馬斯克還真開著特斯拉“去小扎家”了，全程直播無剪輯！

不過說“開車”已經(jīng)不準確，因為這回是新版FSD全程給馬斯克“代駕”，45分鐘里他本人只上手干預了一次。

也就是鋼鐵俠親自上陣，搞了一場自動駕駛路測。

坐標加州Palo Alto，從特斯拉新工程總部出發(fā)，中途曾用谷歌地圖搜索扎克伯格家地址并導航。

圖片

馬斯克搭乘一輛老款Model S，硬件還是基于HW3的版本，但軟件已經(jīng)是未正式發(fā)布的新版FSD V12。

盡管畫質(zhì)不到480p，但這場??平臺上的直播，已吸引超1000萬人在線圍觀。

圖片

之所以備受矚目，倒不全是大家伙吃瓜“馬扎籠斗”的熱情太高，主要在于FSD V12被稱為特斯拉自動駕駛最重要的一次升級：

實現(xiàn)了完全端到端（End-to-end）方案，輸入一端是圖像，輸出一端是對汽車的控制指令，中間完全由神經(jīng)網(wǎng)絡處理。

馬斯克自己的說法要更咋呼一點：

光子進，行為出，和人類一樣。

試駕過程中，馬斯克多次表示現(xiàn)在的系統(tǒng)沒有一行規(guī)則和條件判斷代碼，不需要高清互聯(lián)網(wǎng)地圖。

比如，在經(jīng)過路邊一位騎行者時，馬斯克就強調(diào)“沒有任何代碼聲明要給騎自行車的人讓行，沒有等待x秒之類的東西，只有(神經(jīng))網(wǎng)絡?！?/p>

This is all net, baby, nothing but net.

圖片

知名科技博主Robert Scoble表示：世界從今晚開始改變。

十年后，人們將把這一時刻定義為機器人的首次公開演示，機器人僅通過看視頻就學會在現(xiàn)實世界中移動。

這是軟件構建方式的范式轉(zhuǎn)換。

圖片

馬斯克也回復他：準確的。

同樣令人驚訝的是，所需的推理計算功率只需要100W。

圖片

45分鐘路程僅一次干預

為了凸顯真實性，馬斯克從地圖上隨機選擇了目的地。

行駛沒一會兒，汽車來到了一條兩邊全部立滿紅色柱子的施工區(qū)域，對于這一“反常”路況，車輛順暢通過：

圖片

在本次路程的第一個紅燈之處，Model S完美停住。

等待左轉(zhuǎn)燈綠起之后，它便通過無保護左轉(zhuǎn)（UPL）非常流暢地駛?cè)胱筮叺牧硪粭l馬路。

圖片

這是自動駕駛領域中一個比較難的場景，要考慮到地面引導標、左側(cè)行人、前方車輛等情況，馬斯克表示：

看直播可能看不太清楚，但車輛行駛得很平穩(wěn)。

大約5分鐘時，車輛又碰上一片減速帶，Model S順利完成自動減速。與此同時，一輛自行車在右側(cè)飛速前進，但絲毫不會對它造成影響。

也禁住了環(huán)島的考驗。只見在這樣的環(huán)形交叉路口，Model S先等前方的兩輛白色汽車通過之后，便立刻轉(zhuǎn)彎進入：

大約10分鐘之后，車輛載著馬斯克到達了今天的第一個目的地，接著再前往下一個隨機地點。

期間汽車路過斯坦福大學，人群變得多起來，Model S毫無壓力，并禮讓了行人：

由于直播逐漸進入晚高峰時段，馬斯克也吐槽車開的有一點慢。

但一切都按照預期發(fā)生，直到19分左右，馬斯克進行了第一次干預，也是全程的唯一一次。

當時，想要直行的車輛在路口已經(jīng)等了很久紅燈，而在對面信號燈剛剛轉(zhuǎn)為左轉(zhuǎn)狀態(tài)時，Model S竟突然跟著啟動。

不過馬斯克和旁坐的工程師反應迅速，連忙干預制止。

險情結束，老馬也直言：

這就是FSD v12還未真正公開發(fā)布的原因。

后面剩余的25分鐘路程都順利結束，直播還展示了FSD的靠邊停車功能等等。

而在整個直播過程中，馬斯克反復強調(diào)得最多的一點就是：

無論是最開始遇到的紅色立柱、減速帶，還是后面遇到的騎行路人、環(huán)島路口，F(xiàn)SD系統(tǒng)都不是靠任何一行控制代碼來完成決策的。

相反，F(xiàn)SD只是看了非常多的視頻，然后完成了訓練，得到了一個神經(jīng)網(wǎng)絡。

（特斯拉Autopilot的決策從2020年開始由編程邏輯轉(zhuǎn)為視頻訓練的神經(jīng)網(wǎng)絡，在FSD v12之前，v11版本控制堆棧中有超過30萬行C++代碼。）

像19分鐘的那次闖紅燈行為，馬斯克就告訴觀眾，解決方案本質(zhì)就是再多喂更多交通信號燈的視頻，尤其是左轉(zhuǎn)燈的，然后就會起作用。

當然，胡亂投入大量視頻是不夠的，來自優(yōu)秀人類駕駛員的高質(zhì)量數(shù)據(jù)才是訓練特斯拉Autopilot實現(xiàn)FSD的關鍵。

