马斯克 l5自动驾驶，自动驾驶使用的是AI

Tech星球10月1日信息，中国北京时间10月1日，特斯拉2022 AI Day于美国加州帕罗奥图举办，特斯拉CEO埃隆·埃隆马斯克参加，他指出将产生“擎天柱”仿生机器人、特斯拉FSD及其Dojo高性能计算机的有关进度。

最先分享的是仿生机器人擎天柱Optimus，据了解，特斯拉仿生机器人预估一台不上2万美金，预估生产量将达数百万台。

接着，逐渐详细介绍FSD Beta的定阅状况。特斯拉FSD Beta现阶段已经拥有16万多名顾客，而2021年仅有2000名顾客。特斯拉预计在AI日以后公布v.10.69.2.3，虽然实际发布日期都还没公布。

特斯拉还阐述了其FSD研发测试的进度，及其客户资料在优化系统层面所起到的作用。并解释了该运用在无人驾驶汽车里的神经元网络模型Occupancy Networks以及在3D投射和给予汽车全景图层面所起到的作用。特斯拉一直在努力提升其短视频模型练习。

接着特斯拉阐述了FSD全自动标明制度和模拟的进度。据了解，特斯拉研发了一种新的全自动标明体制，可以帮助开展3D标明。FSD权威专家阐述了在一些环境下，当监控摄像头表明不清晰的图片时，手机软件怎么使用别的精彩片段来填充图片。

据了解，特斯拉短短一会内就可形成如下所示模拟仿真的画面。

如图是对美国旧金山的仿真模拟，是通过特斯拉一名职工在两周内建立的。特斯拉可能快速升级出一个仿真模拟世界。

特斯拉展现了通过互联网数据、模拟、全自动标明等能更加清晰地预测分析拐角的汽车运行状况。

接着，特斯拉层面对于FSD等有关有关问题解释。

Q1：特别感谢特斯拉今日精彩绝伦共享。我的缺点与FSD有关。针对神经元网络而言，大家怎样做app的单元测试卷？以多大批号做这种测试？针对神经元网络而言，大家做了练习以后一定要进行测试和认证，那么你们在单元测试卷层面有些什么对策？

A1：这种情况很好。单元测试卷层面，大家有明确的对策我们也会从单元测试卷做起一系列的检测界定，针对神经元网络模型，我们也会看一下究竟有哪些地区要进行进一步的检测。我们也许都会选择上百个、几千个以往不是很成功的案例，把这些做为测试关键。所以我们并不是固定不动一个占比做单元测试卷，大家都会选择以往做的不是很好的地区，或是以往神经元网络无效的区域，大家对焦这样的地方做更多的检测。这也是单元测试卷的关键所在。我们将要模型应用到汽车上，让汽车在现实生活中去运作。大家看一下有什么早已做的非常好，什么做的不好，而且做的不好的区域必须进一步做检测。我觉得这种测试方法能帮助我们进一步提高高效率。

没错，我来补一两句。大家希望去根据检测获取到更多BUG，防止一切风险发生。

Q2：针对无人驾驶，大家展开了方式的较为，我们将要传统方式和大家新模式进行了较为，数据信息至关重要，我们要收集许多的信息，并且还要解决许多的主要参数，后来又要进行逻辑推理。是否大家能做出一种所谓teacher模型，以后通过这种专业化模型处理所有问题？teacher模型还可以叫教师模型，根据教师模型教许多学生模型，为此你怎么看？

A2：这样的行为也许是合理的，我们自己的模型非常大，有时候要做线下的练习，这种模型在汽车里会引发什么样的结论。对于您所提到的教师模型，我们也会有很多的数据，数据融合下去能做非常好的练习，希望全部对象健身运动信息整合来，我们要多做一些解决，开展监控摄像头有关的检测与预测分析实际上也是能够对深层开展预测。这至关重要，能帮助我们开展更准确的预测分析。

