特斯拉AI团队招聘：马斯克称不在乎学历，但编程测试得过_AICon_赵钰莹

腾讯亿级用户规模自研业务的上云实践解读，立即报名了解详情 



 写点什么

学历是不是 AI 从业者的门槛？至少在特斯拉，学历不是那么重要。

马斯克：我不在乎你是否高中毕业

据外媒报道，特斯拉的人工智能团队正在面向社会招聘，该团队将直接向首席执行官埃隆·马斯克汇报，马斯克在 Twitter 上表示：如果没有大学学位，这也不会成为进入特斯拉工作的障碍。

马斯克在推特上是这么说的：不需要博士学位，我也不在乎你是否高中毕业。相反，马斯克正在寻找那些对人工智能有"深刻理解"的人。值得注意的是，虽然马斯克强调教育背景无关紧要，但所有候选人都必须通过核心编码测试。理想情况下，他希望特斯拉人工智能团队的新员工在加州旧金山湾区或得克萨斯州奥斯汀工作，但也有可能在特斯拉的某个超级工厂里展开工作。

超级工厂是特斯拉生产电动发动机和电池组的地方。目前，特斯拉在内华达州斯帕克斯市、纽约州布法罗市和中国上海都拥有超级工厂。去年 11 月，马斯克宣布将在德国柏林建立第四家超级工厂。

秘密办学多年，对传统教学不认可

这也不是马斯克第一次表达学历不重要的观点，他在 2014 年接受德国汽车出版物 Auto Bild 采访时就提到：根本不需要大学文凭，甚至不需要高中文凭，如果有人从一所伟大的大学毕业，这可能表明他们有能力做伟大的事情，但有时并非如此。比如，像比尔·盖茨或拉里·埃里森、史蒂夫·乔布斯这样的人，这些人并没有大学毕业，但如果有机会雇用他们，那肯定是个好主意。马斯克说他正在寻找拥有非凡能力的人，因为如果一个人在过去拥有非凡成就的记录，那么这种非凡的情况很可能会持续到未来。

究其根本，马斯克本人对传统教学并不十分认可，他曾被科技网站 Ars Technica 报道称，一直在 SpaceX 加州霍桑的总部外运营着一所高度私密的私立学校。这座实验性的非盈利学校名叫 Ad Astra，成立于约 2014 年，它的学生包括马斯克的 5 个儿子及其公司员工以及该领域少数其他人士的子女。

据提交至美国国税局的文件显示，马斯克创立 Ad Astra 最初是为了“通过独特的基于项目的学习体验”，这所学校加注在数学、科学、工程学和伦理学上发力, 没有音乐和体育等科目, 语言课沦为边缘。所有费用由马斯克资助。

“我只是还没有看到我理想中的学校，”马斯克曾在 2015 年接受中国电视台的采访时说，“所以我想，看看我们能够做些什么。或许创办一座学校会更好。”

他认为，传统教学在教授学生如何解决问题上犯了一个根本性错误。这位亿万富翁曾说：“教学的关键是让孩子们知道该如何解决问题或理解问题所在，而非认识解决问题的工具。假设你想教会别人引擎的工作原理，传统的方式是说，‘我们将教会你有关螺丝刀和扳手的所有知识。’我要做的则是一种截然不同的教学方式。”

特斯拉需要 AI 人才实现自动驾驶

撇开学历，特斯拉确实需要大量人工智能方面的人才来实现其自动驾驶汽车的雄心壮志。据特斯拉网站介绍，特斯拉汽车的硬件必须能与当前的自动驾驶功能相匹配。未来，特斯拉希望实现完全的自动驾驶能力，硬件将需要进行各种软件升级，以便有一天能够作为自动驾驶汽车运行。

2019 年底，特斯拉（TSLA， https://seekingalpha.com/symbol/TSLA ）的 AI 高级总监 Andrej Karpathy 曾在一次演讲（ https://youtu.be/oBklltKXtDE ）中提到了特斯拉自动驾驶相关的技术细节，这里面的想法是将特斯拉的机器学习流水线自动化，而特斯拉的半自动驾驶功能将会自动地继续完善。特斯拉汽车将继续自动上传数据，手动标注数据的工人将继续在必要的地方对数据打标，神经网络将自动地在新数据上进行训练，然后，改进的网络就会被部署到汽车上了。这个过程一直往复循环。

换句话说，特斯拉的工程师们在致力于开发一种发展自动驾驶技术的方法，这种方法能够真正适应数据的扩展，而不用因为数据规模扩展而增加工程师的人力，这意味着要将数十亿英里驾驶过程中出现的计算机视觉错误样本都积累起来。人类输入是一种信号源，人类行为能够告诉机器哪些地方做错了，在一些场景下还能够告诉机器怎样做是对的。不管特斯拉是否会在全自动驾驶技术领域取得成功，但有一点是肯定的，特斯拉会在城市环境中部署半自动驾驶汽车。

特斯拉的机器学习流程

特斯拉是想打造一种实现自动化目标的方法，这种方法能够适应不断扩增的数据规模，因为特斯拉拥有全球最大规模的车辆网络来收集数据，这些车辆上配置了传感器和计算机，并且都连入了互联网。这种方法最大的瓶颈就在于支付给标注工人的薪水。在计算机视觉任务中，特斯拉需要不断地把新产生的、手动打标过的照相机数据添加到训练集里，这样才能不断增加算法能力，但这种方式难以适应不断扩增的可收集数据规模，而只能应付这些数据的一个子集，这个子集规模对应于特斯拉能够承受的打标成本。特斯拉也许可以收集 1 万亿张交通灯照片，但是却支付不起同样规模的打标（指将照片中的交通灯标注为红、绿或黄三种颜色）费用。

对于需要手动打标的任务，特斯拉采用的方法不允许纯粹地增加标注数据的数量，而是通过获取更高质量的数据来加速机器学习过程。最有价值的训练数据样本是现有的神经网络模型不能正确预测的样本。也许，这个模型错误预测了物体的类别、误报了一个并不存在的物体，或者漏检了照片上拍到的物体。通过“运营假期”所代表的自动化过程，特斯拉比起其竞争对手来说，能够更多地捕捉到这类有价值的数据样本。

因此，特斯拉的自动驾驶岗位长期以来一直要求候选人“能够设计出一些方法，这些方法除了能够使用丰富多样的标注数据外，还能使用大量轻标注的数据。"在特斯拉的 Autonomy Day 发布会上，Karpathy 描述了一种和我之前描述的类似的方法。通过人类驾驶标记的视频剪辑，特斯拉训练了一个神经网络，用来感知和推断前方道路的曲线和坡度。

对特斯拉来说，超级乐观的前景是它最终开发出来了全自动驾驶系统，部署了机器人出租车。在这样的局面下，特斯拉的市场份额即使不能十倍地增加，也可以大致增加两倍或者三倍。稍温和的乐观局面会是特斯拉为城市驾驶发布了 2 级系统，特斯拉也非常棒地卖出了更多汽车和更多的“全自动驾驶”附加组件单元。销售增长和汽车毛利率是投资者密切观察的两项关键指标；特斯拉的城市 2 级系统能够给这两项指标都带来超预期的贡献。