开云

portant;" />

特斯拉 Autopilot 已（yǐ）经很（hěn）久（jiǔ）没有（yǒu）更新了。

随着 2018 年（nián） 10 月 27 日特斯（sī）拉 2018．42．2 版本的大规模（mó）推送，Autopilot 软件团（tuán）队（duì）的精锐（ruì）力量全部聚焦到了增强召唤（Enhanced Summon）功能的研发上。

9 个月过去（qù）了，敢想敢干、效率至上的 Autopilot 团队至（zhì）今（jīn）没（méi）能搞定「增强召（zhào）唤」。

2019 年 4 月 6 日（rì），Elon Musk 在 Twitter 预（yù）告「增强（qiáng）召唤（huàn）」将于一周后大规模推送（sòng）。但随（suí）后 Autopilot 的实际表现证明，那个版本的（de）「增强召唤」完全（quán）没（méi）有 Elon 说得那么（me）效果拔群。

portant;" />

在 4 月 23 日（rì）的特斯（sī）拉投资（zī）者日上，Elon 无意中（zhōng）透露最新版（bǎn）本（běn）的「增强召唤」仍（réng）在内测中，而它目前还不适合大规模推送给用户。

也就是说，效果理想的（de）「增强召（zhào）唤」，至今仍没有（yǒu）研发（fā）落地。而特（tè）斯拉（lā）最新公布的推送日期，定（dìng）在（zài）「8 月（yuè） 16 号前后」。

特斯拉（lā） Autopilot 怎么（me）了（le）？今天，我会尝试从组织架构（gòu）、AI ＆软件、硬件三个（gè）方面尝（cháng）试说明，为什么 Autopilot 走到了（le）拐点，为什么说 Elon Musk 正（zhèng）在推进 Autopilot 的（de）终局战（zhàn）争。

portant;" />

5 个月实现自动驾驶

从 LA Brentwood 的家到 Hawthorne 的特斯拉设计中心，Elon 经常会选择开（kāi）特（tè）斯拉前往，他有一辆 Model S 一辆 Model 3。两辆车（chē）的相同之处在于都搭载（zǎi）了（le）开（kāi）发者版（bǎn）本的 Autopilot，区别之处在（zài）于这是两个（gè）不同的（de）版本分支（zhī）：一（yī）个支持「增强（qiáng）召唤」功能，另一个支持自动驾驶（Full Self Driving）功能（néng）。

在（zài）每天上下班通（tōng）勤的（de）路上（shàng），他（tā）会开启上述功能进行测试，并将问（wèn）题直接反馈给（gěi） Autopilot 团队。

8 个月后（hòu），Elon 重新开始谈（tán）论 Autopilot。

portant;" />

拥有复杂交通灯（dēng）的交（jiāo）叉路口和购物中心停车场的交叉口（kǒu）是两个最大的软件（jiàn）挑战。开发（fā）团队分支的（de）大（dà）部分精力（lì）都（dōu）投入（rù）在这些场景中，但要达到 99．9999％的安（ān）全性还需要付出大量的努（nǔ）力。

portant;" />

停车场（增强召唤）是个非常棘（jí）手的问题（tí）。今天晚些（xiē）时候会对「增强召唤（huàn）」进行深入的工程审查。

三天后答另（lìng）一位网友（yǒu）的问（wèn）题（tí）时，Elon 透露「增强召（zhào）唤」将（jiāng）于 8 月（yuè） 16 日前后（hòu）进（jìn）行大规模推送。Autopilot 团（tuán）队攻（gōng）克了大（dà）量复杂的挑战。对（duì）于（yú）新版增强召唤，Elon 的评价是（shì） Magical。

portant;" />

「增强召唤（huàn）」的（de）定义，是从（cóng）停（tíng）车（chē）场的任意车位响应（yīng）驾驶员的（de）手机 App 召唤，自动驾驶至驾驶员所在位置。听起来（lái）似乎没有那么困难，但为什么让 Autopilot 的（de）开发进度一度陷入停滞？

portant;" />

「最大的软件挑（tiāo）战」是一个笼统的（de）说法，更（gèng）具体地说，是感知（zhī）？决策？还是（shì）控制存在挑战？

从 2015 年 10 月起，Elon 就开始亲自面试（shì）并直接领导 Autopilot 团队（duì）。发展（zhǎn）到今天（tiān），特斯拉 Autopilot 团（tuán）队（duì）一共（gòng）有 200 人左右。

