# Tesla AI Day 2022 全程回顾 > - 原标题:Tesla AI Day 2022 - 时间:2022 年 - 频道:Tesla - 网页版:https://elon.ruinews.com/ep/tesla-ai-day-2022/ - 精读字数:约 9487 字(阅读约 21 分钟) > 本文为 elon.qiaomu.ai 基于原始视频与文稿的 AI 改写中文精读,非官方翻译;引用请注明出处并链接网页版。 去年这个时候,舞台上那台"机器人",紧身衣里裹着的是个真人,被灯光打着跳舞。今年同一个舞台,一台没有缆绳、没有外部支撑的机器人自己站了起来,挥了挥手,做了几个蹲起,然后被工作人员推着下了台。 "我们只是不想让它当众摔个嘴啃泥。"(马斯克) 这句话基本概括了 Tesla AI Day 2022 的调性:东西真做出来了,但离"能用"还有不短的路。这场发布会同时在讲三件事,一台人形机器人、一套纯视觉自动驾驶系统、一台自研的 AI 训练超算。三件事看着分散,底层逻辑是同一条:把真实世界的视频喂进神经网络,让它输出动作。 ## 机器人这次是自己走的 上台的这台代号 Bumble-C,是开发阶段的原型,用的是半现成的执行器。它被拉去弗里蒙特工厂干了一段活:搬箱子、把零件送进焊接工位。屏幕上播放的演示里,有一个视角是机器人自己"看到"的世界,它能把要抓的物体单独识别出来,标上颜色,然后伸手去抓。 这套能力直接来自 Autopilot。米兰·科瓦奇(Milan Kovac)说得很直接,Autopilot 的计算机视觉神经网络被原样搬到了机器人上,唯一变的是重新采集的训练数据。"我们只是把一个坐在轮子上的机器人,换成了一个站在腿上的机器人。" 随后推上来另一台。外壳掀开,里面全是特斯拉自己设计、自己制造的东西,执行器、电池包、控制系统,一个外采件都没有。它当时还走不了路,马斯克说大概几周之后就能走。 ## 为什么非要做成人形 这个问题在整场活动里被回答了很多次,答案都指向同一个方向:世界是按人的尺寸建的。 特斯拉的工厂、货架、门把手、楼梯、工具箱,全都被设计成人类可以操作的样子。一台轮式机器人或者一台专用机械臂,每换一个任务就要重建一次环境。人形机器人不需要,它走进一个为人类准备的空间,所有东西天生就是给它准备的。 手的设计负责人迈克尔·里瓦斯(Michael Rivas)把这个逻辑翻过来说了一遍:因为这些物体是为人类的手设计的,所以我们的手只要能复现人类的手,就能抓住我们从未见过的新东西。省下的是给机器人适配世界的工作量。 代价是自由度暴增。整机保留了 28 个基础自由度,手另算。团队花了大量时间研究人体,结论是人体有一堆多余的自由度:把指尖按在椅子上不动,肩膀和肘部还能在很大范围里随意移动。这些冗余对人有价值,一台只想干活的机器暂时用不上,所以砍到最小可用集。 ## 手是整场活动里最硬的活 一只特斯拉的手有 6 个执行器、11 个自由度,指尖速度能到每秒 300 度。驱动方式用金属腱,弃用了连杆。 腱驱动在机器人圈子里一直被质疑,主要担心耐久性。现场有人直接问了这个问题。回答是:先试过合成腱,强度不够,最后选了金属编织线缆。腱的好处有两个,一是零件数量少,要造几百万只手的时候,少一堆微小连杆是天大的差别;二是可以做到"防背隙",手指运动不会有间隙和抖动。 另一个细节是弹簧。手指靠腱收缩,靠弹簧被动伸开。这样不需要为"张开"再配一套执行器,一只手省下一半的驱动。