大量平庸的數(shù)據(jù)并不能改善駕駛，數(shù)據(jù)管理實際上相當困難。我們有相當多的軟件去控制系統(tǒng)究竟選擇什么數(shù)據(jù)、訓練什么數(shù)據(jù)。

除了不靠任何代碼完成決策，馬斯克還強調(diào)：

FSD V12不用時刻聯(lián)網(wǎng)就能完成一切。

當然，如果有干預行為發(fā)生，系統(tǒng)會將它記錄下來并發(fā)回特斯拉進行分析。

由于決策全部在本地進行，特斯拉FSD用8個攝像頭以每秒36幀的速度進行拍攝，但系統(tǒng)的計算速度其實可以更快，達到每秒50幀，只可惜相機的速度已經(jīng)到頭了。

不聯(lián)網(wǎng)進行決策也意味著地圖也不用隨時更新，用馬斯克的話來說：

系統(tǒng)只需要坐標，就會自行找到位置。

另外值得注意的是，本次測試FSD V12的Model S安裝的還是HW3。

在HW3上解決L5級自動駕駛之前，特斯拉可能不會在HW4車輛之上啟用FSD。這意味著HW4的FSD訪問權限可能推遲到2025年。

一萬張英偉達H100周一上線

作為知名的時間管理大師，馬斯克試駕途中還抽空語音連線了一個網(wǎng)絡討論會。

圖片

在這里他回答的問題和透露的重點內(nèi)容有：

為什么改用端到端方案，優(yōu)勢在哪？

馬斯克認為“人類就是這樣運作的”，人類用眼睛和生物神經(jīng)網(wǎng)絡開車，自動駕駛用攝像機和數(shù)字神經(jīng)網(wǎng)絡開車是正確的通用解決方案。

雖然神經(jīng)網(wǎng)絡缺乏可解釋性，相應的司機也經(jīng)常說不清楚如何做的決策，只是憑經(jīng)驗。

乘客在做人類司機的出租車時，也無法準確知道司機在想什么。而特斯拉屏幕上顯示的畫面，就是自動駕駛系統(tǒng)在 “想什么”的一個近似。

高端GPU將繼續(xù)短缺，世界進入強算力依賴階段。

馬斯克透露AI訓練主要還是用的英偉達硬件，特斯拉Dojo超算作為輔助，今年花了約20億美元在訓練上面（大部分是硬件資產(chǎn)）。

我認為未來全人類80%-90%的算力都會用在神經(jīng)網(wǎng)絡上。

AI訓練需要把算力集中在一個地方，避免數(shù)據(jù)傳輸帶寬的瓶頸，也會帶來很大的電力負擔。

馬斯克在這里還開了一個玩笑：Transformer架構的神經(jīng)網(wǎng)絡需要越來越多的硬件Transformer。

比GPU更缺的是高速連接設備。

面對“擁有5000張H100是什么感覺？”的提問，馬斯克表示：說少了。

包含1萬張英偉達H100的新算力集群，正在24/7加急準備中，周一（也就是今天）上線。

而且不像很多公司聲稱“擁有”算力其實是租的云計算服務，特斯拉就是真的買了1萬張GPU自己搭系統(tǒng)。

在這樣的大規(guī)模集群中，設備之間的網(wǎng)絡連接非常關鍵，英偉達InfiniBand交換機可能會比GPU本身更缺。

……

直播結束后，特斯拉AI基礎設施主管Tim Zaman進一步透露，即將上線的算力集群擁有200PB的熱緩存，比訓練大模型的系統(tǒng)多幾個數(shù)量級。

也是一個讓很多從業(yè)者覺得不可思議的地方，比如GitHub前CEO。

圖片

Tim Zaman表示嘗試了很多云計算供應商，但沒有一個足夠好，聘請了存儲系統(tǒng)架構師來開發(fā)AI專用的分布式文件系統(tǒng)。

圖片

最后，回到此次直播測試。

不少網(wǎng)友不吝惜自己的贊美之詞，并希望能夠早日試駕一把。

圖片

還有網(wǎng)友調(diào)侃：

看起來FSD已經(jīng)準備好迎接挑戰(zhàn)了，那么，不來試一把亞洲的終極boss之戰(zhàn)嗎？

be like this （手動狗頭）：

值得一提的是，這把直播除了秀特斯拉新版FSD，也是??直播功能的一場壓力測試。

至于最終也沒打上的“馬扎大戰(zhàn)”，似乎已經(jīng)不那么重要了。

馬斯克給自己打的圓場是“小扎在這片地區(qū)有8000多房產(chǎn)，要是真找到他了我就去挑戰(zhàn)”。

參考鏈接：
[1]https://twitter.com/elonmusk/status/1695247110030119054[2]https://twitter.com/treb5475/status/1695289700620341311[3]https://twitter.com/tim_zaman/status/1695488119729238147?s=20[4]https://www.teslaoracle.com/2023/07/01/teslas-full-self-driving-version-12-will-not-be-beta-says-elon-musk/