自动驾驶专家交流纪要

技术，其设计前提是在车辆中始终有人监控，与我们滴滴自动驾驶 追求的无人驾驶（无人车上路）是两条不同的技术路径。特斯拉 FSD 从初期版 本迭代至 V12，其技术革新主要在于架构的重构，据说转向了马斯克推崇的端到 端模型，这种模式减少人为预设逻辑，依赖于大量数据训练，让系统直接从感知 输入到决策输出，形成一个“黑箱”处理过程。不过，这一转变是否彻底，目前 行业内并未得到确切证实。FSDV12 的关键革新在于其端到端架构的引入，理论上，这提升了技术的上限，意味着如果能有 效利用海量数据训练，理论上可以解决更多复杂的驾驶场景。然 而，从实际表现来看，V12 初期版本（如 12.1）与前代 V11 相比，可能在某些 方面表现持平或略有下滑，出现了如闯红灯等问题，这在无人驾驶的高标准下是 不可接受的。虽然从 V12.0 到 V12.3，特斯拉不断进行优化，新版本展现出更多 新功能，但这些进步更多体现在算法的拓展性而非稳定性和可靠性上。对于提到的 90%零接管成功率，若置于无人驾驶的严格要求下，这一数据远未 达到安全标准，无 人驾驶技术追求的是几乎完美的安全记录。特斯拉 FSD 的进 步体现在它能执行更多以往难以完成的驾驶动作，比如依据实时路况而非仅依赖 地图规划路线，但这些进步的可靠性尚存疑问，即在多次操作中能有多少比例的 成功率。因此，尽管 FSDV12 在算法能力上有所突破，但真正实现无人驾驶所 需的高度稳定性和可靠性仍有很长的路要走。Q：在无人驾驶领域，衡量自动驾驶的核心标准是什么？滴滴自动驾驶在提高自 动驾驶系统的稳定性 和可靠性方面采取了哪些策略？A：在无人驾驶领域，衡量技术成熟度的核心标准是安全性和可靠性，这包括但 不限于系统的准确识 别率、决策的合理性、对极端或边缘案例的处理能力，以及 在复杂多变环境中持续稳定运行的能力。简而言之，无人驾驶技术的终极目标是 实现比人类驾驶员更加安全、可靠的驾驶行为。针对提升稳定性和可靠性，滴滴 自动驾驶采取了一系列策略：1.数据驱动的迭代：我们持续收集丰富的道路测试数据，利用大数据分析和机器 学习技术，不断优化算法模型。高质量的数据是提升自动驾驶系统智能性的关键，我们通过模拟和真实世界的测试不断丰富数据集，涵盖各种驾驶场景，特别是那 些复杂和少见的情况。2.多传感器融合技术：通过激光雷达、摄像头、毫米波雷达等多种传感器的深度 融合，提升感知系 统的鲁棒性，确保在任何天气或光照条件下都能准确识别周围 环境，减少误判。3.冗余设计：在硬件和软件层面实施多重冗余策略，比如双系统设计，一旦主系 统发生故障，备份 系统立即接管，确保驾驶安全不受影响。4.仿真平台的广泛应用：构建高度逼真的仿真环境，模拟各类极端和偶发情况，进行亿万次的虚拟测 试，提前发现问题并优化算法，减少实际道路测试的风险和 成本。 5.严格的测试验证：在封闭场地、开放道路及特定场景下进行严格的功能和性能 测试，通过不断挑战极限，确保系统在各种工况下的稳定表现。6.法规与标准的遵循：紧密跟踪国内外自动驾驶相关法律法规，确保技术发展与 合规性同步，同时 积极参与行业标准的制定，推动整个行业的健康发展。总之，滴滴自动驾驶在追求技术突破的同时，始终坚持安全第一的原则，致力于 通过技术创新和严格测试，不断提升自动驾驶系统的稳定性和可靠性，为实现真 正的无人驾驶出行服务奠定坚实基础。Q：你最近体验了 Robotaxi 服务，能否分享一下整体感受和观察到的关键点？A：最近两 周内，我亲身体验了 12.3 次 Robotaxi 服务，这让我有机会近距离观 察其运作与性能。从我的试乘经历来看，平均每行驶 10 到 20 英里，车辆就需 要一次人工干预，这在 当前自动驾驶行业算是中等水平的性能展示。值得注意的 是，Robotaxi 在不同道路环境下的表现差异显著：在高速公路上，它的自主驾 驶能力更强，人工接管的间隔可延长至超过 100英里；而在城市中心或郊区，由于交通状况更为复杂多变，接管频率则提升至 10 到 23 英里之间。