同时还有一套不可反驱的离合机构,抓稳东西之后电机可以完全断电,靠机械结构保持握力。 这套方案会被推翻吗?马斯克说得很坦白,团队在很多技术路线上未必选对了,架构也没有被钉死,第二代、第三代手可能会大幅改动。眼下的目标只有一个:最快路径造出一台有用的机器人。 ## 膝盖里藏了一段生物学 结构负责人马尔科姆·戴维斯(Malcolm Davies)讲了膝盖的故事,信息密度很高。 特斯拉造车时练出了一套碰撞仿真能力,Model 3 的仿真碰撞和真实碰撞几乎完全重合,那个模型包含 3500 万个自由度、每一颗螺栓、每一个焊点。这套东西被搬来让机器人摔倒。目标很具体:摔了之后别把手臂里的减速箱摔碎,那相当于人的肩膀脱臼,修起来又贵又麻烦。 团队还做了模态分析。一般人造机器人,会把第一阶固有频率做到接近 10 赫兹,为的是让行走控制变简单,脚不会乱晃。特斯拉做不到这一点,因为它要用塑料而不是碳纤维和钛合金,要造几百万台,刚度上不去。 于是它反过来问:人为什么能在这么低的频率下走路? "我们就是一堆湿软的果冻加几根骨头。我跺一下腿,它不会以 10 赫兹振动。"(马尔科姆·戴维斯) 答案是控制。把模态数据和刚度信息喂进控制系统,让控制器去处理柔性。这条路更难,可它是唯一能撑住大规模量产的走法。 膝盖的设计也来自观察人体。人蹲下去的时候,膝盖承受的力矩比站直时大得多,这条关系是非线性的。团队把行走、搬箱、下蹲、爬楼这些任务的力矩需求全部画在同一张图上,发现需要的曲线正好是一条非线性曲线。四杆机构的力矩特性,天生就把这条曲线拉直了。用简单的两杆直连,执行器的峰值力要大得多,效率也差得多。 ## 能举起半吨重的三角钢琴 执行器负责人康斯坦丁诺斯·利亚皮斯(Konstantinos Laskaris)展示了执行器组合的推导过程。 汽车的痛点很清晰,电机要满足 0 到 60 英里加速或者城市工况。机器人有 28 个关节,每个关节的任务是什么并不显然。所以团队先把"走路""爬楼梯""搬重物"这些高层任务,翻译成每个关节的力矩和转速轨迹,再把这些轨迹叠到执行器的效率图上,算出完成这个任务要消耗多少能量。 接着是暴力搜索:在集群上求解几十万个候选执行器设计,画出成本与性能的散点云,取红色那条帕累托前沿。每个关节单独最优,会得到 28 种完全不同的执行器,这在制造上不可能。所以再来一轮"通用性研究",找出能同时满足多个关节要求的同一款设计。 最后的答案是 6 款:3 款旋转执行器、3 款线性执行器。线性执行器用了行星滚柱丝杠,现场放了一段视频,它把一台九英尺长的三角钢琴吊了起来,重量大约半吨。团队强调这来自真实需求:人类的股四头肌在直接驱动时也能做到同样的力,只是膝盖这个"升速连杆系统"把力换成了速度,让脚踝跑得快。 ## 2.3 度电,两万美元,和"经济变成准无限" Optimus 的躯干中间放了一块 2.3 千瓦时的电池包,够干一整天活。电池的所有电子件,采样、熔断、充电管理、配电,全部集成在一块 PCB 上,冷却方式和安全设计直接沿用汽车和储能产品的经验。 "大脑"也在躯干里,不在头上。它基于特斯拉已经在每台车上出货的 FSD 计算机,但改了形态和接口,增加了无线连接、音频、以及硬件级安全功能,后者是为了保护机器人本身和它周围的人。 价格是这场发布会传得最广的一句话:预计低于两万美元,最终年产量可能到数百万台。马斯克的原话是"这是我猜的"。 为什么要把成本压到这个量级,他给了一套经济学的推导。经济产出等于参与生产的实体数量乘以人均生产率。