portant;" />

特斯拉（lā） Autopilot 已经（jīng）很久没有更新了。

随着 2018 年 10 月 27 日特斯拉 2018．42．2 版（bǎn）本的大规模推送（sòng），Autopilot 软件（jiàn）团队的精锐力量全部聚焦到了增强召（zhào）唤（Enhanced Summon）功（gōng）能的研发（fā）上。

9 个（gè）月过去了，敢想敢干、效率至上的（de） Autopilot 团队（duì）至今没能搞定「增强召唤」。

2019 年 4 月（yuè） 6 日，Elon Musk 在 Twitter 预告「增强召唤」将（jiāng）于一周（zhōu）后大规模推送。但随后 Autopilot 的实际表现证明，那个版本的「增强召唤」完全没（méi）有（yǒu） Elon 说（shuō）得那么效（xiào）果拔（bá）群。

portant;" />

在 4 月 23 日的（de）特（tè）斯拉投资者日上，Elon 无（wú）意中透（tòu）露最新（xīn）版本的「增强召唤（huàn）」仍在内（nèi）测（cè）中，而它目前还（hái）不适（shì）合（hé）大规模推送给用户。

也就是说，效果理想（xiǎng）的「增强召唤」，至（zhì）今（jīn）仍没有研发落地。而特斯拉最新公布的推送日期，定在「8 月 16 号前（qián）后」。

特斯拉 Autopilot 怎（zěn）么了？今天，我（wǒ）会尝（cháng）试从组织架（jià）构、AI ＆ 软件、硬（yìng）件三个方面尝（cháng）试说明（míng），为什么 Autopilot 走（zǒu）到了（le）拐点，为什么说 Elon Musk 正（zhèng）在推进 Autopilot 的终（zhōng）局战争。

portant;" />

5 个月实现（xiàn）自（zì）动驾驶

从 LA Brentwood 的家到 Hawthorne 的特斯拉设计中心（xīn），Elon 经常会选择开特斯拉前往，他有一（yī）辆（liàng） Model S 一（yī）辆 Model 3。两辆车（chē）的相同之处在于都搭载了开发者（zhě）版本的 Autopilot，区（qū）别（bié）之处（chù）在于这是两（liǎng）个不同的版（bǎn）本分支：一个支持「增强召唤」功能，另一个支持（chí）自（zì）动（dòng）驾（jià）驶（Full Self Driving）功能。

在（zài）每（měi）天上下班通勤的路上，他会开启上述功（gōng）能进（jìn）行测（cè）试，并（bìng）将问题直接反馈给 Autopilot 团队。

8 个月后，Elon 重新（xīn）开始谈论 Autopilot。

portant;" />

拥有复杂交通灯的交叉路口和（hé）购（gòu）物中心停（tíng）车场的交叉口是两（liǎng）个最大的软件挑战。开发团队分支（zhī）的大部分精力都投入在这些场景（jǐng）中，但（dàn）要（yào）达（dá）到 99．9999％ 的安全性（xìng）还需要付出大（dà）量（liàng）的努力。

portant;" />

停车场（增强（qiáng）召（zhào）唤（huàn））是个（gè）非常棘（jí）手的问题。今天晚些时候会对「增（zēng）强召唤」进行深入的工程（chéng）审查。

三天（tiān）后答另一位网友的问题时，Elon 透（tòu）露「增强召唤」将（jiāng）于（yú） 8 月 16 日前后进行（háng）大规模推（tuī）送。Autopilot 团（tuán）队攻克了大量复杂的挑战。对于新版（bǎn）增（zēng）强召唤，Elon 的评（píng）价是 Magical。

portant;" />

「增强召唤」的定义，是从停车场（chǎng）的任意车（chē）位（wèi）响应驾驶员（yuán）的手（shǒu）机 App 召唤，自动驾驶至驾驶员所在位置。听起来似（sì）乎没有那么困难（nán），但（dàn）为（wéi）什么让 Autopilot 的开发进（jìn）度一度陷入（rù）停滞？

portant;" />

「最大的软件挑战」是（shì）一个笼统（tǒng）的说（shuō）法，更具体地说，是感（gǎn）知？决策（cè）？还是控制存（cún）在挑战（zhàn）？

从（cóng） 2015 年 10 月起，Elon 就开始亲自面试（shì）并直接领导 Autopilot 团队（duì）。发展到今天，特斯拉 Autopilot 团队一共有 200 人左右。

