特斯拉向左，Mobileye向右
從ADAS到自動駕駛，這條路應該怎麼走？事實上，在過去的一個月時間裡，特斯拉和Mobileye給出了兩條不同的路徑。
特斯拉選擇通過定製芯片來尋求在視覺人工智能能力上的持續提升。這款名爲D1的服務器端定製芯片，用於高效訓練Autopilot/FSD系統的機器學習算法。而Mobileye則推出了面向不同等級自動駕駛的硬件架構方案，同時自主研發部署下一代傳感器，包括激光雷達和4D成像雷達。
特斯拉首席執行官埃隆·馬斯克在AI Day發佈會上表示，提高用於訓練公司神經網絡的計算機系統的性能，將是自動駕駛技術進步的關鍵。“如果一個模型訓練需要幾天而不是幾個小時，這就是技術的差距。”
在此之前，特斯拉先後放棄了Mobileye和英偉達的第三方供應商芯片，轉而自主設計了車端處理芯片。但由於沒有更強大的數據訓練平臺，特斯拉一直以來需要倚重通過“用戶測試”來發現問題，這在過去幾年時間裡帶來了巨大的安全風險。
過去幾年時間，輔助駕駛及自動駕駛初創公司都在使用神經網絡來訓練識別道路上的物體，但特斯拉更依賴這項技術，一個被稱爲“Transformer”的神經網絡同時接收8個攝像頭的數據輸入。
而Transformer模型最早是谷歌團隊在2017年進行了應用，在目前自然語音處理（NLP）領域的應用非常廣泛。而在計算機視覺領域的應用，同樣優勢明顯。
比如，Transformer模型摒棄了傳統RNN中的循環結構，解決了RNN不能並行計算的限制，大大加快了模型訓練的速度。同時，在CNN模型中，通過卷積計算兩個位置之間的關聯所需的操作次數是隨距離增加的，而Transformer計算兩個位置之間的關聯所需的操作次數不隨距離增加。
更關鍵的是，Transformer可以產生更具可解釋性的模型。從上述這些優勢中可以看出，特斯拉的目標是，解決模型訓練的效率，同時對於系統做出的決策尋找更多可能的邏輯理解。
到目前爲止，與許多同行的策略不同，特斯拉沒有使用激光雷達。相反，完全依賴於通過使用神經網絡算法來解析來自攝像頭的數據輸入來解釋場景。這需要更多的計算，必須根據攝像頭的反饋來實時重建周圍環境。
此外，特斯拉也比其他公司收集了更多的真實數據用於訓練。數據顯示，特斯拉此前僱傭了1000名員工爲這些採集的圖像進行標記以幫助訓練模型。正如特斯拉人工智能負責人安德烈·卡帕西所言，“我們實際上是在從頭開始打造系統。”
不過，一些行業人士指出，特斯拉的方法有一個風險，那就是，在一定程度上增加更多的數據可能不會讓系統變得更好。“這不是簡單的增加更多數據的問題。”
在上個月的特斯拉AI Day發佈會上，這家公司的工程團隊說了這樣的話，“我們沒有做太多的持續學習。我們訓練系統一次，微調幾次，然後就上車。我們需要一些穩定的東西，我們可以廣泛地評估。所以我們不會做太多的持續學習……”
而更關鍵的是，每一次硬件的升級，在軟件上的變化似乎都會讓特斯拉的系統發生性能上的“倒退”。有海外機構指出，此前特斯拉幾次對於橫向行駛車輛、路邊停放車輛的碰撞，都使用了不同的硬件和軟件版本。
顯然，特斯拉沒有能夠在現有的軟硬件體系下找到快速、有效的解決方案。
如果，特斯拉按照自己對外宣傳的那樣，進行了不斷的數據訓練和模型更新，應該不會在相隔幾個月甚至一兩年時間裡，系統在非常類似的場景下發生同樣的問題。顯然，隨着時間的推移，特斯拉的系統實際上並沒有進步，只是變得越來越糟。
一篇來自IEEE的論文這樣解釋道，這些結果說明，測試一個軟件的版本，不太可能發現嚴重的缺陷。等到新的軟件部署完成後才發現缺陷是致命的，這意味着跨多個車型和軟件版本的更嚴格的監管認證不能缺失。
就連特斯拉自動駕駛軟件負責人CJ Moore也曾明確表示，馬斯克關於自動駕駛能力的說法“與工程現實不符”。顯然，自我學習不是根本問題，考慮到特斯拉影子模式在過去5年時間裡累計行駛了數十億英里，但仍然分不清停在路邊的警車。
更多的證據是，Waymo聲稱擁有大約2000萬英里的自動駕駛實際道路測試里程，但不可否認的是，這家公司也還遠遠沒有準備好廣泛部署Robotaxi。
而對於RoboTaxi業務何時真正全面開放，該公司前任首席執行官John Krafcik曾表示，“我確實和你一樣有不確定感，即使是在我的職位上。我不知道什麼時候一切都會準備好。”