当资本不再构成限制,参与生产的"实体"可以无限复制时,经济的定义本身就开始失效。 > 经济会变成准无限的。在良性情景下,这意味着一个富足的未来,一个没有贫困的未来,你想要什么产品和服务都能得到。(马斯克) 他把这个量级差算了一遍:自动驾驶对运输生产率的提升大概是半个数量级到一个数量级,人形机器人对经济产出的提升可能有两个数量级,而且上限看不清楚在哪。 ## 一家单一股权结构的上市公司,被当成 AI 的治理方案 马斯克花了很长时间讲治理结构,这段在被传播的时候经常被剪掉。 他开场就说,特斯拉在做的事情有可能对 AGI 做出实质性贡献。紧接着他补了一句,特斯拉适合做这件事,从治理角度看。 > 我们是一家上市公司,只有一类股票,这意味着公众控制着特斯拉,我认为这是好事。如果我疯了,你们可以把我炒掉。(马斯克) 这句话他说了两遍,还强调"这一点非常重要,不能被忽略"。逻辑是:如果公众不喜欢特斯拉在做的事,可以买股票、投票改变方向。他特别点出,很多人以为他可以想干什么就干什么,事实并非如此。 他没展开的另一面是,这套论证同时也在给"为什么这件事该由一家公司来做"提供合法性。这是他这些年谈 AI 风险时反复回到的位置:与其让不受约束的机构做,不如让可以被股东换掉管理层的实体做。 ## 从 2000 台到 16 万台,FSD 这一年 阿肖克·埃卢斯瓦米(Ashok Elluswamy)给出了两组数字。去年这个时候,大约 2000 台车在跑 FSD beta。到今年,16 万台。 支撑这个数字的是迭代速度:过去一年训练了 75000 个神经网络模型,平均每 8 分钟出一个,全部在大集群上评估,最后只有 281 个真正提升了车辆表现,被推上车。也就是说,99.6% 的模型死在了评估环节。 这条流水线的产能本身就是竞争力。模型好坏是结果,能不能以这个频率生产并筛掉模型,才是原因。 ## 用语言模型画车道线 约翰·埃蒙斯(John Emmons)讲的是车道检测的重写过程。 早期的车道检测被当成图像分割问题:把鸟瞰图上的车道像素涂出来。这套方法在高速公路上够用,因为结构规整。到了路口就彻底崩溃,因为路口里的车道线是交叉的、拓扑关系复杂的,而且经常被遮挡。 不确定性同样麻烦。如果看不清路口对面是两条车道还是三条,分割模型会老老实实把两条三条全画出来,画出一个"2.5 条车道",后处理算法直接傻掉。 特斯拉的解法是把它当成一个语言问题。车道被编码成一种特斯拉自创的"语言":每个 token 是一个三维空间中的车道点,token 的顺序和附加的修饰符编码车道之间的连接关系。起点 token、延续 token、分叉 token,分叉 token 还会回指它从哪个已生成的 token 分出来,就像语言模型里的指代。 于是整件事变成自回归生成:网络从空白开始,先预测一个粗网格上的热力图,取概率最高的位置,再细化到精确坐标,然后一个字一个字往下写,直到输出结束符。 好处是模型必须"承诺"。语言模型采样的时候只能选一个词,不能在两个词之间各占一半。所以路口看不清的时候,网络会输出一个连贯的猜测,不会同时画出并排的三条车道。这恰好是驾驶需要的行为。 这个车道网络有 7500 万参数,在车上跑一次不到 10 毫秒,功耗 8 瓦。整个车端所有网络加起来大约 10 亿参数,输出约 1000 个神经网络信号。 阿肖克补了一句,这套"语言"框架不只用于车。在工厂或者家里,你可以对机器人说"去厨房",系统给出一组穿过走道的路径,本质上和车道图是同一种结构。 ## 预测到四阶导数 车辆检测这件事,特斯拉现在做的不只是框出一个物体。 网络直接从 8 路摄像头的原始视频流里,输出每个交通参与者的完整运动学状态:位置、速度、加速度、加加速度。阿肖克自己都觉得这件事有点不可思议,他说这些网络在预测位置的第四阶导数,而几年前人们还在争论摄像头到底能不能检测物体。 代价是数据。自动标注系统在服务器上跑几小时昂贵的网络,把结果蒸馏成标签,再拿去训练车端的小网络。仿真系统合成图像,标签天生就有。所有这些进入一条数据引擎:先训一个基线模型,推上车,看它在哪儿失败,然后去车队里挖出同类场景,人工或自动补上正确标签,加进训练集。循环往复。 一个具体例子:转弯处有一辆车斜停着,模型预测它是"等红灯停住了",于是自己减速等待。实际上车里没人,它就是乱停的。数据引擎找出 126 个同类片段,扩大挖掘到 13900 个,修正标签,重新训练。模型架构一点没改,这个 case 就解决了。 凯特·帕克(Kate Park)说了一句挺关键的话:学术界常常固定数据集去改模型,特斯拉反过来,模型基本不动,把数据当成最确定的杠杆。今年光是"车辆运动"这一个信号,就更新了五次。 ## 500 万小时人工标注,压到 12 小时 张亚勤(Yeqiang Zhang)讲自动标注,500 万小时的人工标注工作被压到了 12 小时的集群时间。 训练车道网络要覆盖几千万趟行程、上百万个路口。原始数据特斯拉有,每天 50 万趟。难的是把原始视频变成训练标签。 特斯拉的做法是"多趟重建"。同一段路,不同车辆在不同时间、不同天气、不同角度开了无数次。系统先用多摄像头视觉惯性几何,恢复每一趟的高精度轨迹和路面结构,车上就完成预处理,轨迹漂移约每米 1.3 厘米、每米 0.45 毫弧度。然后把多趟数据做粗对齐、两两匹配、联合优化、表面细化,重建出一个完整的静态世界。 有了这个重建好的世界,标注新的一趟只需要把它对齐进去,30 分钟搞定。整个流程高度并行,在集群上标注 1 万趟只要 12 小时。每前进一步,标注吞吐提升接近 100 倍。 结果是,那些最难的人工场景,无路灯、大雾夜、环岛、被停放车辆遮挡的路口、雨夜镜头挂水珠,只要原始场景被其他片段重建过,全都能自动标注。 ## 两周的活,五分钟 大卫(David)讲仿真,拿出了一个很硬的对比。 旧金山 Market Street 上一个复杂路口,美术手工搭,两个人两周。用新工具,五分钟。快了 1000 倍。 流程是把自动标注产出的真值倒进 Houdini 里的程序化生成工具:路面边界生成路面网格,车道图重新拓扑,车道线扫掠投影成贴花,中央隔离带生成绿化,外围建筑、消防栓、落叶由随机启发式生成,地图数据决定红绿灯和路牌的位置,车道图的邻接关系决定随机车流。 全自动,没有美术介入。 这套工具还能改真值本身。如果约翰希望网络更关注某条转向车道的路面标记,可以直接在仿真里程序化改写车道图,造出真实世界根本不存在的交通流,逼网络去学那个特征。 所有瓦片按地理哈希切成 150 米见方,可以任意组合,可以在一夜之间重算全部瓦片。一个人花两周,就把旧金山大部分城区街道生成出来了。 ## Dojo 为什么不要 DRAM 皮特·班农(Pete Bannon)解释了这个决定背后的取舍。 目标是给 Autopilot 团队把训练延迟砍下来一大截。他们当时最大的网络要训一个多月,这基本上断绝了快速试错的可能。如果能做到 30 倍加速,成本、能耗还有竞争力,就值得自己做芯片。 