天下武功，唯快不破！

之前的講堂我們提到，在自動駕駛的環境感知層面，新勢力和傳統廠商集體倒向了鐳射雷達，唯獨特斯拉仍在堅持攝像頭感知方案。

那麼特斯拉堅持純視覺感知的底氣是什麼呢？

2015年10月14日，在特斯拉召開的Tesla OS v7.0系統更新發佈會上，馬斯克宣佈啟用Autopilot輔助駕駛系統，這可以看作是特斯拉自動駕駛業務正式啟動的標誌。

該場釋出會的另一則重要資訊，是馬斯克宣佈，每一位Model S車主都是培訓專家（expert trainer），特斯拉將透過系統收集各種路況下的行駛資料，訓練Autopilot的演算法，並透過整車OTA更新完善Autopilot系統。

僅僅一年後，特斯拉就推出了autopolit2.0和汽車行業歷史上第一款搭載 8 顆攝像頭的車型，前置三目，車身 4 顆，以及後置 1 顆，加上 1 個毫米波雷達和車身周圍的超聲波感測器。

在自動駕駛尚不成熟的2016年，如此激進地推出Autopilot 2.0和8攝像頭車型，無他，只為更全面地收集資料。

截至2021年，特斯拉官網表示，由於每一輛特斯拉汽車都是聯網的，特斯拉全球車隊收集了超過 100 億英里（約合 160 億公里）的真實行駛資料（其中超過10億英里（約合16億公里）行駛里程使用了Autopilot自動輔助駕駛系統）。而對比之下，大眾集團預計兩年後才會有100萬輛樣車透過車聯網向雲系統提供資料。

那麼，如此龐大的資料，要如何利用呢？

當行駛資料收集錄入進雲系統後，經過訓練，特斯拉的AI神經網路將能夠掌握簡單場景的駕駛技巧，如沿著高速公路直線段行駛等，但這還遠遠不夠，這時就輪到特斯拉的“影子模式（shadow mode）”登場了。

當我們操縱特斯拉汽車駕駛時，AI神經網路依然在車內執行著，時刻模擬著自主駕駛，影子模式會對比AI神經網路模擬輸出的結果與駕駛員的實際操作，當神經網路的輸出與駕駛員的真正操作相悖時，相關資料就會上傳，特斯拉會利用影子模式的資料不斷地最佳化自動駕駛演算法，相當於在向人學習。

特斯拉非常清楚 8 顆攝像頭對算力的龐大需求，一顆強勁的晶片至關重要，而且晶片特性要適配於自動駕駛。同時，特斯拉也不會放任這麼重要的命門握於他人之手，所以，自研晶片是必由之路。

2015 年 12 月，馬斯克就親自找到從AMD離職的晶片大神吉姆凱勒，說服其負責特斯拉自動駕駛晶片的研發。2019 年 4 月，搭載FSD自動駕駛晶片的Autopilot 3.0硬體便正式量產裝車。對，就是在國產Model 3簡配的那個硬體。

FSD晶片最大的特點就是，只有特斯拉一個客戶。這會帶來兩點優勢：

1.FSD晶片可以深刻理解特斯拉 Autopilot 的軟體執行機理；

2.砍去通用晶片（如英偉達晶片）中與特斯拉軟體無關的模組。

基於這兩點優勢，特斯拉的FSD晶片架構可以設計得十分精確合理，NPU（嵌入式神經網路處理器）佔據了SoC中最大的物理面積。每一塊 FSD 計算平臺上都搭載了兩塊完全一致的晶片，每塊晶片的算力為 72 Tops，而前代英偉達 Drive PX2 平臺的算力為 8 - 10 Tops。與此同時，Drive PX2 的能耗為 57W，而特斯拉 NPU 的能耗為 15W。

Autopilot硬體工程副總裁Pete Bannon表示，他將近 40 年的晶片工程生涯裡從未見過新一代晶片效能提升超過 3 倍的，而特斯拉提升了 20 倍（影象幀幅 從2.0版本的110 幀 到3.0版本的2300 幀）。

天下武功，唯快不破，尤其是網際網路時代。特斯拉僅用3年就實現了從第一名員工入職到晶片量產裝車的完整流程。而且自研的晶片在軟硬打通、演算法最佳化等方面都更具潛力，就像去年蘋果推出的M1晶片。