Autopilot 硬件（jiàn）副总裁 Pete Bannon 领（lǐng）导着大约 70 人的（de）硬（yìng）件团（tuán）队，负（fù）责特斯拉 AI 芯片（piàn）以及毫米波雷达的自主研发工作。

portant;" />

Pete Bannon

Autopilot 工程副总裁 Stuart Bowers 领（lǐng）导着（zhe） Autopilot 最大的（de）一支团队，人数（shù）达到 100 人左右，负责地图、质量控（kòng）制、模拟（nǐ）和固（gù）件更新业务的推（tuī）进。

portant;" />

Stuart Bowers 

Autopilot Vision ＆ 特（tè）斯（sī）拉 AI 高级总（zǒng）监 Andrej Karpathy 领导着最小但（dàn）最核心的一支（zhī）团（tuán）队，负（fù）责特（tè）斯（sī）拉计算机视觉和（hé）人工智能（néng）技（jì）术（shù）边（biān）界的探索。这支大约 35 人的（de）团队（duì）涉（shè）及的技术包括自我监督学习、模仿学（xué）习和强化学习，是硅谷乃（nǎi）至全球（qiú）最顶级的人工智（zhì）能应（yīng）用研（yán）究团队之一。

portant;" />

Andrej Karpathy

Pete、Stuart 和 Karpathy 铁（tiě）三角向（xiàng） Elon 直接汇报的（de）稳（wěn）定（dìng）关系已经持（chí）续了接近 1 年（这在特（tè）斯拉非常（cháng）少见），直（zhí）到 4 月（yuè） 23 日特斯拉投资者日后，事情开（kāi）始起变化。

在特斯拉投资者日（rì）上，Elon 放出了（le）一（yī）张特斯拉（lā）的十年 To－do List，左（zuǒ）边是已经达成（chéng）的里程碑，右边明确写着（zhe） 2019 年，也就是未（wèi）来 5 个月内（nèi），特斯拉将（jiāng）实现自动（dòng）驾驶功能完成（Feature complete）。

portant;" />

这一次，没有（yǒu） mobilesye 不开（kāi）放的（de）视觉感知限制，也没有 Autopilot 2．＋ 的算力（lì）桎（zhì）梏，在过去的三年里，Elon Musk 兵不（bú）血刃（rèn）扫清了通（tōng）往自（zì）动驾驶道路上（shàng）的所有物（wù）理限制。现（xiàn）在（zài）轮到 Autopilot 团（tuán）队（duì）上场（chǎng）了。

5 个月实现自动驾驶，这（zhè）是一个苛（kē）刻到残酷（kù）的（de）时（shí）间表，但研（yán）发已经开始（shǐ）推进。媒体的报道中说 Elon 和 Autopilot 团队爆发了激烈的冲突。其实（shí）没有什么「激烈的冲突」，有的只（zhī）是（shì）两个选（xuǎn）择：5 个月（yuè）实现（xiàn）自动（dòng）驾驶（shǐ）；走人。

5 月 10 日，Stuart 治（zhì）下（xià）的（de）软件工程团队最（zuì）先被动刀，先（xiān）后有五位工程师（shī）离（lí）职。

「增强召唤」技术 Lead Nenad Uzunovic

感（gǎn）知 Lead Zeljko Popovic

首席感（gǎn）知（zhī）工程师 Drew Steedly

控制（zhì）和路径（jìng）规划高（gāo）级工程师 Frank Havlak

模拟团队高级（jí）工程师 Ben Goldstein

在 Autopilot 内部，一场更大（dà）的风暴正（zhèng）在来临。Stuart 被降职（zhí），Ashok Elluswamy 被提拔为感知 ＆ 计算机视觉团队负责人、CJ Moore 出任 Autopilot 模拟、质量控制负（fù）责人，路径规划负（fù）责人变成了（le） Drew Baglino，上（shàng）述三人改为直接向 Elon 汇（huì）报。

也就是说（shuō），在（zài）核心五人组（CEO、CFO、CTO、首席设计师、汽车业务（wù）总裁）之外，向 Elon 汇（huì）报的除了遍布全球的 22 位副总裁，新增（zēng） 3 位 Autopilot 团（tuán）队执行负责人。新的组织结构如（rú）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（lù）径规划负责人 Drew Baglino