做芯片的第一选择是堆算力单元,并且让这些单元的利用率极高。他们认真研究了用 DRAM 做主要存储的各种封装方案,全部失败。 最后选择了片上 SRAM。SRAM 容量小得可怜,但带宽极高、延迟极低,能让运算单元维持高利用率。 这个选择连锁出一堆别的选择:没有虚拟内存,因为页表太占地方;没有中断,加速器是一块裸硬件,交给编译器,由编译器确定性地调度一切;训练方法选了模型并行,主流的数据并行被放弃,因为它要吃掉额外内存容量,而他们没有内存可浪费。 另一个目标是"无上限"。传统机器里 GPU、CPU、DRAM、网络的配比是固定的,模型一大就得换整台机器。Dojo 想把这些元素解耦,模型变了,配比跟着变。 ## 一颗开裂的振荡器 比尔·张(Bill Chang)讲了一段故障排查,工程味很重。 Dojo 的训练瓦片把 25 颗芯片用极高带宽连在一起。因为 XY 平面全被高速通信占满了,所有其他东西必须垂直堆叠:时钟、电源、系统控制器,全部塞进电源模组里。 供电密度是每平方毫米接近 1 安培。多层异质材料叠在一起,热膨胀系数不匹配,整叠结构会把自己撕开。团队最后把热膨胀系数降低了超过 50%,性能提升到初版的三倍。这个电源方案原本想找供应商做,后来发现必须自己做。 然后故障出现了。规模扩大、任务变长之后,瓦片上偶尔有单个站点失效。起初可以恢复,功率推高之后变成永久损坏。 根因排查了很久:振荡器丢了时钟输出。再往下挖,是附近电容的压电效应让模组产生振动,振动频率和开关频率形成共振,把 MEMS 振荡器在平面外方向振裂了。 "唱电容"在电源设计里不算新现象,通常的解决办法是把时钟芯片放在板子上安静的角落,离功率电路远远的。但为了这种集成度,振荡器必须紧贴电源。 解法是三管齐下:换软端子电容减少振动,换平面外方向 Q 值更低的 MEMS 器件,调整开关频率把共振点推离敏感频段。 ## 2 兆瓦,跳闸,和市政府的电话 散热是另一个战场。Dojo 机柜集成的功率和散热能力,相当于一整排标准 IT 机架。特斯拉自研了 CDU(冷量分配单元),成本只有买现成产品再改装的零头。 今年早些时候做负载测试,功率推到 2 兆瓦以上,把变电站顶跳了,然后接到市政府的电话。 系统托盘是"单一加速器"这个愿景的关键零件。一块层压母排,75 毫米高,承载 6 个瓦片、135 公斤,相当于三到四个满载的高性能机架。瓦片之间以极紧的间距互连,整个机柜之间也能无缝接上。 数据侧靠 Dojo 接口处理器:每个托盘 20 张卡,640 GB 高带宽 DRAM,用自研的 TTP 协议给训练瓦片喂数据,同时支持把 TTP 跑在标准以太网上。主机直接放在托盘下方,提供 x86 Linux 环境、硬件视频解码、以及数据摄取。 一个 ExaPOD 装两个完整加速器,合计超过 1 exaflop 的 ML 算力。 ## 5 微秒对 150 微秒 拉吉夫·库里安(Rajeev Kurian)讲软件栈,拿出了最有说服力的一组对比。 批归一化(BatchNorm)是横跨所有芯片的同步操作,先各算局部均值和方差,再全局归约,再广播回去。在 25 颗 Dojo 芯片上,8750 个节点协同完成这一整套归约加广播,用时 5 微秒。同样的操作在 24 张 GPU 上要 150 微秒。 30 倍。而且这个优势对所有通信原语都成立,不只批归一化。 整机性能上,ResNet-50 上 Dojo 单芯片已经和 A100 打平,而且是在每芯片 batch size 只有 8 的情况下做到的。