马斯克：有信心今年完成L5级自动驾驶基本功能

2020年7月9日，世界人工智能大会云端峰会以“智联世界 共同家园”为主题，以“高端化、国际化、专业化、市场化、智能化”为特色，集聚全球智能领域最具影响力的科学家和企业家，以及相关政府的领导人，围绕智能领域的技术前沿、产业趋势和热点问题发表演讲和进行高端对话。会上，特斯拉 CEO 马斯克就特斯拉的自动驾驶技术发展情况进行了分享，以下为InfoQ根据嘉宾演讲进行的内容整理。

内容未经本人确认，由 InfoQ 依据现场视频进行整理，以下为马斯克的演讲全文整理。

特斯拉自动驾驶在中国工作得非常好，我们正在中国建立相关工程团队。我想强调，我们会在中国做很多原创性工程开发，而不仅仅是简单地把美国的东西搬到中国。我们会做很多原创设计和工程的工作，所以，如果你想做工程师话可以考虑加入我们，在特斯拉中国工作。

Q：您对于 L5 级别自动驾驶的实现有多大信心？您认为这一天什么时候会到来？

马斯克：我对于未来 L5 级别的自动驾驶非常有信心，我认为很快就会实现。在特斯拉，我们已经非常接近 L5 级别自动驾驶了，我有信心在今年完成L5级别自动驾驶的基本功能。我认为实现自动驾驶 5 级目前不存在底层根本的挑战，但是有很多细节的问题。我们面临的挑战就是要解决所有这些小问题，然后整合系统，持续解决长尾问题。你会发现可以处理大多数场景的情况，但是又会不时出现一些奇怪的情况，你必须有一个系统来训练解决这些奇怪的场景。所以，你需要有现实的场景，没有什么比现实更复杂，任何模拟的都是现实世界复杂性的子集。目前我们专注于应对 5 级自动驾驶的细节问题，我们非常有信心这是可以实现的。我们可以利用特斯拉现在的硬件，只需要改进软件，就可以实现 L5 级别的自动驾驶。

Q：您觉得人工智能和机器人技术的三大支柱：感知、认知和行为，目前在各自领域的进展如何？

马斯克：我不确定人工智能技术是否可以这样分类，如果我们用这个分类标准的话，在感知层面以识别物体为例，目前技术实现了巨大进展。事实上可以说在专业图像识别领域，人工智能会比任何人类都做得好，甚至比专家做得好。问题实质在于需要多强的计算力、多少实践来训练计算机，还有图像训练系统效率如何。

我们如何看待人工智能算法的发展呢？我不确定这是不是最好的理解方式。神经网络主要是从现实中获取大量信息，很多来自无光源方面并创建矢量空间，本质上是将大量光子压缩为矢量空间。人类是否能够进入大脑中的矢量空间呢？我们通常以类比的方式将此视为理所当然，我认为你可以进入大脑的矢量空间，理解大脑如何处理所有外部信息。事实上，它在做的是基于尽可能少的信息，获取并过滤大量信息，只保留相关部分。人们如何在大脑中创建一个矢量空间呢？它的信息仅占原始数据很小的一部分，却可以根据这个矢量空间的表达做决策，这就类似一个大规模压缩和解压缩的过程，有点像物理学。因为物理学公式本质是对现实的压缩算法，这就是物理学的作用。

说到图像识别或者声音识别，任何信号对于任何给定的字节流，人工智能系统是否能够准确识别呢？认知，这可能是人工智能最薄弱的领域。人工智能是不是能理解概念？是不是能够有效的推理？是不是能够进行创造？现在有很多非常先进的、有创意的 AI，但是没有办法很好地控制他们创造活动，会觉得好像做得不太好。不过未来它会表现得好一点，我们可以把它想象成游戏，在任何有着明确规则的游戏当中，AI 会比人好很多。只要有明确的游戏规则，在任何游戏当中，人工智能肯定都会玩得比人类要好。

Q：Autopoliot 自动辅助和驾驶在哪方面推动了 AI 算法和芯片的发展？它又如何改变了我们对 AI 技术的理解？

马斯克：在为自动驾驶开发人工智能芯片时，我们发现市场上没有成本合理，而且低功耗的系统。如果我们使用传统GPU、CPU 或者其他相似的产品，将耗费数百瓦的功率，后备箱会被计算机 GPU 巨大的冷却系统占据，而且高耗能。要知道能耗对于电动汽车的里程非常重要，我们开发了特斯拉的专用芯片，该芯片搭载双系统完全自动驾驶电脑，该芯片具有 8 位元和加速器用于点计算，人工智能包含很多点运算。事实上，几个月前我们才审慎启动了第二代系统，充分利用特斯拉完全自动驾驶系统可能还需要至少一年的时间。

我们还开发了特斯拉 Dojo 训练系统，旨在能够快速处理大量视频数据，以改善对人工智能系统的训练。Dojo 训练系统就像一个 FP16 训练系统，主要受芯片的发热量和通讯速率的限制，所以我们也正在开发新的总线和散热冷却系统用于开发高效的计算机，从而能更有效处理视频数据。

Q：特斯拉上海工厂的进展以及会用到哪些人工智能技术？

马斯克：特斯拉上海工厂进展非常顺利，我为特斯拉团队感到无比自豪和骄傲，期待能尽快访问特斯拉上海超级工厂，我不知道如何感谢特斯拉中国团队所付出的努力，预计未来工厂中会运用更多人工智能和更多智能化的软件，但我认为工厂真正有效地使用人工智能还需要花费一段时间，实际上所有公司都是如此。