Autopilot 硬件副总裁 Pete Bannon 领导着大约（yuē） 70 人的（de）硬件团（tuán）队，负责（zé）特（tè）斯拉 AI 芯片（piàn）以及毫米波（bō）雷达的（de）自主研发（fā）工作。

portant;" />

Pete Bannon

Autopilot 工程副总裁 Stuart Bowers 领（lǐng）导（dǎo）着 Autopilot 最（zuì）大（dà）的一（yī）支团队，人数达（dá）到 100 人左右，负责（zé）地图、质（zhì）量控制、模拟和固件更（gèng）新业务的推进。

portant;" />

Stuart Bowers

Autopilot Vision ＆特斯拉（lā） AI 高级总监（jiān） Andrej Karpathy 领导着最小但最核心（xīn）的（de）一支团队，负责（zé）特斯拉计算机视（shì）觉（jiào）和人工智能技（jì）术边界的探索。这支大约 35 人的团（tuán）队涉及的技术包括自我监督学习、模（mó）仿学习和强（qiáng）化学习（xí），是硅谷乃（nǎi）至全（quán）球最顶级的人工智能应用研究团队之一。

portant;" />

Andrej Karpathy

Pete、Stuart 和 Karpathy 铁三角向 Elon 直（zhí）接（jiē）汇报的稳定关系已经持续了接近 1 年（这在特（tè）斯拉非常少见），直到 4 月 23 日特斯拉投资者日（rì）后，事情开始起变化。

在特斯拉投资者（zhě）日上（shàng），Elon 放出了一（yī）张特（tè）斯拉（lā）的（de）十年 To－do List，左边是已经（jīng）达成的里程（chéng）碑，右边明确（què）写着 2019 年，也就是（shì）未来 5 个（gè）月内，特斯拉将实现自动驾驶（shǐ）功能完成（Feature complete）。

portant;" />

这一次，没有 mobilesye 不开放的视（shì）觉感知限制，也没有（yǒu） Autopilot 2．＋的算力桎梏，在过去的三年里，Elon Musk 兵（bīng）不血（xuè）刃扫（sǎo）清了通往自动驾驶道路上（shàng）的（de）所有物理限制。现在轮到 Autopilot 团队上场了。

5 个月实（shí）现（xiàn）自（zì）动驾驶，这是一个（gè）苛刻（kè）到残酷（kù）的时（shí）间表，但（dàn）研发已（yǐ）经开始推进。媒体的报（bào）道中说 Elon 和 Autopilot 团队爆（bào）发了激烈的冲（chōng）突。其（qí）实没有什么「激烈的（de）冲突（tū）」，有的只是两个选择：5 个月（yuè）实现自动驾驶；走人。

5 月 10 日，Stuart 治下的软件工程（chéng）团队最先被动（dòng）刀，先后有五位工程（chéng）师离职。

「增强召唤」技术 Lead Nenad Uzunovic

感（gǎn）知 Lead Zeljko Popovic

首席感知（zhī）工程师 Drew Steedly

控制和路径规划高级工程师（shī） Frank Havlak

模拟团队高级工程师 Ben Goldstein

在 Autopilot 内（nèi）部，一场更（gèng）大的风暴正在（zài）来临。Stuart 被（bèi）降职（zhí），Ashok Elluswamy 被提拔为感知＆计算机视觉团队（duì）负责人、CJ Moore 出（chū）任（rèn） Autopilot 模拟、质量控制（zhì）负责人，路径规划负责人变成了 Drew Baglino，上述三人改为直接（jiē）向 Elon 汇报。