真实负载里,自动标注网络在现款硬件上已经超过 A100,换生产版硬件是 2 倍,加上编译器优化能到 3 倍以上。占用网络提升接近 3 倍。 换算成采购语言:一个 Dojo 瓦片可以替掉六个 GPU 盒子,而瓦片本身比其中一个盒子还便宜。原来要训一个多月的网络,现在不到一周。 ## 从 4% 到 97% 故事没有停在好消息上。拉吉夫接着讲了翻车现场。 在 PyTorch 层面测出来的性能完全没达到预期。时间轴上那些绿色的小条是加速器真正在算的时间,其余全是空白,硬件在等数据。 原因很朴素:Dojo 主机的 ML 算力是 GPU 主机的十倍,跑在上面的数据加载器喂不饱它。 解法是把 TTP 协议扩展到以太网上,做了 DINIC 网卡,再搭一层专门的数据加载主机,通过以太网交换机接到 Dojo 网格上。每台主机都能用硬件加速的 DMA 访问网格里所有 TTP 端点。 改完之后,占用率从 4% 变成 97%。 这一段在整场发布会里价值很高。它说明这家公司愿意在台上讲自己踩的坑,也说明纸面算力和实际吞吐之间隔着一整个软件栈的距离。 ## 第一批 ExaPOD 和它的账 第一个大规模部署目标是自动标注网络,现在占用 4000 张 GPU、72 个 GPU 机架。用 Dojo 做,同样的吞吐只要 4 个机柜。 这 4 个机柜属于第一个 ExaPOD,计划 2023 年第一季度建成,把特斯拉的自动标注产能翻一倍以上。帕洛阿尔托一共规划 7 个 ExaPOD。 现场摆了一个展示机柜:6 个瓦片密集装在一个托盘上,54 petaflops 算力,640 GB 高带宽内存,电源和主机都含在内。下一代硬件,团队预期再提 10 倍。 顺带一个彩蛋:他们拿刚发布的 Stable Diffusion 试跑,几分钟就上了 Dojo,编译器自动把它按模型并行铺到 25 颗芯片上。生成的图是一辆 Cybertruck 在火星上。拉吉夫的评价是,离特斯拉设计工作室的水平还有距离。 ## 问答环节里漏出来的东西 后半场两个小时问答,信息密度不比演讲低。 **关于机器人的人格。**马斯克说会有很好玩的版本,既能干活也能当伙伴,皮肤和外观可以换,会有各种创意玩法。对话能力是标配,你可以用很自然的方式跟它说话,给一个高层指令,它自己拆成一系列动作去执行。 **关于安全底线。**机器人会配本地急停,"一个不能通过网络更新的本地控制 ROM",马斯克说这一点是本质性的。他还提到开场本来想放一段终结者捏碎头骨的视频,怕大家当真,放弃了。 **关于开放平台。**有人问能不能像安卓那样开放给全世界研究者。马斯克的回答是先要防止被滥用:会提供可以下指令的 Optimus,但那些指令被一套不可逾越的机器人定律约束着,比如不伤害他人。 **关于交付时间。**三年内,不超过五年,普通人可以收到一台 Optimus。工厂里的第一步应用非常简单,搬零件、把零件送进焊接工位,然后逐步扩大适用场景。他说能干的活会指数级增长。 **关于 Dojo 的商业形态。**不会对外卖机器,做成 AWS 那样的在线服务更合理。世界正在转向 Software 2.0,神经网络训练需求会越来越大,谁有最快最便宜的训练系统谁就有优势。 **关于 AGI 监管。**马斯克说他支持在政府层面设立 AI 监管机构,理由和对飞机、汽车、食品、药品的监管一样,AI 影响公共安全。他加了一句,这件事各国政府目前还没搞明白。 **关于数据规模。