Autopilot 模（mó）拟负责人 CJ Moore

如上所述，截至（zhì）目前（qián），Autopilot 部门向 Elon 直接汇（huì）报的高（gāo）管达到了（le）六位之多，在（zài）特斯拉所有（yǒu）业务中排（pái）名第一。

在（zài）上面（miàn）离职的高管中，不乏任职五年以上的 Autopilot 创始（shǐ）成员。在（zài）过去的五年（nián）里，他们经（jīng）历（lì）了 Autopilot 1．0 到 3．0 的迭代（dài），经历（lì）了「铁打的（de） Elon，流水的软件副总（zǒng）裁」，为什（shí）么在今（jīn）天离职？

过去的时（shí）间（jiān）表（biǎo）无论（lùn）多么苛刻，Elon 的任务（wù）无非（fēi）是（shì）「6 个月（yuè）自研视觉工具取代 mobilesye」、「3 个（gè）月完成自（zì）动变道的研发测（cè）试推送」。尽管这些（xiē）任务也都是世界级难题，但全力以赴 ＋ 跳票带来的时间宽（kuān）限，终归（guī）是可以（yǐ）解决的。

今天，他们接到的任务是「5 个月实现（xiàn）自动驾（jià）驶」。

自（zì） 2009 年以来 Google X 实验室研发自动（dòng）驾驶汽车以来，自动驾驶领域前仆后继地砸进了数百亿美（měi）金，数不尽巨头（tóu）、高（gāo）校、科研（yán）机（jī）构（gòu）投入了大量（liàng）的人（rén）才研发。但直到今天，自动驾驶仍然是一片荒原，是广袤无垠的技术无人区。

在过去的 5 年里（lǐ），特斯（sī）拉一直面（miàn）临供应商、车规、算力（lì）等各种各样的物理限制，不具（jù）备进军自动驾驶的现实条件（jiàn）。今天，Elon Musk 开始强力推进自动驾驶的研发。

特斯（sī）拉 Autopilot 走到了一个拐点（diǎn）。

portant;" />

Autopilot Vision 是怎样（yàng）炼成的

2016 年（nián） 7 月，Andrej Karpathy 加入（rù）特斯拉出任（rèn） Autopilot Vision ＆ AI 总监。在Autopilot 部门剧烈人事（shì）变动的同时，35 人的 AI 部门稳如泰山，Karpathy 的工作功不可没。

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

在特斯拉官网，我们看到「Tesla Vison 基于深度神经网络，能够对行（háng）车环境进行专业的解（jiě）构（gòu）分析，相比（bǐ）传统的视觉（jiào）处理技术可靠性更高」。

portant;" />

但特斯拉到底是如何应用 AI 驱动 Autopilot 向自（zì）动驾驶（shǐ）的道路迈进的？我们需要更多（duō）信息。

首先（xiān）我们先要明（míng）白的是，所谓 Tesla Vision，一个端到端的深度神（shén）经网络（Deep Neural Networks），Ta 不（bú）是一个深度神经网络，而是多个深度神经网（wǎng）络各司（sī）其职的组合（hé）体。

首（shǒu）先是「物体的检测与分类」，包括障碍物、交通信（xìn）号灯和路标的检测与（yǔ）识别。

DriveNet：感（gǎn）知道路上的其他车（chē）辆、行人、交通灯（不分辨状（zhuàng）态）和路标

LightNet：对交通灯（dēng）的状态进行分类：红色、黄（huáng）色或绿色

SignNet：识别路标（biāo）类（lèi）型，停车／限速／单行道等等

WaitNet：检测识别车辆必须停车（chē）和等待的（de）情（qíng）况（kuàng），例如（rú）交叉路口／大型停车场

在「物体的检测与（yǔ）分类（lèi）」部分，Karpathy 推（tuī）崇（chóng）通过「自我监督学习」来快速提升 Tesla Vision 的能力（lì）。

portant;" />

自（zì）我（wǒ）监督（dū）学（xué）习是深（shēn）度学习领域非常热门（mén）的一个（gè）细分（fèn）方向，4 月 30 日，三大（dà） AI 教父（fù）之一、Facebook 首（shǒu）席 AI 科学家（jiā） Yann LeCun 专门发文谈了自（zì）我（wǒ）监督学习领（lǐng）域的（de）现状（zhuàng）。自我监督学习在自然语言处（chù）理领域取得（dé）了巨大的成功，但（dàn）在图像或（huò）视频（pín）领域还不能很好的工作，在他看来，这将（jiāng）是未来（lái）几年（nián） AI 领域最棘手的挑战（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（shì）频领（lǐng）域（yù），这就（jiù）是 Karpathy 所做的工作，只（zhī）不过时间（jiān）宽度「未来（lái）几年」变成了 5 个月。

