶里程，可以估计特斯拉每年可以行驶54亿英里，比Waymo估计的年行驶里程高出200倍。值得注意的是，特斯拉的车队也在以惊人的速度增长，每周约5000辆。

这些数据主要在以下三个症结范畴施展主要作用：

计算机视觉

前景

路线/驾驶策略

计算机视觉

目的检测是计算机视觉的主要任务。有些物体，比如马，很少出现在路上。每当特斯拉的车遇到神经网络，认为多半是马的设备(可能只是一个无法识别的物体挡住了道路)，摄像头就会拍照，通过WiFi上传。可以看出，特斯拉每年都在补贴车辆行驶数十亿英里，因为有可能找到更多几个物体的例子。因此，可以猜测，随着时间的推移，特斯拉将比Waymo更擅长识别道路上的几个项目。

展望

展望是指提前几秒钟对汽车、行人或骑自行车者等交通干预者的活动或行为进行展望的能力。多年来卓有成效的Waymo顶级工程师之一AnthonyLevandowski最近表示，目前的软件不足以展望未来。安东尼莱万多夫斯基说，根据数据，现在自动驾驶汽车的问题主要是由于周围车辆和行人的行为前景不佳。

现在，特斯拉大约有50万辆车，这是一个非常好的资本。特斯拉大概可以用这50万辆车来收集“问题潜在客户”，上传收集到的快照，加入特斯拉的实践收藏。特斯拉或许也可以上传一个通过其计算机视觉神经网络自然通用的场景，而不是上传视频。这种姿势模式也将从根本上降低上传数据的带宽和内存需求。

尽管用于实践目的检测的图像需要人类符号，但前景神经网络只能从事件的时间序列中学习过去和未来之间的一致性。

因为不需要给工资数据贴标签，特斯拉或许可以将其神经网络实践成尽可能多的有效数据。这意味着其实践数据集的大小将与其总里程数相关。与对象检测一样，与Waymo相比，它的优势不仅在于提供更多的数据来期待罕见的行为，还在于通过期待网络中出现的几种行为在几种情况下的数据来期待这些行为的可能性。

途径计划驾驶战略

路线和行驶政策是指将汽车保持在车道中心、变道、超车、绿灯左转、绕过停放的汽车、停车让行人过马路等行为决策方案。我们极难制定出一套规则，涵盖汽车在任何情况下都可以或必须接受的行为，这也是国内外自动驾驶领域的专业人士一直在探讨的话题。处理这个问题的方法之一是使用神经网络来复制人类行为。这就是所谓的模拟学习(也称为学徒学习，或从树模型中学习)。

="text-indent: 2em; text-align: left;">练习历程类似于神经网络进修怎样经由历程绘制曩昔和将来之间的联系关系来展望其他交通介入者的行为。在模拟进修中，神经网络经由历程绘制它所看到的（经由历程计算机视觉神经网络）和人类驾驶员所接纳的行为之间的联系关系来展望人类驾驶员会做甚么。

近来，在模拟进修范畴炙手可热的明星，不能不说起DeepMind出品的AlphaStar。DeepMind运用了数百万人类介入的《星际争霸》游戏数据库中的例子，来练习神经网络像人类一样打游戏。网络学会了游戏状况和人类玩家行为之间的联系关系，从而学会了展望人类在面临分歧游戏状况时接纳的分歧行为。仅经由历程这类练习，AlphaStar便到达了DeepMind预计的程度，使其大抵处于《星际争霸》竞争力排行榜的中心地位。厥后，AlphaStar经由历程强化进修提升到职业程度的才能。

同理，特斯拉正在将模拟进修应用到驾驶义务中，好比，怎样处置惩罚高速公路上罕见的立体交叉路况，或许怎样在十字路口左转。据外媒报导称，特斯拉会将模拟进修扩展到更多的义务中，好比怎样以及什么时候在高速公路上换车道。特斯拉人工智能总监安德烈·卡帕西（Andrej Karpathy）曾形貌了特斯拉怎样运用模拟进修。

