上周特斯拉推出其自動化專用ASIC（集成電路），人們關注的焦點在于，這個硬件可以快速地處理冗余神經(jīng)網(wǎng)絡。在特斯拉的生產(chǎn)期間對這個硬件進行的開發(fā)和運用，對于任何公司來說都是一個前所未有的壯舉。

特斯拉的平臺優(yōu)勢在于：理解特斯拉在超級計算機方面所做的工作的關鍵，在于理解2019年一個建立和支持完整定制半導體設計團隊的模式。事實上，令人驚訝的是，他們已經(jīng)在運輸這臺計算機，并改裝成現(xiàn)有的X，S和3模型。這不是特斯拉預先宣布的，而是在生產(chǎn)過程中宣布的。

理解Elon Musk的關鍵是把他說的夸張的東西和事實分清楚——他很擅長混淆他們。從昨天的披露來看，最重要的是，這一芯片不僅是在生產(chǎn)廠進入全面生產(chǎn)，而且已經(jīng)在車里面了。

在“x”時間尺度上做一些完全自主這樣的事情是一種承諾，但為物理世界中的像素構(gòu)建了一個全新的渲染引擎是另一回事。盡管任何先前計劃的“完全自主”的說法都是假設、營銷，并受行業(yè)需求和法規(guī)的約束，但后者是特斯拉確實能夠控制的。

當曲線以指數(shù)速度彎曲時，那些改進常常被認為是理所當然的。我們習慣了用摩爾定律解釋。許多聰明人正確地把硬件開發(fā)看作是由于已知原因而呈指數(shù)增長的映射，但是事實上軟件創(chuàng)新并不是這樣發(fā)生的。算法通常不會每兩年快兩倍，而是需要足夠強大的硬件允許它們運行得更快。

然而，自動駕駛的局限性是涉及整個系統(tǒng)的。它們與僅在一個軸上的問題創(chuàng)新無關。在全系統(tǒng)范圍內(nèi)提高自動駕駛能力的關鍵是數(shù)據(jù)收集和實時決策數(shù)據(jù)的規(guī)模化。特斯拉的數(shù)據(jù)收集正以線性速度增長，但還有一件人們忽視的事。由于處理圖像數(shù)據(jù)背后的數(shù)學問題，整個系統(tǒng)的改進也呈指數(shù)級發(fā)展。

特斯拉沒有提及的一部分內(nèi)容是他們圍繞新的數(shù)學轉(zhuǎn)換方法所做的工作，這一方法促進數(shù)據(jù)更加有效。三維圖像處理——連接數(shù)據(jù)幀并以新的方式應用轉(zhuǎn)換——是一個非常強大的研究領域，因為圖像處理幾乎涉及到當今的所有領域。

當我學習電氣工程和圖像處理的時候，我永遠不會忘記，當我的大學教授在我們學校附近的217號公路的上訓練圖像轉(zhuǎn)換。這些操作能夠從完全不同的角度輸入其他圖像，并且能夠檢測到高速公路的一部分，而這些部分在人類看來，似乎沒有任何共同點。這種形式的數(shù)學轉(zhuǎn)換使圖像數(shù)據(jù)比表面看起來更有價值，在今天的領域也有著密切的使用。計算機就像是一只在獲得足夠的圖像后知道如何學習一種小狗。

在復雜的數(shù)學變換中，創(chuàng)新讓收集到的數(shù)據(jù)矩陣操作更加有效，并且現(xiàn)在正以驚人的速度在改進。特別是對于自動駕駛來說，他們專注于執(zhí)行圖像深度傳感的軟件算法，并且迅速發(fā)展。就在上周，康奈爾大學運用這種方法對偽激光雷達深度的估計已經(jīng)說明了這一點。他們通過從原始圖像數(shù)據(jù)中創(chuàng)建一個偽激光雷達點平面來建立深度模型。他們的結(jié)論甚至令人吃驚：

我們從這一修正中得到的改進是前所未有的，對所有方法都有同樣的影響。隨著量子躍遷，基于圖像的自主飛行器三維目標檢測在不久的將來將成為現(xiàn)實。這帶來的影響是巨大的。目前，LiDAR（激光雷達）硬件可以說是自主駕駛所需的最昂貴的附加組件。如果沒有它，自動駕駛的額外硬件成本將相對較小。

Elon說激光雷達是一個神話，因為它是一個硬件級的進步，它依賴于生產(chǎn)固態(tài)設備和商業(yè)化它的數(shù)量。事實是，半導體供應鏈的運作方式就是將激光雷達硬件保持一個的高成本的狀態(tài)，并且不可能滿足芯片公司能夠盈利的范圍。激光雷達是體積小并對環(huán)境友好。除了汽車行業(yè)，還有誰需要激光雷達？幾乎沒有。