“Dojo”來自日語，意指用來冥想或者練習武術的道場，而特斯拉開發的超級計算機Dojo，就是其用來訓練其自動駕駛人工智慧的道場。

Dojo的浮點運算能力達到了Exaflops級別。這裡簡單說明下，浮點數，即FP32，指的是32位儲存數字，計算機使用它進行計算。Exaflop指的是計算機每秒可以處理多少浮點運算，1 Exaflop意味著每秒百億億次（你沒看錯單位，每秒百億億次）。

特斯拉的Dojo強到什麼地步呢？可以做個簡單對比，目前世界上最強的超級計算機能夠以0.415 Exaflop的速度執行，還未建成的、造價6億美元、重達4.5萬噸的超級計算機“Frontier”的算力為1.5 Exaflop。

Dojo的到來，第一個好處是使特斯拉的Autopilot處理4D影片資料（標註了時間座標的3D影片資料）成為可能。

我們介紹過，自動駕駛的人工智慧識別處理的都是2D影象資料，特斯拉的Autopilot也不例外，再進一步無非是標註了時間座標的2.5D影象資料。

但是有了“Dojo”，特斯拉就有了應對2.5D到4D資料容量暴漲的底氣，投入巨量資源重寫Autopilot演算法處理4D資料，實現從影象級處理到影片級處理的躍遷。

收集處理的資料變為擁有時間維度的影片資訊，系統就能知道目標物的運動，對其行為進行預測，而且，系統處理目標物識別、分類以及場景的重構這類任務會更加輕鬆，很大程度上提高了系統對整體場景的理解。

Dojo帶來另一個好處，是它可以和無監督學習進行配合。

演算法的迭代最佳化離不開基於大資料的訓練，但此前機器學習的演算法訓練主要是監督學習。監督學習，是指演算法訓練用到的資料需要先進行人工標註，如對圖片上的機動車、非機動車、行人、紅綠燈等用不同形狀的框標註出來。

因為需要大量的人工標註，監督學習一直被揶揄為人工智慧領域的“勞動密集型產業”。

無監督學習無需對資料集進行人工標註，系統可以自行根據樣本間的統計規律對樣本集進行分析和聚類。例如在沒有任何標註提示的情況下，僅依據一定數量“狗”的圖片特徵，系統便可將“狗”的圖片從不相關的圖片群中區分出來。

有了Dojo和無監督學習的配合，特斯拉便能以極低的成本對資料進行自動標註和訓練，實現演算法效能的指數級提高。

不同於傳統主機廠商僅依靠前端銷售獲利，特斯拉更像汽車行業的蘋果公司。類似於蘋果圍繞iOS打造從晶片到系統、再到硬體設計的軟硬一體化體系，特斯拉亦在Autopilot、電池和造車三個層面協調統一。

特斯拉正以整車銷售為基礎，透過“硬體降本+軟體加成+Robotaxi共享出行”不斷為其商業模式賦能，憑藉平臺服務加成，拓展盈利空間更廣闊的軟體業務。雖然特斯拉的整車售價在降，但單車毛利卻仍有很大上升空間。

我們以最具想象空間的FSD為例。隨著FSD的功能愈發完善，其價格也水漲船高，同時還開通了月度訂閱服務模式。國信證券預測，2025年FSD會為特斯拉貢獻119.84億美元的收入，營收端佔比提升至12%。

此外，後續內建的功能型軟體的啟用、娛樂導向的應用型軟體變現、中長期訂閱服務都有可能成為新增長點。

只是，鐳射雷達的量產開闢了另一條道路。特斯拉已經在視覺感知的方向上一路狂奔，沒法拐彎了，但其他廠商卻擁有更多的選擇。

就在上週四，全球第一款法律許可的L3級自動駕駛量產車型——本田Legend已經在日本上市，配備5顆鐳射雷達，可在日本本土的部分路段使用L3級自動駕駛。至於高精地圖，則是各地區本土車企對抗特斯拉的大殺器。

自動駕駛固然是美好的願景，但這一定要建立在安全的基礎上。早些年，特斯拉曾有過度誇大駕駛輔助功能的嫌疑，最近一段時間，“自動加速”的事故時有發生。所謂能力越大，責任越大，特斯拉既然在自動駕駛領域有著突出的實力，就更應該讓消費者沒有後顧之憂。

本文作者為踢車幫 逝水