什么（me）是自我监督（dū）学习呢（ne）？自（zì）我监督学习通过设计辅助（zhù）任（rèn）务来学习可（kě）区别性的视觉特征，这样一来（lái），目（mù）标标签能够直接（jiē）从训练数据或（huò）图像中获得，并为计算机视觉模型的训练提供（gòng）监督信（xìn）息（xī）。

自我监督学习（xí）最大的（de）优势就是消除了（le）监督（dū）学习（xí）要求人类进行（háng）数据标注的先决（jué）条件，通过（guò）提（tí）取并使用自然场景前后的相关元数据作（zuò）为（wéi）监督信（xìn）号（hào）。

以自动驾驶为例，截至 7 月 5 日，特斯拉 Autopilot 全（quán）球累计（jì）里程已经超过（guò）了 15．5 亿（yì）英里，对（duì）于这样（yàng）一个天文数字规模的数据集进行清洗、手动标注、训练和完（wán）善深度神（shén）经网络，这（zhè）在短期内是不（bú）可能完成的。

portant;" />

而自我监督学习很好地解决了这个（gè）问（wèn）题，某（mǒu）种程度上，它让深度神经网（wǎng）络走上了（le）自（zì）我（wǒ）完善的（de）道路（lù），你要（yào）做（zuò）的是利用（yòng）全（quán）球 50 万辆规模的车队收集数据并用于训练它，它（tā）就会变得越来越强（qiáng）大（dà）。

初（chū）步的感（gǎn）知完成后，接下（xià）来是路径（jìng）规划。在（zài）路径规划层面，同样需（xū）要多层深（shēn）度神经网络来完成对环境（jìng）的感知。以完成车辆前方道路（lù）的规（guī）划。

OpenRoadNet：识别（bié）车辆周围的（de）所（suǒ）有可驾驶（shǐ）空间（jiān），包括所在车道（dào）和相邻车道

PathNet：在没有车道（dào）线的（de）情况下突出显示车辆的可行（háng）路径

LaneNet：检（jiǎn）测车道线和定义行车路径（jìng）的（de）其他标记（jì）

MapNet：识（shí）别（bié）可用于创建和更（gèng）新高（gāo）精地图的车道和地标

路径规划也存在一些超级（jí）复杂的挑战。比如（rú）说车道线不（bú）清晰甚至没有车道线（xiàn）的路（lù）况（当然，你（nǐ）可能（néng）注意到了上面的 PathNet），这些问题该如何解决呢？Karpathy 的解决方案是：人（rén）类是（shì）怎么做的，Autopilot 就怎（zěn）么做。

portant;" />

模仿学习（imitation learning）是深度学习领域一种相当流（liú）行（háng）的研（yán）究方法。2019 年 2 月 ，Waymo 首席科（kē）学（xué）家 Drago Anguelov 在 MIT 发表演讲。Drago 披露（lù）借助「模仿学习（xí）」，Waymo 自动驾（jià）驶（shǐ）汽车（chē）正（zhèng）在通过学习人类驾驶的行为，来（lái）提升（shēng）系统的驾（jià）驶能（néng）力。

特斯拉使用的方（fāng）案（àn）叫做行为克隆（Behaviour Cloning，模仿学习的一种）。行为克隆是什么意思（sī）呢？这个相对好理解得多，我们人类（lèi）学（xué）习（xí）新技能就是通过观察别人怎么做从而（ér）完成学习。

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（chā）路口对自动驾驶汽车来（lái）说最具挑战的一（yī）种场景。这个时候系统该怎么决策呢？

每一辆特斯拉（lā）汽（qì）车经过（无论 Auopilot 启用与（yǔ）否）该路口（kǒu），8 颗摄像头都会生（shēng）成一个图像数据。当（dāng）图像数据（jù）足够多的时候（hòu），深度（dù）神（shén）经网络就会提取人类驾驶（shǐ）员在此（cǐ）路口（kǒu）采取的驾（jià）驶决策（cè）（包括车（chē）辆所在位置、车速、转向角度（dù）、刹车力度等等）中（zhōng）相同（tóng）元（yuán）素的最高（gāo）部分来进行学习。