尽管这些 数据反映的是技术的初步应用情况，但仍表明 Robotaxi 相较于早期版本有了显 著的进步。Q：如何才能更全面、准确地评估 Robotaxi 的服务性能？ A：要想获得更全面、精确的评估结果，扩大测试规模是关键。建议进行上万公 里的内部测试，这样 不仅能捕捉到更多异常情况，还能充分测试 Robotaxi 在各 种极端条件下的表现。目前的 少量数据仅能揭示其最低性能水平，无法代表其最 佳状态。因此，投资更多资源和时间进行严谨的测试是必要的，这包括但不限于 不同天气、路况、以及高峰时段的测试，以全面了解其性能边界。Q：特斯拉 FSD 系统的最新进展及其对 Robotaxi 服务的影响如何？ A：特斯拉 FSD（全自动驾驶）系统的持续迭代，尤其是 V12 和 V12.3 版本的 发 布，标志着其自动驾驶技术正步入一个数据驱动的快速发展时期。8 月 8 日，马斯克宣布推出Robotaxi 服务，这不仅展示了特斯拉在自动驾驶领域的雄心，也预示着技术日益成熟，正逐步走向商业化。随着 FSD 系统性能的不断优化，预期 Robotaxi 的用户基数将迅速增长，进而为系统提供更多反馈数据，形成良 性循环，持续推动 FSD 性能的优化升级。这种数据驱动的竞争模式，将极大促 进整个自动驾驶行业的进步，尤其对于像滴滴这样拥有庞大出行数据资源的公司 来说，无疑是一个巨大的机遇。Q：自动驾驶技术如何依赖机器学习，特别是特斯拉在这方面的应用？ A：当前，自动驾驶技术的进展高度依赖于机器学习的应用，从环境感知、决策 制定到车辆控制和未 来行为预测，机器学习几乎渗透到了每一个环节。特斯拉在 此方面堪称行业先锋，它实现了机器学习在整个自动驾驶流程中的深度整合。通 过复杂算法，特斯拉车辆能够实时分析海量数据，做出更精准的驾驶决策。Q：特斯拉在数据采集和处理方面的优势是什么？A：特斯拉在数据采集和处理上的优势主要体现在两个方面：一是其庞大的车辆 基数和高效的采集设 备，能够持续生成大量真实的行驶数据，这是机器学习模型 训练的基础。二是其已建立的成熟数据管道系统，能够高效处理这些海量数据，为算法模型的迭代提供了坚实支撑。不过，要实现数据的有效闭环利用，还需经 过数据清洗、筛选、标注等复杂步骤，以及构建高度仿真的测试环境和丰富的场 景库，这些都是耗资巨大且技术要求高的环节。Q：特斯拉在确保数据有效应用于训练及迭代方面做了哪些工作？ A：特斯拉正致力于构建一套高效的数据应用架构，旨在确保收集来的庞大数据 能够被有效整合并用 于算法的迭代更新。虽然目前尚处于发展的初级阶段，但特 斯拉在基础训练平台上计划增加两到三倍的 GPU 数量，这一举措将极大提升数 据处理能力和训练速度，进一步巩固其在自动驾驶领域的领先地位。随着技术的 不断推进，特斯拉有望在数据驱动的自动驾驶竞赛中保持领跑位置。Q：架构整合的关键要素是什么？对于滴滴这样的公司来说，具备哪些优势？A：架构整合的核心在于 紧密联结三大支柱：高效的数据收集机制、区域化基础 架构的训练能力，以及支持持续数据迭代的算法模型。这三者构成的铁三角是确 保系统流畅运行的基石。滴滴作为出行行业的领头羊，拥有得天独厚的优势。首 先，其庞大的业务规模产生了海量的数据，这是训练高级算法模型的宝贵原料。其次，滴滴已建立起一套成熟的技术基础设施，持续对这些数据进行深度挖掘和 学习，支撑其网约车系统高效运作。滴滴的基础平台建设虽已初具规模，但要充 分发挥其潜力，充足的算力支持不可或缺。没有算力，再先进的技术构想也只能 是空中楼阁。Q：初创企业和小型企业面临哪些挑战，尤其是在构建训练体系方面？ A：对于初创公司和小企业而言，从零开始构建一套数据训练体系是一项艰巨任 务。这不仅仅是购置 大量 GPU 算力、搭建云计算环境那么简单，还需要考虑弹 性云服务、数据安全等一系列复杂因素。