全面重寫Autopilot，特斯拉自動駕駛的升維革命

作者?/?陳念航

編輯?/?王德芙

出品?/?汽車之心

在剛過去的?8?月，馬斯克在推特上公布了關於?Autopilot?以及?FSD?的兩條重要消息：

AP?團隊正對軟件的底層代碼進行重寫和深度神經網絡重構；全新的訓練計算機?Dojo?正在開發中。

「重寫?AP」，是今年馬斯克在推特上不斷提及的壹項重要行動。

在回應推友提問時，馬斯克會時不時披露?AP?將有的新功能，比如：

對路面上的隆起和坑洞（bumps&patholes）的識別；對環島路況（roundabouts）的處理等等。

特斯拉對?AP?的全面重寫，包括了對數據標註、訓練、推理全流程的重構。

而基於新架構的?FSD?將不再是漸進式的優化，而是壹次「量子式躍升」（馬斯克原文是?quantum?leap）。

馬斯克在?7?月的世界人工智能大會上表示「有信心在今年完成開發?L5?級自動駕駛的基本功能」，馬斯克能夠實現他的承諾嗎？

特斯拉為什麽要在這個階段對?AP?軟件進行重寫？重寫?AP?到底要重寫些什麽呢？作為當下市面上量產最強的自動駕駛系統，AP?走向何方，FSD?何時到來？

1、特斯拉?AP?兩大新進展

身兼特斯拉?AP?團隊的最高負責人，馬斯克經常充當著軟件測試員的角色。

根據馬斯克在推特上透露，他本人經常開著搭載?FSD?最新測試版本的特斯拉上下班，馬斯克稱在他使用系統的過程中，幾乎不需要人工接管。

基於此，他樂觀估計，最快在?6-10?周後（也就是10月-11月份），就可以向小規模地向用戶推送?FSD?測試版本。

作為重寫?AP?的壹部分，馬斯克還向外界介紹了其全新的用於神經網絡（NN）訓練的超級計算機?Dojo。

Dojo?在日語中意為「道場」，現在它成為了特斯拉訓練數據的「道場」。

Dojo?將專門用於大規模的圖像和視頻數據處理，其浮點運算能力達到了?exaflop?級別，也就是每秒運算百億億次。正因此，馬斯克稱?Dojo?如野獸壹般。

需要註意的是，Dojo?計算機將配合無監督學習算法（unsupervised?learning），來減少特斯拉對於數據人工標註的工作量，這樣來幫助其數據訓練效率實現指數級提升。

馬斯克還在推特上發布英雄帖，為自家的?AI?和芯片團隊招人。

目前，Dojo?計算機仍在開發中，從?V1.0?開始，大約壹年後才會有成果。

有了全新的?AP?軟件架構以及強大的數據訓練計算機?Dojo，難怪馬斯克會對其?FSD?的落地進展如此自信。

但話說回來，特斯拉為什麽要在這個階段對?AP?軟件進行重寫？還是以這樣壹種推倒重來的方式。

2、為什麽特斯拉要重寫?AP?

現在的?AP?已經碰到了性能瓶頸，必須要進行升維革命，否則難有大的突破。

馬斯克用了壹個術語來表述這個問題，他認為過去?AP?被困在壹個局部最大值（Local?Maximum）裏面，要向上突破已經非常困難了。

其中壹個很關鍵的問題在於，原有?AP?軟件架構下，其處理的數據都是不含有時間坐標的?2D?圖像數據。

再想往上去處理?3D?甚至?4D（加上時間維度）?的數據，實現從圖像級處理到視頻級處理的躍遷，?AP?固有的軟件和訓練網絡難以勝任。

關於引入?4D?數據帶來的影響，壹位來自國內自動駕駛公司的工程師向汽車之心分析：

「因為有了時間維度，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松。

總之，加入時間維度，很大程度上是提高系統對整體場景的理解。」

AP?要再往前走，必須進行革命，所以特斯拉這才決定重寫?AP。

另壹方面，因為數據轉變成?4D，信息量更豐富，整個數據的容量也會變大，這也給特斯拉?AP?現有的用於深度神經網絡訓練的基礎設施帶來了挑戰，所以就有了?Dojo。

所以，?AP?為了實現性能和功能上更大的突破，倒逼其對?AP?基礎代碼以及訓練深度神經網絡的基礎設施進行重構。

這樣工作量龐大的復雜工程也成為?FSD?遲遲推出不了落地版本的重要原因。

除了在車載軟件和訓練服務器端變革，特斯拉在車載硬件端也做好了準備，就是其自研的?FSD?芯片。

FSD?已經在去年?4?月份開始量產並搭載在特斯拉的車端。

壹位對熟悉特斯拉的業內人士表示：

「在?FSD?發布後的壹段時間裏，特斯拉?AP?團隊仍是基於?HW?2.x?的硬件（英偉達?Drive?PX?平臺）進行功能開發，直到今年年初，特斯拉才開始全面轉向基於?FSD?芯片的軟件開發。」

相較於英偉達?Drive?PX?平臺，特斯拉?FSD?芯片在基礎算力和深度神經網絡推理效率方面都有革命性提升，而且在視覺處理性能上，FSD?相較於英偉達的芯片有更大的優勢。