大家可以看到，模型需要对动力学模型特点也有几何特征开展更多检验，必须更多的数据才能够搞好这种。对于你说的教师模型与学生模型，我想在这儿并没有那么的主要。

Q3：如今看来走在路上安全驾驶比十年前难以，想要知道在过去十年智能驾驶技术究竟是怎样发展的？

A3：大家希望可以人工智能技术更强让安全驾驶变得越来越智能化，希望人工智能技术能得到更好的交互性，希望在更大范围方面让人工智能技术具备更多水平，会话是一方面能力，此外写作造型艺术也是一种水平。其实做AI不单单是考虑到让车子变得越来越好，让安全驾驶变得更加非常容易，大家希望AI在更大范围方面去充分发挥。我坚信根据AI层面指数级的高速发展，特斯拉还会从这当中获利。有关的电子产品、充电电池、执行机构归功于特斯拉汽车积累的经验，大家也十分善于这种行业。实际上特斯拉车其实是有四个轮子的智能机器人，但是我们的特斯拉智能机器人其实是有两条腿的智能机器人，差别在于执行机构和感应器，执行机构和控制器对智能机器人而言很关键。怎样控制执行机构和感应器至关重要，我们有很好的标准能够让我们制造出、发布十分振奋人心、波澜起伏的智能机器人。

Q4：我有两个难题，想问一下Autopilot团队。以往这么多年，我一直在跟踪你们公司的进度，我看到你们阐述了有关语义分割的进度，包含建立联系这种，大家遭遇了什么考验，又是怎样克服的？我想问一下数据引擎，你刚才提及有一辆车停靠在转角，想要知道相似的数据信息如何收集？

A4：我回答第一个问题，大家在解读的过程当中许多的东西就是过去一年才产品研发出的，你要有一个基本的模型去仿真模拟全部真实现实世界，这其实是很困难的，一年前我们就是在两个地方全球安全驾驶。比如说你这里有一个发展趋势，或者是有一面墙，我们是相同的主要表现，其实就是当时也是两地。可是一条线和一个墙毫无疑问所采取的应对策略是不一样的，其实就是以往这一年里大家采用了许多进度直接把现在这个模型完成了3D，我能就是我们所面临的非常大考验，我就阐述了我们都是怎样克服的。

你提及了乱停车子，在转弯地区停下车，这种事例是怎么来的。第一，大家会有所不同方法找到这样一些数据信息，例如发觉我们的产品这里还有一辆车，他会停，随后这些信息会发送给大家，我们会有这样一些连锁加盟的思路来帮我们得到相对应的信息。

Q5：我想问一下在美国和加拿大之外的国家和地区，发布FSD beta时，大家最大的一个瓶颈是什么？碰到怎么样的艰难？想一下来到相对性落后的国家，你们能够遇到一些阻碍，这儿究竟有什么阻碍？大家怎样克服这种阻碍，让FSD beta更强在全球范围内营销推广？

A5：从技术角度来讲，FSD beta现阶段早已做的非常好，能够融入不同类型的实时路况，无论是在哪一个国家和地区。今年底我们就能在全球范围内发布FSD beta。对于许多我国而言，实际上我们要遭遇管控、审核，这是很重要的难题。在美国和加拿大之外的国家和地区，我们应该监管方维持更加紧密的交流，得到这一块的准许。在某些国家和地区，在这里层面严格监管其实是很落后的。我返回刚刚所讲的技术性，从技术角度来说，FSD beta已经能够融入全世界每个国家和地区的情况。

Autopilot和FSD中间我们要看一下有哪些方面差一点，随着时间推移差一点会变得更小，FSD会变得更强大。大家看一下局部变量怎样发展，在咱们生产制造车子中如何有效做预测分析多线程五，例如车道保持辅助的预测分析。也更新了行车道模型，这样就能解决更加繁杂的几何图形模型。

刚刚在操作之中提及了，现阶段发展趋势得很好，FSD搭载了十分强大的局部变量， 大家用了城市公路构成了FSD局部变量，对我们来说这些信息至关重要，现阶段进度也很好。希望在各个气温环境下进一步认证，例如暴雨、大雪天气FSD能够通过进一步认证。希望保证FSD可以比以前工作中得很好。

到11月或是年末能将FSD引向范围更广的国家和地区。大家目前在FSD层面进度十分成功，希望于今年考虑到更全场景，以前考虑到了大量路面，不久的将来也要考虑地下停车场场景下的局部变量是否可以进到全部系统软件。我觉得那样泊车还可以更强解决。在地下停车场一端能让车子十分方便地停放在此外一端。今年底以前，我们要考虑到究竟有哪些指标值能够进一步优化，究竟要进行是多少公里的干涉。干涉以前应当保证汽车能够很好地独立安全驾驶。这也是安全生产方面的重要因素。