这类投资往往需要雄厚的资金基础和长 远规划，而这正是多数初创企业所缺乏的。尽管构建成功后的回报显著，但高昂 的初期投入、持续的训练成本，以及端到端模型的黑盒特性，都是不可忽视的风 险。尤其是端到端模型的不透明性，在涉及物理操作如自动驾驶时，一旦发生错 误，其追溯和修正难度远大于线上应用，这对安全性和合规性提出了更高要求。Q：端到端模型在汽车行业中的接受度如何？存在哪些变数？ A：端到端模型因其强大的通用性和功能集成性，在自动驾驶领域受到关注，但 其广泛应用仍面临诸 多不确定性。一方面，其对算力资源的巨大消耗和高成本投 入是现实挑战；另一方面，行业规范和监管制度的逐步完善也将影响其普及速度。不同的应用场景和行业标准可能会导致对端到端模型的接受度存在差异。虽然特 斯拉等先行者展示了该模型的潜力，但行业演进中，企业的评价标准可能更加多元化，不会单一依赖于数据驱动的效率提升。Q：特斯拉在算力投入上的做法对行业有何启示？ A：特斯拉通过大幅增加算力投入，如使用数千乃至数万张高性能 H100 显卡，展现了其在 F SD（全自动驾驶）技术及其它相关领域的决心和实力。这不仅推 动了自家技术的发展，也为行业树立了一个高标杆。尽管直接效仿特斯拉的算力 规模对许多公司来说不太现实，但其做法提示了两个关键点：一是算力投资对于 推动自动驾驶技术发展的重要性；二是通过一体化研发优化模型与硬件的协同，从而在边缘计算上实现高效能，即使不追求最大算力配置，也能保证系统的有效 运行。Q：如何看待云端与边缘侧的算力投资策略？ A：在云端，算力需求主要集中在模型的训练阶段，这里对算力的投入巨大，但 也是构建高性能算法 模型的基础。边缘侧的算力需求则更多聚焦于实时处理和决 策，如特斯拉的 FSD 系统。尽管边缘侧算力相对云端可能较小，但随着技术进 步和成本降低，其在自动驾驶车辆上的应用正变得日益可行且经济。此外，设想 未来数百万甚至上千万辆智能车辆组成的分布式算力网络，其潜在的计算资源将 是惊人的。在非高峰时段，这些闲置算力若能有效整合并用于其他计算任务，将 开辟出一片全新的价值空间，成为行业的一大创新点。Q：如何利用大规模预训练数据和云计算平台，以及面临的挑战？ A：利用大规模预训练数据和搭建云计算平台，对于开发高阶自动驾驶模型至关 重要。这要求企业不 仅要有强大的数据处理能力，还需在模型训练算法、数据隐 私保护、成本控制等方面做出精细考量。以 LambdaSchool 的 M3 模型为例，其庞大参数规模背后需要的计算资源令人咋舌 ，但这同时也展示了技术前沿的可 能性。挑战在于如何在保证模型效能的同时，合理控制成本，以及解决数据隐私 和伦理问题，确保技术发展的可持续性。Q：分布式算力的潜力及其转化价值如何？ A：虽然单个车辆上的算力受限于成本和物理空间，但当考虑到未来数以百万计 的智能车辆作为一个 整体时，其潜在的分布式算力规模将无比庞大。这不仅在理 论上可行，而且随着技术演进，有望成为现实。通过智能调度和优化算法，将这 些分布在全球的车辆算力部分转化为可用资源，不仅可以为自动驾驶提供更强大 的后盾，还能探索诸如众包计算、智能交通管理等全新应用领域，为社会带来前所未有的价值。当然，这需要克服技术、法律和道德等方面的多重挑战，但无疑 开辟了一条充满希望的道路。Q：滴滴在云基础服务平台建设和算力分配上的独特优势是什么？ A：滴滴相较于专注于自动驾驶的公司，如特斯拉，展现出了在云基础服务平台 建设和算力利用上的 独特优势。滴滴不仅致力于自动驾驶技术的研发，其核心业 务——网约车服务，以及延伸出的金融服务等，共同构建了一个多元化的业务 生态。这一生态促使滴滴投资建设了一个全面的云基础服务平台，其中包含了显卡算力等关键资源，旨在服务整个公司的技术需求，而不仅仅是自动驾驶部门。这种平台设计使得算力 资源能够在各业务线之间灵活调配，特别是在需求高峰期 和低谷期之间，实现资源的高效利用。在算力需求较低的时段，滴滴的网约车、金融