杏彩体育:特斯拉放大招自动驾驶的GPT时刻就要来了？

　　自从开年以来，其业绩就一直不太给力，第一季度的表现实在“惨不忍睹”，车辆交付量才38.68万辆，这可是自2022年第三季度以来头一回落到40万辆以下，同比也是下滑了9%。

　　更夸张的是特斯拉的股价，已经从23年中最高点的超过293美元，跌到了现在的147美元，直接腰斩。

　　特斯拉在2023年败给了比亚迪，失去了全球电动车企头把交椅，今年中国车企的降价和车型迭代节奏之快，完全不给它任何喘息的机会。2024年的特斯拉就如同开局红蓝buff都被反了的打野，下滑趋势根本看不到任何尽头。

　　于是乎，龙哥终于放出了最后的大招，宣布在8月8日推出那个大家期待已久的无人驾驶出租车Robotaxi。

　　就拿特斯拉最近更新的FSD V12.3版本来说，这个版本的平均无接管里程大幅提升，从100多英里一下子提升到了386.7英里，等于说你从北京开到青岛，或者从上海开到合肥，中间都不用接手。并且，马斯克要求在试驾中强制加入智驾体验环节，甚至还宣布美国所有特斯拉适用车型免费试用FSD一个月。

　　就在今年大年初三那天，余大嘴在朋友圈晒出了自己从安徽老家一路自驾回深圳的过程，开的是华为的问界M9。这趟行程全程1314公里，得开15个小时。

　　这一路上，华为智驾的表现那是相当给力，全程基本上都靠车辆自己搞定，人工接管那是到了高速收费站才用得上。

　　除了特斯拉的FSD，国内的毫末智行和长城汽车共同开发自驾大模型DriveGPT，也走上了“自动标注数据”、“用模型生成罕见场景”的路子，同时把对于模糊车道线%以上。

　　特斯拉的FSD（完全自动驾驶系统）虽然放出了要在8月正式运营的风声，想要在市场上走得更远，首先得过“安全”这道坎儿。

　　自2019年以来，美国涉及特斯拉自动辅助驾驶模式有关的车祸事故，达到736起，这些意外车祸导致了17人死亡。

　　虽然相较于美国每年超过四万人因为交通事故丧生来说，特斯拉辅助驾驶的事故数看起来微不足道，但民众向来对于自动驾驶有着相比人类驾驶和辅助驾驶，更严苛得多的安全要求。

　　根据加利福尼亚机动车辆部门的记录，从2022年开始，Cruise报告的68起碰撞中，有14起涉及到了伤害。

　　其中最严重也是最让人耳熟能详的，莫过于去年10月，一名女性行人在旧金山市区街道上，被一辆人类驾驶的轿车撞到了Cruise无人驾驶出租车面前，这时候Cruise的AI出现了明显的误判，先是没有识别出前面躺了一个人，直接碾压了这位女士，然后又误认为碾压的颠簸来自于车辆侧面碰撞，于是选择了靠边停车，把这位女士拖着开了6米。

　　同样地，在今年2月初，Waymo旗下一辆Robotaxi撞上了骑自行车的人，造成轻伤，由于Waymo和Cruise并称北美自动驾驶两大巨头，在Cruise拖曳行人事件后，此事无疑是火上浇油，加大了公众对自动驾驶的成见。

　　在这样滤镜下，自动驾驶的车辆在部分民众眼里几乎成了一种“邪物”，今年2月春节期间，在旧金山唐人街，一群青少年打砸并烧毁了一辆Waymo无人驾驶汽车。

　　这样的情况，不禁让人在心中犯起了嘀咕，那就是：自动驾驶发展到今天，已经足够安全了吗？值得让人类交出控制方向盘的权力了吗？

　　要回答这个问题，就不能光看表面的事故，而要细究这些事故背后，相应的自动驾驶车辆使用的是哪种技术。

　　以去年拖曳行人的Cruise为例，虽然它跟Waymo同为自动驾驶巨头，但二者具体的技术，实则是两种不同的流派。

　　Waymo这一流派的做法，相当于一个拉力赛车手，在赛前先把赛道的路况、景物什么的通过各种传感器（摄像头、雷达等）收集并绘制成一张精细到每个路口、每栋建筑的“路线图”。然后在真正开车时，通过不断对照这张大地图，提前预判接下来可能遇到的情况。