也（yě）就（jiù）是说，在（zài）核（hé）心五人组（CEO、CFO、CTO、首席设计师、汽车（chē）业（yè）务总（zǒng）裁）之外，向 Elon 汇报（bào）的除了遍布全球的 22 位副总裁，新增 3 位（wèi） Autopilot 团队执行负责人。新（xīn）的组（zǔ）织结构如下。

Autopilot 硬件 VP Pete Bannon

Autopilot 工程 VP Stuart Bowers

Autopilot Vision 高级总监 Andrej Karpathy

Autopilot 感知＆ CV 负责人 Ashok Elluswamy

Autopilot 路径规划负责人 Drew Baglino

Autopilot 模拟负责人 CJ Moore

如上所（suǒ）述（shù），截至（zhì）目（mù）前，Autopilot 部（bù）门（mén）向 Elon 直接汇（huì）报（bào）的高管达到了六位（wèi）之多，在特斯拉所（suǒ）有业（yè）务中排（pái）名第（dì）一。

在上（shàng）面离职的高管中，不乏（fá）任（rèn）职五（wǔ）年以上的 Autopilot 创始成员。在（zài）过去的五年（nián）里，他们经历了 Autopilot 1．0 到 3．0 的迭代，经历了「铁打的 Elon，流水的软件副总裁」，为（wéi）什么在今天（tiān）离职？

过（guò）去的时间表（biǎo）无论多么（me）苛刻，Elon 的任务无非是「6 个（gè）月自研视觉工具取代（dài） mobilesye」、「3 个月完成自动变道的研发测（cè）试推送」。尽管（guǎn）这（zhè）些任务也都是（shì）世界级难（nán）题，但全（quán）力以赴＋跳票（piào）带来（lái）的（de）时间宽限，终归是可以解（jiě）决的。

今天，他们接到（dào）的任务是「5 个月实现自（zì）动驾驶」。

自（zì） 2009 年以来 Google X 实验室研发自（zì）动驾驶汽车以（yǐ）来，自动驾驶领域前仆后继地（dì）砸进（jìn）了数（shù）百亿美金，数不（bú）尽巨头、高校、科研（yán）机（jī）构投入（rù）了大量的人才（cái）研发。但直到今天，自动驾驶（shǐ）仍然是一（yī）片荒原，是广袤无垠的技（jì）术无（wú）人（rén）区。

在过去的（de） 5 年里，特斯拉一直面临供应商、车规、算力等各种各样的物理限制，不具备进军自动驾驶的现实条件（jiàn）。今天，Elon Musk 开始强（qiáng）力推进自（zì）动驾（jià）驶的研发（fā）。

特斯拉 Autopilot 走到了一个拐点。

portant;" />

Autopilot Vision 是怎（zěn）样（yàng）炼（liàn）成的

2016 年 7 月，Andrej Karpathy 加入特斯拉出（chū）任 Autopilot Vision ＆ AI 总监。在（zài）Autopilot 部门剧（jù）烈人事变动的同（tóng）时（shí），35 人的（de） AI 部门稳如泰山，Karpathy 的工作功（gōng）不可没。

在加入特斯拉之前，Karpathy 先（xiān）后在斯坦福（fú）大学 AI 实验室（shì）、Google 和（hé） Open AI 从事 AI 领域的研究。特斯拉 Autopilot 应用到的（de） AI 技术包括自我（wǒ）监督学习、模仿学（xué）习和强化学习。

在特斯拉官网，我们看（kàn）到「Tesla Vison 基于深度神经网络，能（néng）够（gòu）对行车环境进（jìn）行（háng）专业（yè）的解（jiě）构（gòu）分析，相（xiàng）比传（chuán）统的视（shì）觉处理技术（shù）可靠性更高（gāo）」。

portant;" />

但特斯（sī）拉（lā）到（dào）底是如何应用 AI 驱动 Autopilot 向自动驾（jià）驶（shǐ）的道路（lù）迈进的？我们（men）需要更多信息。

