特斯拉和Waymo，做自動駕駛有什么不同？

　　不過按照個人的理解，特斯拉軟件工程師提到的“行為克隆”和Waymo的“模仿學習”是一個意思，等同于大家都在講的“端到端學習”的方案，即使用一個巨大的神經網絡，輸入傳感器數據后得到關于轉向、加速和剎車的整體執行策略。

　　假設特斯拉采用的是端到端學習方案，那它肯定是不需要對圖像進行標記的。唯一需要“標記”的是人類駕駛員的行為，比如轉向角是多少、加減速的力度等。將整個傳感器數據輸入到一個巨大的神經網絡后，系統會學習如何將傳感器數據與人類駕駛員的行為進行匹配。但我們知道特斯拉是在做圖片標記的，所以從這一點出發考慮，它采用的就不大可能是和Waymo一樣的“端到端學習”的策略。

　　(“端到端”與“語義抽象”的差異)

　　針對自動駕駛感知的算法差異，Mobileye創始人Amnon Shashua曾經對“端到端學習(End-to-End Learning)”和“語義抽象(Semantic Abstraction)”這兩個概念做過詳細的講解。

　　而根據外媒 The Information 報道的內容來推斷，特斯拉可能是在開發一套用于路徑規劃或執行控制的神經網絡。而用來訓練這套神經網絡的數據并非來自傳感器，而是由感知神經網絡輸出的元數據。這樣人類駕駛員的直接行為—轉向、加速和剎車可以對元數據進行“標記”，類似端到端學習中，駕駛行為與傳感器數據的匹配。

　　這種將感知層和執行層神經網絡分開的做法能夠規避Shashua教授上面提到的端到端學習可能產生的一系列問題：如“不常見場景”出現的幾率會大幅下降;對先備知識(Prior Knowledge)的要求提高，深度神經網絡在解決一些簡單問題上可能會“慘敗”。

　　(“端到端”機器學習的局限性)

　　假設特斯拉用于訓練的數據來自特斯拉車主，通過人工的方式將一些“壞的”行為去掉，這樣可以避開人工編碼算法的局限和模擬測試的不真實。當然特斯拉還可以使用強化學習或監督學習來進一步優化?？梢园崖窂揭巹澔驁绦锌刂频纳窠浘W絡放在運行Autopilot或其他駕駛輔助功能的車子上，一旦出現系統脫離、失效、碰撞等情況，工程師就可以通過bug報告來定位原因。這些“錯誤”之后還可以用來訓練新的神經網絡。

　　如果上面猜測正確的話，這種方法可以用相當快的速度來解決路徑規劃和執行控制方面的問題?？紤]到目前搭載硬件2.0版本的特斯拉車型每個月可以獲得近10億英里的行駛里程，獲得的數據量之大是Waymo無法企及的。之后硬件3.0版本上線后，搭載了AI芯片的這套系統會更有利于特斯拉算法的迭代。

　　一場馬拉松式的長跑

　　盡管Waymo深受“數據”的困擾，但光憑對這個維度的考量自然是沒辦法斷言什么的。只不過Waymo要解決自動駕駛中的“長尾”問題，自然需要更多的數據支持。Waymo近日宣布將在亞利桑那州的梅薩市開設新的技術服務中心，進一步擴大無人車出行服務的規模。顯然Waymo是奔著搜集更多“數據”的目的來的。

　　(基于克萊斯勒Pacifica車型打造的Waymo自動駕駛原型車)

　　也有人認為，Waymo可以效仿特斯拉開發一套類似Autopilot的駕駛輔助系統，僅使用成本低廉可量產的傳感器。一旦在市場鋪開后，搜集真實場景的駕駛數據也就不是什么難事了。當然，Waymo自己要完成這件事比較困難，肯定需要來自主機廠領域的合作伙伴。

　　上周有消息稱，“Waymo正在尋求外部投資人”。意料之中的計劃。如果有車企成為Waymo的股東，要獲得海量的駕駛數據自然容易得多。而且Waymo作為自動駕駛解決方案的供應商，始終只有借助OEM的平臺才能最終獲得商業化成功。不管是手中的全棧自動駕駛技術亦或是正在進行的移動出行業務，Waymo對很多車企而言，都是有十足吸引力的合作伙伴。Cruise和通用、福特與Argo.AI，這些都是比較成功的先例。

　　對特斯拉而言，之前因為Model 3陷入“量產地獄”，Autopilot的研發進程似乎出現了停滯，硬件3.0也遲遲沒有發布。盡管在“數據”容量上有先天優勢，但率先量產以及頻發的幾次事故使其屢陷輿論風波。所以，特斯拉在自動駕駛上到底能有怎樣的成就，還在還很難說。

　　不過我個人倒是蠻欣賞之前馬斯克說過的一段話。

　　他說，“我不認為哪家企業能在特斯拉之前打造出一套綜合性的自動駕駛解決方案。除非它們保密工作做得太好了，到時候要拿出驚人的成果來。我覺得這種可能性不大，對特斯拉而言，任何車企都不是我們的競爭對手”。

　　希望這種“目中無人”的狂妄自大，可以給特斯拉帶來點好運氣。