　　而以Cruise为代表的流派，就随性多了，直接将车扔到马路上去“闯荡”。他们不指望提前给车加入什么路线图、规则，而是让它自个儿在街头巷尾到处乱窜，不管遇到什么情况都靠车自己的算法和逻辑去应付。在实战中积累数据，最终的目标，就是让车成为一个随机应变的神行太保。

　　从驾驶风格来说，Cruise的流派更接近于“真人”的水平，但难度也更大。而Waymo的办法虽然安全、稳妥，但它在推广中有一个致命的问题。

　　因为要依赖于高精度地图，所以Waymo这种流派，往往只有在那些事先详细映射了地图和路线的地区，才能有较好的表现。想象一下，你下班打一个出租车，但它的覆盖范围不到你家，于是只能把你送到最近的地铁站。。。

　　再有就是，万一开着车，路上遇到点突发情况，例如临时交通管制或非典型事件（如大规模集会）什么的，Waymo这类“规划派”，可能就有点懵逼了。

　　例如百度的Apollo项目，走的就是“规划派”的路子，在高精度地图创建、多传感器融合方面比较突出。

　　而类似特斯拉的FSD、华为的ADS、蔚来的NOP（导航辅助驾驶）技术，则更倾向于“实时派”，强调在复杂的城市环境中进行快速迭代，以增强在各种道路上的表现。

　　想让车辆变得更像“真人”，具有更强的实时应变力，这本来是一个正确的方向，但Cruise这样的车企，除了在数据规模、软硬件整合方面与特斯拉存在较大差距外，其在技术上与后者的一个关键区分点，就在于是否采取了端到端的，感知决策一体化的路线。

　　打个比方来说，传统的自动驾驶，就跟一个老师傅带着几个徒弟在厨房里做菜一样。每个人分工明确，有专门的切菜的（感知），有专门的炒锅的（规划），有专门的调味的（决策）。谁要是掉了链子，错误就会一环接着一环传下去，整锅菜就全完了。

　　可端到端的自动驾驶方案就不一样了，跟有了一个中央厨房似的。一台“炒菜机器人”将上述步骤全都包办了。它自个儿能看着食材（感知），想着要做什么菜（决策），一气呵成，从头到尾一条龙服务。

　　过去因为单个AI模型的能力不够强，车企不得不采用前者那种多个网络拼接的方案，中间插入大量人类写定程序进行判断，比如在Cruise在旧金山拖行女性行人的事故中，就可能有类似“如果（if）检测到某某震动，则（then）靠边停车”的指令，也就是由两个小模型分别执行路况识别和找地方停车，由人类程序员来做中间的逻辑判断。

　　但问题是，人类写死的程序必然会遗漏大量的特殊情况（corner case），就比如一个人突然躺到你车前面了这谁能想到？AI神经网络最大的优势就在于复杂的高维度的判断分类，人类这一越俎代庖的行为势必无法匹配AI的能力，从而导致事故可能性的增加。

　　而随着大模型的出现，我们终于可以用一个模型来完成自动驾驶的整个过程，最大程度上减少写死的程序，比如最新版的特斯拉FSD把原本的30多万条代码降低到了2000条，从而最大限度降低错误和事故的可能性。

　　但是，这端到端技术虽然听上去不复杂，但真正能做到的车企，目前仍然是凤毛麟角。这主要是因为，很多车企都没有特斯拉这样得天独厚的条件。

　　这就相当于，要想车辆像老司机那样，眼睛看到啥，大脑立刻做出反应，那前提就得是这个司机的经验得足够丰富，走过的路要够多。

　　在这一点上，特斯拉有个庞大的车队在全球各地跑，实时收集数据。这车一卖出去，就成了数据收集器。就目前来看，特斯拉在全球交付了450万辆车，行驶里程超过了50亿公里（2021年。