想想看。我們都知道現(xiàn)在的激光雷達成本是令人望而卻步的。看起來和威莫（Waymo）的汽車有著很好的聯(lián)系，但事實上更換激光雷達是一個噩夢。

但是說一些在未來將花費100美元的實驗，說這個方法是可行的。模塊是固態(tài)的，每輛車需要幾個。即使這樣，經(jīng)濟方面也說不過去。豐田會不會突然在幾款車型上加上這一款？即使他們每年要購買一百萬臺這樣的設備，這對激光雷達設備供應商來說也是一筆1億美元的交易。這聽起來可能很多，但事實并非如此。開發(fā)這種設備很容易就要花費1億美元以上。半導體技術的可悲在于，任何人都需要大量的專用芯片來做生意。有一些例外，但汽車，實際上花費的每一美元都很重要。

同時，圖像傳感正在以“光速”前進，到處都在使用它。如此盛大的經(jīng)濟規(guī)模確實令人震驚。今年就將運送數(shù)十億個圖像傳感器。它們存在于每一部手機、安全攝像頭、無處不在的監(jiān)控技術中，并且在3-4年內(nèi)——當人們認為激光雷達可能出現(xiàn)在汽車上的時候——AR耳機將推動數(shù)億個具有更高分辨率的高級圖像處理芯片進一步發(fā)展。

在這段時間內(nèi)，特斯拉還將把汽車上的圖像傳感器升級到智能手機和照相機行業(yè)的圖像傳感器上，讓復雜的深度建模數(shù)學能夠運行的更快更好——和摩爾定律類似。在不久的將來，特斯拉可能會在其汽車上安裝8K圖像傳感器。這些新的SKU將不同于現(xiàn)在的Tesla，將運行不同的算法集，利用精度更高的保真度矩陣。

所以…自動駕駛汽車并不是孤立的軟件或硬件問題。除了擁有一個完全調(diào)整過的系統(tǒng)之外，特斯拉還將用新的方式對收集到的數(shù)據(jù)執(zhí)行的數(shù)學運算。當然，他們不會談論這件事。他們只會在引擎蓋下的“軟件”上發(fā)布新的改進，當一個3型的OTA更新到來時，你的車會突然變得更好。

激光雷達是一個有不足的方法。隨著3D圖像處理將收集到的數(shù)據(jù)推向人眼的極限時，它將變得過時。激光雷達的點面信息與可見光域中收集到的信息之間的差距將在未來3年內(nèi)完全消除。智能電子工程師正在全球范圍內(nèi)解決這個問題。

那么，這一切如何影響特斯拉何時將達到L5自動駕駛？這要視情況而定。完全自動化是一個很難解決的事情，而且人們也不需要它。因此進程也會在監(jiān)管下變得緩慢。Elon的夸張評論很適合這樣。更可能的是，在地方管轄區(qū)將允許小規(guī)模的自動化推廣，而特斯拉似乎讓你非常接近。在這個過渡階段，車輛需要人工駕駛。

汽車制造商快速發(fā)展的關鍵在于在兼容性和未來可選性之間復雜的權衡。特斯拉是唯一一個已經(jīng)證明他們可以做到這一點的人。特斯拉正在積累大量的學習經(jīng)驗，以陰影模式訓練現(xiàn)實世界的數(shù)據(jù)。它的規(guī)模使得模擬數(shù)據(jù)明顯較弱。你想在沒有方向盤的情況下駕駛一輛經(jīng)過模擬環(huán)境訓練的車，還是想在現(xiàn)實世界中學習的車？老實說，很難說特斯拉是否會成為這個市場的贏家。這是一個復雜的微積分，他們現(xiàn)在所從事的行業(yè)是一個非常難成功的行業(yè)。有幾種方法來看待這個問題。一是他們怎么可能成功？另一個問題是，其他人怎么一起成功呢？另一些人在路上沒有汽車，他們依靠的是一些未來的技術，這些技術可能看不到白天的光線（固態(tài)激光雷達），而且到那時肯定已經(jīng)過時了。

在這一切中，最后的勝利者顯而易見：基于圖像的處理和識別。在實現(xiàn)自動化的競爭結(jié)束之前，這一點變得非常明確。汽車工業(yè)的發(fā)展將繼續(xù)在其自身的暴力中尋求和平。畢竟，在整個技術中的創(chuàng)新創(chuàng)造了新的開端和但也有破壞性的結(jié)局。智能手機戰(zhàn)爭帶來的圖像處理 “和平競賽”確實會使世界變得更安全，不管這場競爭何時以及如何發(fā)生，這都是合情合理的。