在另一辆特斯拉（lā）在 Autopilot 启（qǐ）用状（zhuàng）态下经过该（gāi）路口时，Autopilot 就（jiù）会（huì）模仿人类（lèi）驾驶员的（de）安（ān）全（quán）驾驶行为去进行决策。

不仅如此，在同（tóng）城的（de）其（qí）他区、其他城（chéng）市乃（nǎi）至其他国家，遇（yù）到类（lèi）似情形的路（lù）口时，深度神（shén）经网络（luò）会调取驾（jià）驶员的（de）安全驾（jià）驶行为去匹配遇（yù）到的情形（xíng），完成学习能力（lì）的迁移。

我们谈了自我监督学习、模仿学习，但要（yào）让跑在全（quán）球（qiú）各地的特斯拉具备自动（dòng）驾驶能（néng）力，还有太多棘手的（de）挑（tiāo）战。什么才是最（zuì）大的挑战（zhàn）？

前 Waymo CTO Chris Urmson、阿里（lǐ）巴巴自动驾驶首席科（kē）学家王刚、前 Uber 自动驾（jià）驶副总裁 Anthony Levandowski．．．．．．越（yuè）来（lái）越多（duō）的（de）顶级（jí）人才公开表（biǎo）示，理解（jiě）人类（lèi）意图（Human intent）才是自动驾（jià）驶汽车最根本的挑战。

portant;" />

特（tè）斯拉（lā）的「增强召唤」已经做了 9 个（gè）月之久，按照（zhào）我们上面提到的，只要应（yīng）用模仿（fǎng）学（xué）习，不断模仿人类（lèi）驾驶员（yuán）的（de）行为（wéi），特斯拉就（jiù）可以自动驶出停车场，来到驾驶员身边。那这（zhè）个功能为（wéi）什么迟（chí）迟无法落地？

因为车（chē）辆每（měi）一次从驶出停车位（wèi）到驶（shǐ）出（chū）停车场，面临（lín）的路况、其他车辆、行（háng）人的行驶方（fāng）向和意图都存在太多不（bú）确（què）定性。

这（zhè）个时候，Karpathy 在强化学习领域（yù）的专业知识就派上了用（yòng）场。

强化学习使用更宏观的全局思维来看待自动驾（jià）驶，以解决（jué）其中的问题。

所（suǒ）谓强化学习，指的是（shì）使用（yòng）未标记的（de）数据（类似自我监（jiān）督学习），但是（shì）可（kě）以通（tōng）过某（mǒu）种方法知道你是离自动（dòng）驾驶越来越近还是越来越（yuè）远（即奖惩函数）。可（kě）以把奖惩函（hán）数想（xiǎng）象成（chéng）自（zì）动驾驶的（de）一个延迟的、稀疏的形（xíng）式。

在（zài）自我（wǒ）监（jiān）督学习中，能直接得到每个输入的（de）对应的输（shū）出。但在（zài）强化学习中，深度神（shén）经网络需（xū）要训练一段时间后，才能得到一个延（yán）迟的反馈，并且只（zhī）有一点（diǎn）提（tí）示说明（míng）你（nǐ）是离自动驾驶越来越远还是越来越（yuè）近。

这里我（wǒ）想引用自动（dòng）驾驶之外的案例来说明问题。2019 年 1 月，DeepMind 耗时（shí）两年研发的 AlphaStar，以 5：0 的绝（jué）对（duì）优（yōu）势，打败了全球最强大的职业星际争（zhēng）霸玩家之（zhī）一 Dario Wünsch 和 MaNa 战队，攻克了人类创造的复（fù）杂度最高的游戏。

portant;" />

星际争霸游戏有如下五个特性：

没有最（zuì）佳（jiā）策略（luè）（游戏（xì）过程千变万化）

不完整信息（无法（fǎ）看（kàn）到全（quán）局信息（xī））

长（zhǎng）期规（guī）划（huá）（因（yīn）果关系（xì）不是瞬间产生）

实时（必须随时间推移不断（duàn）感（gǎn）知、决策、执（zhí）行）

大型活动空间（数百个不同的（de）单元（yuán）和建筑）

眼熟（shú）吗？上述五个特性和自动驾驶汽（qì）车（chē）面临的挑战高度吻合。

AlphaStar 的深度神经网（wǎng）络，正是由星（xīng）际争霸原始游戏数据基于监督学习和（hé）强化学习训练而来（lái）的。

同样的，AlphaStar 和（hé） Autopilot 的相同之处在于，他们基本 AI 实现路径是一致的，面对的场景和解决的（de）问题也有着（zhe）很（hěn）高的（de）相似度。但区别（bié）在于（yú），AlphaStar 的任务是打（dǎ）败（bài）人（rén）类，Autopilot 不仅要打败（bài）人类（lèi），它需要将安全性提（tí）升至 99．9999％。

