人工智能家当（包括自动驾驶）有一个不可忽略的人性毛病：
除了天然受制于技能措辞，也有不少人故意把东西说得模棱两可、艰涩难懂、天下第一……以达到让人不明觉厉、让成本掏钱的目的。
有些自动驾驶公司就长于此道。
或者说，如今市情上，把汽车工业与“超大模型”“GPT”以及“AIGC”强绑定的说辞，基本可以归于“非蠢即坏”的商业炒作行为。
特殊是，在“大模型”到底有多大都没法定义的情形下，有人拿出几亿参数值说大，有人搬出几十亿也说大，而GPT2的“大”就有150亿，GPT3则是1750亿。
当然，大不大无所谓，很多人最关心的问题是，开始有公司向汽车家当推出所谓的自动驾驶GPT，到底有什么用？
答案是，或许真的没太多用途。
首先，就像写Paper占坑一样，它的确有一小部分研究代价，属于学术界的任务；
其次，忽悠成本，由于不少成本会对汽车家当与大模型的双倍规模与估值买账。
但事实上，包括自动驾驶家当与深度学习圈，许多开拓者们对“自动驾驶GPT”的说法很不认同，乃至是极为恼火的。
我们请教了多位曾在大厂、中美科技独角兽做自动驾驶研发的资深工程师，以及包括OEM在内的汽车家当人士意见，再结合部分博客文章，总结了一些不雅观点，或许会对汽车工业、成本以及更广阔的大众群体有一些启示。
把GPT吹上车
以某家公司给出的“自动驾驶GPT产品”为例，其神经网络观点图让行家都一头雾水，不知所云。
此外，1200亿的参数量的确够大，相称于对标了GPT3。这意味着支撑这弘大数据量演习的硬件资源支持，同样不菲。
但是，他们虽背靠主机厂，却并没有自建昂贵的数据中央，而是跟其他企业一样租用云上资源。很明显，这是将某大厂云做事整合包装为自己的数据根本举动步伐做事体系。
其次，最主要的，大模型到底怎么落地？
把跟ChatGPT一样的“黑匣子”塞进汽车里，做从“感知、方案到决策”（这是自动驾驶技能三个组成部分）的端到端输出？
从这一方向，各方非常严谨地表示，目前离落地非常迢遥。
ChatGPT有着自己天然的生存环境，那便是昂贵的数据中央里。而所有关于AIGC的运用都要跟数据中央联网，这没有任何问题——在光缆的连接体系里，做到极快反应。
但作为大型移动设备，车唯一靠的便是无线，但目前连5G也非常不稳定。以是，包括特斯拉在内，大家都只能选择走一条路——
将高性能且轻量化的算法模型，塞进一枚性价比足够高的芯片里。
实质上，英伟达从Tegra 2、Xavier，过渡到Orin，再到2000Tops的Thor，算力的确是沿着自动驾驶AI算法模型在车内的猖獗扩充与变革而一起往上爬的。
而估算一下，GPT3须要的算力至少是Thor的10的N次方倍。
当然，就像GPT3.5开源之后，有开拓者已采取量化技能用苹果M2芯片运行起ChatGPT，以是，不用除未来有人会把它塞进英伟达的芯片里。
但是，撤除车辆感知、方案与决策过程本身的繁芜性，汽车工业猖獗追求的性价比、以及延迟两秒就会出人命的严苛交通环境，对统统“不可阐明性”有着天然的回避姿态。因此，业内认为，可行的韶光点极为迢遥。（当然，这家公司说自己的模型对付驾驶策略是可阐明的，请拿出更详细的证据。）
目前来看，自动驾驶前装市场普遍情形是：“唯有‘感知’模块用上了模型”。
业内清楚，感知最好做，且各家已成功落地——从CNN（卷积神经网络）开始，它便是一套相对成熟的流水线。而芯片里的GPU部分也基本被“感知”占用。
当然，“决策”与“方案”两个部分，并非没有人做AI化考试测验，只是汽车工业大多在当下，依然采取最为稳健的方法——
一系列来自机器人等领域的经典规则理论。譬如以“蒙特卡罗搜索树”为代表的启示式搜索算法。
以“方案”为例，其上车最常见的办法是把“纵向方案”和“横向方案”分开，做“时空分离”。而在这一点的创新上，就分出了几个“流派”——
以B大厂与苏Q厂为代表，做时空联合方案。相称于把纵向掌握与横向掌握的问题结合在一起，更随意马虎搜索出全局最优值。
这个流派的优点是，在面对极为困难或繁芜场景，局部最优算法很难搜索出一个更智能路径，但全局可能性更大。但缺陷是占用更多算力。
以苏M厂等很多从深度学习领域“出道”的公司为代表，在经典决策方案里融入AI算法，把个中一部分模块用AI算法替代掉，而非上来就做大一统。
的确，五六年前“打算机视觉”的大火，早就证明了深度学习具备巨大的运用潜力。但它的缺陷也是显而易见的——“不可阐明性”，以及通过大量资源投入来持续燃烧数据。
因此，要想上车，大部分企业在努力采取折中的办法——经典理论辅以AI算法，既保留经典方法的稳定性，又能提升性能表现。
“譬如，方案里的‘路径天生’，就可能用AI做替代；而路径的选择、剖断以及决策，以及后面的纵向方案，仍基于规则去做，形成一种复合方法。”
因此，大模型当然是一个终极空想状态，但上车的最好方法却是“分步骤推进”，与本钱之间做更多权衡。
当然，如今也有高端玩家们已经在研究“单模型多任务”的所谓“大一统”形式，不过统统没有定论。