首先我们先（xiān）要明白的是，所谓 Tesla Vision，一（yī）个端到端（duān）的深度神经网络（Deep Neural Networks），Ta 不是一个深度神经网络，而是多个（gè）深（shēn）度神经（jīng）网络各司其职（zhí）的组合（hé）体。

首先是「物体的（de）检测与分类」，包括障碍物（wù）、交（jiāo）通信（xìn）号灯和路标的检测与识（shí）别。

DriveNet：感知道路上的（de）其他车辆（liàng）、行人、交通（tōng）灯（不（bú）分（fèn）辨（biàn）状态）和路标

LightNet：对交通灯的（de）状（zhuàng）态进行分类（lèi）：红色、黄色（sè）或绿（lǜ）色（sè）

SignNet：识别路标类型，停（tíng）车／限（xiàn）速／单行道等等

WaitNet：检测识别（bié）车辆（liàng）必须停车和等待的（de）情况，例如交叉路口（kǒu）／大（dà）型停车场

在「物体的检测与分（fèn）类（lèi）」部（bù）分，Karpathy 推崇通过（guò）「自我监督学（xué）习」来快速提（tí）升 Tesla Vision 的能力。

portant;" />

自（zì）我监督学习是深度学习领域非常热（rè）门的一个（gè）细分方向，4 月 30 日，三（sān）大 AI 教父之一、Facebook 首席（xí） AI 科学（xué）家 Yann LeCun 专门发文谈了自我监督学习领域的现状。自我监督（dū）学习在自然（rán）语言处理领域取得了巨大（dà）的成功（gōng），但（dàn）在图（tú）像或（huò）视（shì）频领域还不能很好的（de）工作（zuò），在（zài）他看来，这将是未来几年 AI 领（lǐng）域最棘手的（de）挑战（zhàn）（the greatest challenge in ML and AI of the next few years）。

portant;" />

将自我监督学习应用于图像或视频领域，这就（jiù）是 Karpathy 所做的工作，只不过时间宽度「未来几年」变成了（le） 5 个月（yuè）。

什么是自我（wǒ）监督学习呢？自我监督学习（xí）通过设计辅（fǔ）助任（rèn）务来学（xué）习可区别性的视觉特征，这样一来，目标标（biāo）签（qiān）能够直接从训练数（shù）据或图像中获得，并为计算机视觉模（mó）型的训练提供（gòng）监督信息。

自我监（jiān）督学（xué）习最大的（de）优势就（jiù）是消除了监督学习要求人（rén）类进行数据标（biāo）注的（de）先决条件，通过提取并（bìng）使用（yòng）自然场景前后（hòu）的相关元（yuán）数据（jù）作为（wéi）监督（dū）信号。

以（yǐ）自动（dòng）驾驶为例，截至 7 月 5 日，特斯拉 Autopilot 全（quán）球累计里程已经超过了 15．5 亿英里，对于这样一个天文（wén）数（shù）字规模的数据（jù）集（jí）进行清洗、手（shǒu）动标注、训练和（hé）完善深度神经网络，这在短期内是不可能（néng）完成的。

portant;" />

而（ér）自我监督学习很好地解决了这个问题，某种程度上，它让深度神经网络走上了自我完（wán）善的道路（lù），你要（yào）做的是（shì）利用全球 50 万辆规模的车（chē）队收集（jí）数据并用于训练它，它就会变得越来越（yuè）强大。

初步的感知完成后，接下来是路径规划。在路径规划层面，同样需要多层（céng）深度神经（jīng）网络来完（wán）成对环境的感知。以完成车辆前方道路的规划。

OpenRoadNet：识别车辆周围（wéi）的所有可驾驶空间，包括所（suǒ）在车道和相邻车道

PathNet：在没（méi）有车道线的情况下突出显示车辆的可（kě）行路径

LaneNet：检测（cè）车道线和定义行车路径的其他标（biāo）记

MapNet：识别可用于创（chuàng）建和更新高精地图的车（chē）道和地标

路径（jìng）规划（huá）也存在（zài）一些超级复杂的（de）挑（tiāo）战。比如说车道线（xiàn）不清晰（xī）甚至没有（yǒu）车道线的路（lù）况（当然（rán），你可能注意到（dào）了上（shàng）面的 PathNet），这些问题该如何解决呢？Karpathy 的（de）解决方案是：人类是怎么（me）做的，Autopilot 就怎么做。