此外，特斯拉之前發給加州機動車輛管理局的一份備忘錄中已經明確表示，“Autopilot和FSD都不是自動駕駛系統，目前還沒有任何功能是完全自動的，或讓我們的汽車實現真正的自動駕駛。”
此前，一家著名的機構發佈報告稱，自動駕駛汽車需要行駛數億英里，甚至是數千億英里，才能證明其安全方面的可靠性。顯然，這樣的指標，對於所有企業來說，都是不可能承受的時間成本。
有業內人士指出，如果一個司機需要學習 大量的邊緣（長尾）場景才能成爲有經驗的安全司機，那麼任何人都不可能達到。事實證明，人類駕駛員達到良好的駕駛水平並不需要大量邊緣場景的經驗。
二、
本週，Mobileye進一步強化在L4自動駕駛領域的前瞻性佈局。該公司宣佈，將於2022年在德國率先部署Robotaxi服務。但和特斯拉不同的是，Mobileye沒有去強化視覺的能力，而是爲不同功能ODD定義不同路線。
儘管兩家公司都在尋求逐步改進他們的駕駛輔助系統，最終發展成完全自動駕駛的解決方案，但Mobileye首席執行官Amnon Shashua認爲，特斯拉的方法是錯誤的。“通過在量產車上部署測試系統，然後不斷改進、改進、再改進，聽起來很合理，但實際上這是一種蠻力的方式。”
目前，在技術架構方面，Mobileye已經形成了體系化組合，在規模化量產方面，包括傳統的滿足新車評級要求的L2級及以下ADAS系統（基於單目視覺或者毫米波雷達融合），Mobileye SuperVision（基於360度視覺感知的解決方案）。
在面向L4級自動駕駛出行方面，則部署了視覺感知、雷達和激光雷達感知並行冗餘的Mobileye Drive（滿足L4級Robotaxi場景要求），同時還用上了高精地圖REM衆包以及RSS責任敏感安全模型，來實現在不同地域的快速適配。
這其中，除了傳感器配置和特斯拉的差異化，Mobileye再次強調了RSS責任敏感安全模型的重要性。作爲一套通過數學公式定義的駕駛決策模型，RSS通過制定一系列邏輯上可行的規則和有關適當應對危險場景的策略，明確了自動駕駛怎樣纔算真正做到安全駕駛。
按照Mobileye的說法，和數百萬英里的實際日常行駛或者測試里程來進行驗證不同，因爲RSS是一個數學模型，只需要相應的場景測試來確保系統決策與規範匹配，從而大大減少了驗證的負擔。
同時，Amnon Shashua認爲，和特斯拉採集數據不同，Mobileye通過採集數據，重點是理解“道路的語義”。在過去的五年時間裡，這家公司已經通過合作伙伴的車輛系統積累了超過500萬英里的有效數據。
有業內人士表示，某種意義上來說，特斯拉的馬斯克對於自動駕駛的理解，更堅定地植根於自己的信仰，這適合一家汽車製造商的模式；而Mobileye更加務實，作爲一家供應商，需要根據市場的變化、政策法規以及安全責任來進行靈活調整。
這也可以從幾年前雙方“分手”時，對於各自的評論可見一斑。
Amnon Shashua認爲，全自動駕駛需要在複雜性和需要確保極高的安全性方面進行“範式轉變”。特斯拉的做法，在很大程度上會對Mobileye的聲譽和整個行業都有很大影響。“我們認爲，在這個領域繼續與特斯拉合作不符合公司的利益。”
而馬斯克表示，Mobileye與其他汽車製造商的協議使其無法跟上特斯拉的技術發展步伐。“因爲他們作爲第三方供應商，必須支持適配其他汽車製造商同行的數百款車型。”
此外，和特斯拉相比，Mobileye的底氣似乎更足。一方面，母公司英特爾在芯片領域的實力和技術積累，可以在下一階段幫助Mobileye實現芯片層面的技術迭代。同時，Mobileye還在部署下一代傳感器的自主研發。
而在數據採集方面，REM地圖衆包模式得益於更多品牌車企的支持。相反，Shashua認爲，訓練神經網絡識別行人、車輛或交通錐等物體並不需要太多數據。“在這個基本的物體識別任務上，Mobileye的軟件已經取得了比人類更好的表現。”
先姑且不評論這種表現是否得到市場的長期驗證，但Mobileye的確更像是一個實用主義者。
不過，和Waymo等直接瞄準L4級自動駕駛的公司不同，Mobileye和特斯拉都在嘗試漸進式的技術路線，只是各自的策略不太一樣。
殊途能否同歸，現在還不能下一個明確的結論。但整個行業，的確仍在尋求基準的安全監管評估和功能體驗差異化上“摸着石頭過河”。