**他给出的论证是:互联网数据可以爬,但互联网造不出几亿个分布在真实世界里的摄像头和麦克风。车队加上人形机器人,可能是人类拥有的最大的真实世界数据集。他判断特斯拉"可能会对 AGI 有贡献"的依据就在这里,而且他强调这是涌现出来的结果,没有预设路线图。 **关于 FSD 全球推广。**技术层面年底就能全球 beta,卡在各国的监管审批。下个版本会显著提升对快速横向来车速度的判断。高速和城市将合并成一套栈,马斯克自己开的版本已经是整合栈,表现比现有的高速生产版本好不少。停车场也会在年底前并入,实现从车位到车位。 **关于唯一要优化的指标。**每次必要干预之间的里程数。每周测,每天都在改善。 **关于"蜂蜜陷阱"。**有人问特斯拉凭什么同时做这么多领域。马斯克的回答没有谈资源,谈的是人才密度。他说硅谷有几家公司是工程师的蜂蜜陷阱:待遇极好、环境极舒适、实际产出极低。工程师进去了,看着挺开心,才华被悄无声息地浪费。特斯拉不是那种地方,活很重,但你的能力会被用到极致。 **关于给二十多岁的自己一句话。**他说多和聪明人接触,别太紧绷,偶尔停下来闻闻玫瑰。然后讲了个细节:当年在夸贾林环礁开发猎鹰一号火箭,那是个很漂亮的小岛,整个开发周期里,他一次都没在沙滩上喝过一杯酒。"我本应该在沙滩上喝一杯的,那没什么问题。" **关于神经网络吃掉软件。**最后一个回答里他提了一句,Autopilot 这些年的演变方向,是神经网络逐步吸收掉越来越多的软件。极限情况下,你完全可以把摄像头看到的视频直接和方向盘、踏板的输入对应起来训练,中间什么都不放。因为人就是这么做的。"我们还没到那一步,但方向一直在往那边走。" ## 这场发布会实际交付了什么 把三块内容放到一起看,会发现它们共用同一套底层设施。 人形机器人用的是 Autopilot 的占用网络、同样的训练流程、同样的数据引擎,只是训练数据换成了室内场景。车道图那套自回归语言模型,换一种"词汇"就能编码机器人该走的路径。Dojo 训的第一批大网络,就是给车和机器人做自动标注的那些。 特斯拉真正在造的东西,车和机器人都只是外壳。底下是一条把真实世界视频转成标签、把标签转成模型、把模型转成动作的流水线。车是这条流水线第一个跑通的形态,机器人是第二个。 至于那条流水线什么时候能做出 AGI,马斯克自己也没给时间表。他能给的只有一句:这东西不会无聊。 如果你看完这场发布会想做点什么,下面几件事比较实在: - 想理解占用网络,从"用视频直接预测三维体素占用和占用流"这个思路入手,比啃检测加跟踪的传统流水线更有收获,重点看它怎么处理遮挡和曲率物体。 - 想理解车道图那套方案,去读图像描述(image captioning)和自回归序列生成的老论文。特斯拉做的事本质上是把车道当成句子来写,思路迁移成本很低。 - 做机器人控制的话,四杆机构膝盖和模态分析那两段值得反复看。它给出"用控制补偿结构柔性"这条低成本量产路线的完整论证,参数只是附带。 - 做训练基础设施的话,记住 4% 到 97% 这个数字。算力买回来只是开始,数据加载、存储格式、视频解码路径上任何一环拖后腿,整机就废掉 90%。 - 对自动标注感兴趣,先算清楚你的场景需要多少小时人工标注,再想清楚哪些步骤可以靠"多趟重建"消掉。特斯拉把 500 万小时压到 12 小时,靠的是换个顺序做数据。 - 判断一家公司能不能长期做硬件,别只看 demo,看它敢不敢在台上讲自己踩的坑。振荡器开裂和 2 兆瓦跳闸这两段,比任何一个性能数字都更能说明团队的成色。