portant;" />

模仿学（xué）习（imitation learning）是深度学习领域一种相当流行的研究（jiū）方法。2019 年（nián） 2 月，Waymo 首（shǒu）席科学（xué）家（jiā） Drago Anguelov 在 MIT 发表演（yǎn）讲。Drago 披露借（jiè）助「模仿（fǎng）学习」，Waymo 自动（dòng）驾驶汽车（chē）正在（zài）通过学习人类驾驶（shǐ）的（de）行为，来（lái）提（tí）升系统（tǒng）的驾驶能力（lì）。

特（tè）斯拉使用的（de）方案叫做（zuò）行为克隆（Behaviour Cloning，模仿学习的一（yī）种）。行为（wéi）克（kè）隆是什么意思呢？这个相对（duì）好理解（jiě）得多，我（wǒ）们（men）人类学习新技（jì）能就是通（tōng）过观察别人怎么做从（cóng）而完成学（xué）习（xí）。

So we just source a lot of this from the fleet， we train a neural network on those trajectories， and then the neural network predicts paths just from that data． So， really what this is referred to typically is called imitation learning．

We’re taking human trajectories from the real world and we’re just trying to imitate how people drive in real worlds．

前面说了，拥有复杂交（jiāo）通灯（dēng）的交叉路口对自动驾（jià）驶汽（qì）车来说最具挑战的一种场（chǎng）景。这个（gè）时候系（xì）统该怎么决策呢？

每（měi）一（yī）辆特斯拉汽（qì）车经过（无论 Auopilot 启用（yòng）与否）该路口，8 颗摄像头都会（huì）生成一个图像（xiàng）数据（jù）。当（dāng）图像数（shù）据足够多的时（shí）候（hòu），深度神经网络就会（huì）提取人（rén）类驾驶员在此路（lù）口采取（qǔ）的驾驶（shǐ）决（jué）策（包（bāo）括车（chē）辆所在位（wèi）置、车速、转向角度、刹车力度等等）中相同元（yuán）素的最高部分来进行学习（xí）。

在（zài）另一辆特斯拉在（zài） Autopilot 启用状态下（xià）经过该路口时（shí），Autopilot 就会模仿人类驾驶员的安全驾驶行为去进行决策（cè）。

不仅如此，在同城的其他区、其他城市乃至其他国家，遇（yù）到（dào）类似情形的路口时，深度神经网络会调（diào）取驾驶员的安全（quán）驾驶行为（wéi）去（qù）匹配遇（yù）到（dào）的（de）情形，完成学习能力的迁移。

我们谈了自我监督学习、模仿（fǎng）学习，但要让跑在全球各地的特斯拉（lā）具备自动驾驶能力，还有太多棘手的挑（tiāo）战。什么才是最大的（de）挑战？

前 Waymo CTO Chris Urmson、阿里巴巴自动驾驶首（shǒu）席科学家王刚、前（qián） Uber 自（zì）动（dòng）驾驶（shǐ）副总裁（cái） Anthony Levandowski．．．．．．越来越多的顶级人才公开表示，理（lǐ）解人类意图（tú）（Human intent）才是（shì）自动驾驶汽（qì）车（chē）最根本的（de）挑战。

portant;" />

特斯拉的「增强召（zhào）唤」已经做了 9 个月之久，按照我们（men）上面提（tí）到（dào）的，只要应用模仿学习，不断模（mó）仿人（rén）类（lèi）驾驶员的行为（wéi），特（tè）斯拉就可以（yǐ）自动（dòng）驶出停车场，来到驾驶员身边。那这个功能为（wéi）什么迟迟无法落地（dì）？