所以趁著這壹次特斯拉重寫?AP，整個系統需要處理的數據升維到了?4D，對計算硬件的要求指數級提高，FSD?的強大性能便終於有了廣闊的用武之地。

引入?FSD?芯片的?AP?在性能上會有多大提升？

馬斯克此前在接受?Youtube?視頻博主采訪時透露過：

「如果特斯拉全車的?8?顆攝像頭以?36?幀/秒的速度運行（性能拉滿），軟件則會基於?FSD?芯片的算力同步進行?3D?標註（2D?圖像+深度信息），這會使標註效率提升?3?倍，準確性也會大幅提升。」

特斯拉重寫?AP，除了馬斯克口中所說的要突破「Local?Maximun」以及挖掘?FSD?芯片的極限性能這兩方面的原因之外，還有壹種可能性存在。

矽谷壹位資深自動駕駛工程師告訴汽車之心：

「特斯拉現有的?AP?系統和後續要推出的?FSD?是兩套獨立開發的系統。

前者的架構是針對於?L2/L3?級自動駕駛，而?FSD?的目標從壹開始就是?L4/L5?級自動駕駛。因此，兩套系統在架構上有本質的差異，兩者差著壹個代際。」

後續，隨著技術不斷進步，FSD?也走向成熟，特斯拉決心把?FSD?和?AP?的框架進行整合。

但問題是，兩個系統中有些模塊可以融合，但是有些模塊是融合不了的，畢竟壹個為?L2?開發的系統很難直接演變成?L4?系統。

所以特斯拉?AP?團隊要改寫?AP?軟件的框架和代碼，以實現兩個系統間的完美兼容，這樣的話，後續才能以統壹的版本推送給購買了全自動駕駛選裝包的特斯拉車主。

實際上，我們也能從?AP?這些年的功能更新中發現壹些蛛絲馬跡。

2017?年?3?月，推送自動泊車和自動輔助變道功能；2018?年?10?月，推送自動輔助導航駕駛（NoA）功能；2019?年?9?月，推送智能召喚（Smart?Summon）；2020?年?4?月，推送識別交通信號燈和停車標誌並作出反應（海外先行）。

AP?還在最新的叠代過程中更新了壹些令人驚喜的小功能：

比如在城市工況施工區域，沒有車道線的情況下，車身兩側皆為錐形桶，AP?能做到以錐形桶為依據實時繪制車道線。

AP?系統還能檢測到小動物並及時進行避讓，不過特斯拉是把小動物壹律識別成人後才做出相應的操作。

基本上，在特斯拉官網上標明的?FSD?完全自動駕駛功能，還剩下壹項最難的、也最能代表?L4?級自動駕駛能力的更新：在城市街道中進行自動輔助駕駛。

為了實現這壹難度最大的更新，特斯拉給出的最優解就是重寫?AP。

基於以上分析，特斯拉重寫?AP?的原因便包括突破「Local?Maximun」、挖掘?FSD?芯片的極限性能以及將系統能力從?L2?進化至?L4。

4、特斯拉重寫?AP，是重寫什麽？

先來看看特斯拉?AP?現在最新的?AI?軟件堆棧是怎麽樣的：

最底層的是數據、GPU?集群以及?Dojo?計算集群，這壹層主要進行數據采集、標註和訓練，生成算法模型；往上走就是采用深度神經網絡對模型進行分布式訓練；再往上走就是用損失函數對模型進行評估；在評估層之上，是雲端推理層和車端?FSD?芯片推理層，到這壹層，意味著算法模型走完了大部分流程，然後就是部署到車端；在車端，特斯拉通過影子模式（Shadow?Mode）將這些算法模型與人類駕駛行為進行比對，檢測是否存在異常。

這樣的從數據采集到算法部署的閉環，目的就是讓系統性能不斷叠代，更加優秀。

在這個閉環當中，涉及到數據集、模型訓練神經網絡、雲端和車端推理算法等等要素。

所以，當數據形式從二維的圖像數據（2D）轉換成四維的視頻級數據（4D）後，相應的神經網絡和推理算法都需要進行重寫。

據馬斯克透露，特斯拉?AP?新版本的深度神經網絡會將包括感知、路徑規劃、目標識別等所有子神經網絡綜合於壹體。

特斯拉?AI?高級總監?Andrej?Karpathy?在此前的壹次演講中表示：

「我們無法讓每壹個任務都享有單獨的神經網絡運算，因為同時處理的任務數實在太多，我們只能把壹些運算分攤到***享骨幹網絡上」。

Andrej?Karpathy?將這壹骨幹網絡稱為?HydraNets（Hydra?意為九頭蛇），意思就是有壹個主幹網絡（Backbone），在這個網絡上有多個不同的出口（Head）來做應用，然後輸出各自的結果。

在特斯拉?AP?最新的?AI?軟件堆棧中，有壹個最值得關註的部分就是?Dojo?訓練集群，這個集群可以處理海量的圖像、視頻數據。

引入這壹訓練計算機，壹方面是為了滿足特斯拉?AP?系統此後的?4D?視頻數據處理需求。

另壹方面，特斯拉在全球有超過?82?萬輛搭載?HW?2.0/3.0?硬件的車輛每天在道路上行駛，可以采集海量的數據用於?AP?的訓練，而如此海量的數據，必然需要具備強大計算性能計算機來進行處理。

Dojo?還有壹個特別之處在於，它可以與無監督學習進行配合。

所謂無監督學習，就是無需人工對訓練數據集進行標註，系統可以自行根據樣本間的統計規律對樣本集進行分析，常見任務如聚類等。