大小可能不主要
我们从来都没想到，就像当年“自动驾驶分级”观点的模糊不清，让海内不少公司钻过空子一样；大模型这个“大”竟开始也被钻空子——
你有10亿，我有100亿，他有1000亿参数。
然而，在国外，对大模型的“大小”虽然有谈论，却从来不是重点。况且，国外工业界已经有了“客岁夜用小”的势头。由于“大模型”绝不是越大越好，越大就意味着越不透明，越具有排它性。
包括苏黎世联邦理工大学的科学家在内，一群年轻学者已发起一个叫做“BabyLM”的迷你模型寻衅赛，用规模为大型措辞模型千分之一（一亿参数旁边）做更适用工业界的模型。
此外，2022年，诸多海内自动驾驶公司蹭的所谓“Transformer”大模型，更多指代的，是包括GPT在内诸多大模型背后的深度学习根本架构，而非仅指代大模型本身。
它最早涌如今2017年谷歌的论文里。但这个被常用在自然措辞处理（NLP）的Transformer模型，之以是溘然在自动驾驶视觉界火了，是由于特斯拉将这一深度学习模型的“事理”，极具创造性地用在了“图像空间转化为矢量空间”的感知预测中。
大略来说，特斯拉工程师思考的是，既然这是一个精良的措辞翻译模型，那么为何不能将“摄像头获取的图像空间‘翻译’为3D矢量空间”？
以是，Transformer发源于NLP但转入了CV（打算机视觉）；而2023年最火的BEV大模型，则是基于Transformer在自动驾驶领域的衍生物。
如果感兴趣，可以直接看Medium上关于特斯拉FSD的技能博客。工程师全程从没提过所谓的BEV模型到底有多大（虽然BEV被印证的确是烧数据的），而是设法办理目前车载摄像头数据领悟产生的问题——
纯摄像头系统对闭塞区域与大型物体的预测结果比较糟糕，那么便从神经网络源头改变算法模型的设计理念——从图像过渡至BEV。
效果也确实有了质的提升。
事实上，特斯拉更多值得称道的，是对各种各样已存的如RNN、LSTM、RegNet（上图）等普通模型进行创新，且把它们的潜力发挥到极致；
同时，强大的工程能力，又让特斯拉把这些模型都塞进了车里。
“特斯拉是在从大模型事理入手，去试图做一些有益于自动驾驶全体模型的设计，同时又考虑到汽车必要的轻量化和小型化，再结合自己的AI芯片（TRIP）工艺往车上搬。
我认为这是一件更趋向于实干的事情，而不是像海内一些公司吹牛蹭热点。”
从1到1.X？
不能上车，那么大模型做离线支持的“数据闭环”事情总可以吧？
“数据闭环”这个观点，可以参考被说烂了的特斯拉Autopilot数据引擎框架——
确认模型偏差、数据标注和洗濯、模型演习，再到重新支配。
与此同时，环球各地的特斯拉车辆源源不断的回传数据进入这套流程，使之迅速流转起来，形成一套闭环系统。
但有趣的是，没有“大模型”，这些事情也可以做，不是非大模型参与不可。
譬如，数据闭环里的“预标注”，海内无论是早期的B大厂，还是H大厂的某生物工具链，做的这套东西已经非常成熟，那么大模型的“增益”就有待评估，没有PPT们渲染的那么厉害。
实际上，数据闭环的观点既大略又繁芜。
大略在于，它可以被直接看做是“熬炼算法的大型根本举动步伐”，从它里面出来的模型上车后足够智能，足够见多识广。
而繁芜之处在于，它的每个环节，险些可以作为一个小型创业项目——
如何做到样本的自动化挖掘，如何洗濯掉冗余数据留下最有营养的部分，如何做好数据的冷存储与热存储？如何分门别类组织好数据？如何做到更有效的预标注……
以是，这套闭环的工程量极为弘大，每个环节都须要专门的人才掩护。
而对付自动驾驶创业公司来说，由于极度烧钱，一样平常会选择“把A部分做好，把B部分外包出去”的轻量化模式，有强项也有短板。
目前，虽然各家东西细节无从比较，但L4独角兽P厂的数据闭环工具链“CQ”，竟然得到了业内不错的评价。
对付这只早期L4巨兽，不谈商业模式，被认为“在构建根本举动步伐上的积累比较厚实”，是一家在技能层面有真东西的企业。
此外，坚持这套东西的运转，一定须要投喂更多的新鲜血液——数据与人才。因此，不是谁都能玩得起。
而特斯拉与比亚迪，是被认为最有可能把这个东西做好的商业组织。
只不过，基于人工智能的特性，数据闭环短期内是看不到成效的。它更像是春播秋收，把该浇的水、该施的肥、该播的种都做到位，不会吹糠见米且巨烧资源，但效果涌现后，便是马太效应形成的开始。
因此，要频年夜模型在数据闭环上的运用，不如比谁更有钱。
写在末了
当然，以上内容无意在偷袭谁，也无意表扬谁（否则不会用字母指代），而是希望家当能回到一个正常的比拟参照系内，以及重点放在实际效果上。
以及，建议企业把办公室内的“牌匾”换成特斯拉的成功三要素：
坚持第一原则思考办法，工程能力，以及实行力。
本文来自微信"大众年夜众号：宇多田（ID：hellomusk），作者：宇多田
本内容为作者独立不雅观点，不代表虎嗅态度。未经许可不得转载，授权事宜请联系 hezuo@huxiu.com
正在改变与想要改变天下的人，都在 虎嗅APP