因（yīn）为车辆每一（yī）次从驶（shǐ）出停车（chē）位到（dào）驶出停车场，面临的（de）路况、其他车辆、行人的行（háng）驶（shǐ）方向和意图（tú）都（dōu）存在太（tài）多不确定性。

这个时候，Karpathy 在（zài）强化学习领域的专业知识（shí）就派上了用场。

强化学习使用更宏观（guān）的全（quán）局思（sī）维来看待自动驾（jià）驶，以解决其中的（de）问题。

所（suǒ）谓强化（huà）学习，指的是使用未标记（jì）的数据（jù）（类似自我监督学习），但（dàn）是可以通过某种方法知道你是离自动驾驶越来越近还（hái）是越（yuè）来越远（即奖惩函数）。可（kě）以把（bǎ）奖惩（chéng）函数想象成自动驾驶的一（yī）个延迟的、稀疏的形式。

在自我监督学（xué）习中（zhōng），能直（zhí）接得到每个输入（rù）的对（duì）应的输出。但在强化学习中，深（shēn）度神（shén）经网络（luò）需（xū）要训（xùn）练一（yī）段时间后，才（cái）能（néng）得到一个（gè）延（yán）迟的（de）反馈（kuì），并且只有一点提（tí）示说明你是离自动驾驶越（yuè）来（lái）越远还是越来（lái）越近。

这里我（wǒ）想引用自动驾驶之外的案例来说明问题。2019 年 1 月，DeepMind 耗（hào）时两年研发（fā）的（de） AlphaStar，以 5：0 的绝对优（yōu）势，打（dǎ）败了全球最（zuì）强大的（de）职业星（xīng）际争（zhēng）霸玩家之一 Dario Wünsch 和 MaNa 战队，攻克了人类创造的复杂度（dù）最高的游戏。

portant;" />

星际争霸游戏有如下五（wǔ）个特性：

没有（yǒu）最（zuì）佳（jiā）策略（游戏过程千变万（wàn）化）

不（bú）完整信息（无法看到全局信息）

长（zhǎng）期规划（因果关系（xì）不是瞬间产生（shēng））

实（shí）时（必须随时（shí）间推（tuī）移不（bú）断感知、决策、执行）

大型活动（dòng）空间（数百（bǎi）个不同的单元和建筑）

眼熟吗？上述五个特性和自动（dòng）驾（jià）驶（shǐ）汽车面临的挑（tiāo）战高度吻合。

AlphaStar 的深度神经网络，正（zhèng）是由（yóu）星（xīng）际争霸（bà）原始游戏数据基于（yú）监督学习和强（qiáng）化（huà）学（xué）习（xí）训练而来的（de）。

同样的，AlphaStar 和 Autopilot 的相同之处（chù）在于，他们基本 AI 实现（xiàn）路径是一致（zhì）的，面对的场景和解决的问题也（yě）有着很高的（de）相似度。但（dàn）区（qū）别在于，AlphaStar 的任务是打败人类，Autopilot 不仅要打败人类，它需要将安全性提升至 99．9999％。

portant;" />

美好的明天

这样（yàng）一个由 AI 驱动的复杂系统，毋庸置疑是（shì）人工（gōng）智能在（zài）汽（qì）车工业（yè）这（zhè）个垂（chuí）直（zhí）领域（yù）最激动人心（xīn）的应用。那么，特斯拉 Autopilot 会成吗？

我想先谈（tán）谈 Elon 之于其他（tā）汽（qì）车企业家的差异化优势。

早（zǎo）在 2015 年，Elon 就联合 Sam Altman 出资 10 亿美元创办（bàn）了世（shì）界顶（dǐng）级的非盈利人工（gōng）智能研究机构 Open AI。虽然 Elon 早已退出了 Open AI 董事会，但 Open AI CTO、首（shǒu）席（xí）科学（xué）家都是 Elon 的好友（yǒu）。此外，Deepmind CEO Demis Hassabis 及多（duō）位技术高管也（yě）与（yǔ） Elon 相熟。

portant;" />

Elon 的 AI 朋（péng）友圈

2017 年 6 月，阿西洛马（mǎ） AI 大会（Asilomar Conference）召（zhào）开了一（yī）次座谈（tán）。台上 10 位嘉宾中有 9 位是（shì）来（lái）自（zì）伯（bó）克利、纽约（yuē）、康奈尔等高效（xiào）或研究机构的（de） AI 科学家，只有一位是企（qǐ）业家，他就是 Elon。