与展望效果一样，上传汽车四周场景的笼统透露表现，而不是上传视频，这透露表现，神经网络只须要更低的带宽和内存需求就足以供神经网络模拟进修。一样，一旦数据上传，就不须要工资符号。因为神经网络展望人类驾驶员在给定情况状况下会做甚么，以是它只须要“给定的情况状况”和“驾驶员行为”便可。模拟进修本质上是展望特斯拉司机的行为，而不是展望特斯拉四周其他交通介入者的行为。与AlphaStar一样，一切须要的信息都包罗在回放中。

依据卡帕西关于展望切入（predictingcut－ins）的批评，特斯拉在未能正确展望火线车辆是不是会进入特斯拉车道时触发生存回放。类似地，当触及途径计划或驾驶战略的神经网络没法正确展望特斯拉驾驶员的行为时，特斯拉可以或许会捕获回放数据。埃隆·马斯克（Elon Musk）曩昔曾提到过这类功用，不外这类功用的运用状况，还没有获得证明。

其他捕获回放的状况包罗：倏忽刹车或急转弯、自动紧要刹车、碰撞或碰撞正告，以及更加庞杂的机械进修手艺，即非常检测和新颖检测。若是特斯拉已晓得它想要捕获甚么，好比十字路口的左转，它就可以或许设置一个触发器，每当视觉神经网络看到交通灯，左转弯旌旗灯号被激活，或许方向盘向左转弯时，它就会捕获回放。

结论

特斯拉拥有约50万辆汽车，在以下三个症结范畴相对Waymo（和其他竞争对手）具有上风：

1．计算机视觉

2．展望

3．途径计划／驾驶战略

贸易剖析人士、记者和一般群众的多半看法似乎是，Waymo在自动驾驶方面遥遥领先，特斯拉则远远落伍。当你研讨神经网络的基本原理时，就会发明，上述看法是没有意义的。

更主要的是，AlphaStar证明了大范围模拟进修关于庞杂义务的观点。有学者以为，若是对特斯拉接纳要领的正确性存疑，或许以为途径计划／驾驶战略是一个简朴题目的话，那末可以或许思索一下，为何模拟进修在《星际争霸》中行得通，在自动驾驶中却行不通。

基于以上剖析，有学者旗帜鲜明地透露表现：除非Waymo在将来1－3年内扩展其车队范围，不然，“Waymo遥遥领先、特斯拉远远落伍的看法”将被证明是毛病的。人们把太多的注意力放在演示上，惋惜这些演示没有注解体系的鲁棒性。人们对练习数据的存眷太少，特别对那些Waymo没有充足的数据来做好基于机械进修的有数的物体和行为存眷更少。

仿真并非Waymo的上风，因为包罗特斯拉在内的一切的自动驾驶汽车公司都在运用仿真。更加主要的是，仿真没法展望或不晓得怎样正确地对有数对象和有数行为建模。

另有一项对科技工作者的观察注解，特斯拉是旧金山湾区第二大最受迎接的公司，仅次于谷歌。观察还发明，特斯拉在环球最受迎接的公司中排名第四，比排名第二的谷歌落伍两名。（Shopify在环球排名第三，SpaceX排名第一。）一样值得注意的是，机械进修范畴的最新科研成果活要领经常被学术界、OpenAI以及谷歌、Facebook和DeepMind的企业实验室公然分享。特斯拉能做甚么和Waymo能做甚么之间的区分可以或许不是那末大。

这两家公司最大的分歧在于数据。跟着特斯拉汽车数目增进到100万辆，其月行驶里程将到达约10亿英里，是Waymo约100万英里的1000倍。关于特斯拉来讲，1000倍的差别意味着优胜的有数物体检测，优胜的有数行为展望，以及优胜的途径计划／驾驶战略。自动驾驶的应战更多的是处置惩罚可以或许只要0．01％的有数的边沿状况，而不是99．99％的通用场景。

智车派-专业有趣的说车新势力