我的意思是，Elon 是唯（wéi）一一（yī）个（gè）真正懂 AI，凭借专业的（de）知识混进了一线 AI 圈的汽车（chē）企业（yè）家。这种近水楼（lóu）台的优势在（zài）特斯拉延揽 AI 人才方面是无出其（qí）右的。

这只是（shì）特斯拉 Autopilot 的冰（bīng）山一角。特斯拉在芯（xīn）片、感知、决策、控制（zhì）的（de）自主能力（lì）、全球车（chē）队垂（chuí）直整合和 AI 方面（miàn），独特（tè）又巨大的优势已（yǐ）经开（kāi）始显现。

在（zài）大众和福特联手，奔驰和宝马（mǎ）联手，自动驾驶领（lǐng）域为什么快速走向了联（lián）盟（méng）分治时代？上述四家公（gōng）司的 CEO 加起来，也没有 Elon 一（yī）个人对人才（cái）的吸引力强。

这（zhè）是（shì）一个现实（shí）的（de）问题。就好像你（nǐ）从斯（sī）坦福（fú）毕业，到（dào）底要去蔚来北美自动（dòng）驾驶研发中心，还是去北汽做供应商辅助驾驶系统的集成？

Elon 敢喊（hǎn）出「我没（méi）有过于自信，但任何（hé）车（chē）企都不是特斯（sī）拉（Autopilot）的（de）对（duì）手」不是没有（yǒu）理由的（de）。

我们应该对特斯（sī）拉 Autopilot 抱有期（qī）待的（de）第二点（diǎn）原因在于特斯拉的极度激进。

在自动驾驶投资者日上，面对台下的几十位股东， Stuart 说了这么一句话（huà）。

When we initially have some algorithms we want to try out， we can put them on the fleet， and we can see what they would have done in a real world scenario…

当我们有一些算（suàn）法想要尝试的时候，我们就（jiù）会把它们（men）推（tuī）送到车队上，我们就能看看它们在现实世界中运行会发生什么……

NoA 以 100 km／h 的高速冲出匝道（dào）口，某个版（bǎn）本的（de） Autopilot 自动变道突然犹豫不决．．．都是算法验证的产物。

极度激进的背后的结果是快速（sù）试错、快速改（gǎi）进。没有一家车企会以全球车主众包验证（zhèng）的（de）形式来提升系（xì）统能力。

你可能会说，既然特斯拉这么厉害，为什么一个「增强召唤」都（dōu）要（yào）跳票这么久呢？除（chú）了「增强召唤（huàn）」本来就（jiù）是自动驾驶（shǐ）落地过程中最复杂的场景之一外（wài），Elon 这段话是很好的（de）答案。

When we release something，we＇re releasing it to 500，000 cars and all over the world． And so it has to be a general solution． So our progress may appear slower than it actually is relative to others that are developing self－driving technology．

But in fact，it is quite a lot more advanced because any element that we release is a general solution．

当我（wǒ）们推送（sòng）一些更新时，我们会（huì）将它推送到（dào）世界（jiè）各（gè）地（dì）的 50 万辆汽车上。所以（yǐ）它必（bì）须（xū）是（shì）一个通用的解（jiě）决方案。因此，相比正在开发自动驾驶技（jì）术的竞（jìng）争对手而言（yán），我们（men）的进展可能看起来比实（shí）际上慢（màn）。

但事实上（shàng），它是非常先进的。因为（wéi）我（wǒ）们发布的任何元素都是全球通用解决方案。

portant;" />