portant;" />

美好的（de）明天（tiān）

这（zhè）样一个由 AI 驱动的复杂系（xì）统，毋庸置疑是人工智能（néng）在汽车工业这个（gè）垂直领域最（zuì）激动人心的（de）应用。那么，特斯拉 Autopilot 会成吗？

我想（xiǎng）先谈谈 Elon 之于其他汽车企（qǐ）业家的（de）差异化优势。

早在 2015 年，Elon 就联（lián）合 Sam Altman 出资 10 亿美元（yuán）创办了世界顶（dǐng）级的非（fēi）盈（yíng）利人工智能研（yán）究机构 Open AI。虽然 Elon 早已（yǐ）退出了（le） Open AI 董事会（huì），但 Open AI CTO、首席科学家都是 Elon 的（de）好友。此外（wài），Deepmind CEO Demis Hassabis 及多位技术高（gāo）管（guǎn）也与 Elon 相熟。

portant;" />

portant;" />

Elon 的 AI 朋友（yǒu）圈

2017 年 6 月，阿（ā）西洛（luò）马 AI 大会（Asilomar Conference）召开了一（yī）次座（zuò）谈（tán）。台（tái）上 10 位嘉宾中有 9 位是来自（zì）伯克利、纽约（yuē）、康奈尔等高效（xiào）或研（yán）究机（jī）构的 AI 科学（xué）家，只（zhī）有一位是企业家，他就（jiù）是 Elon。

我的意思（sī）是，Elon 是唯一（yī）一个真（zhēn）正懂 AI，凭借专业的知识混进了一线 AI 圈的汽（qì）车企业家。这（zhè）种近水楼台的优势在特斯拉（lā）延揽 AI 人才方面是无出其右的（de）。

这只是特斯拉 Autopilot 的冰山（shān）一角。特斯拉在芯片、感知、决策、控（kòng）制的（de）自（zì）主（zhǔ）能力（lì）、全球车队垂直整合和 AI 方面，独特又巨大的优势已经开始显现。

在大众和福（fú）特联手，奔驰和（hé）宝马联手，自（zì）动驾（jià）驶领域为什么（me）快速（sù）走向了联（lián）盟分治时代？上述四家公司的（de） CEO 加起来，也没有 Elon 一个人对人才的吸引力强。

这是一个（gè）现实的（de）问题。就好像你从斯（sī）坦（tǎn）福毕业，到底要去蔚（wèi）来北美自动驾驶（shǐ）研发中心，还是去（qù）北汽做供（gòng）应商辅助驾驶系统的集成？

Elon 敢喊（hǎn）出「我没（méi）有过于自信，但任何车企都不是特斯拉（Autopilot）的对手」不是没有理由的（de）。

我们应（yīng）该对特斯拉 Autopilot 抱有（yǒu）期待的（de）第二点原因（yīn）在于特斯拉的（de）极（jí）度激进。

在自动驾驶（shǐ）投资者日上（shàng），面对台下的（de）几十位（wèi）股东（dōng）， Stuart 说（shuō）了这么一句话。

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（yǒu）一些（xiē）算法想要尝试（shì）的时候（hòu），我们就（jiù）会把它（tā）们推送到车队上，我们就能看看它们在现实世（shì）界（jiè）中运行会发生什么……

NoA 以 100 km／h 的高（gāo）速冲出匝道口（kǒu），某个版（bǎn）本的 Autopilot 自动（dòng）变道（dào）突然犹（yóu）豫不（bú）决．．．都是算法验证的产物。

极度激进的背（bèi）后的结果是快速试错、快速（sù）改进（jìn）。没有一家车（chē）企会以（yǐ）全球车（chē）主（zhǔ）众包验证的形（xíng）式来提（tí）升系（xì）统能力（lì）。

你可能会说，既然（rán）特斯拉这么厉害（hài），为什（shí）么一个「增强召唤」都要跳票（piào）这么久呢？除了（le）「增（zēng）强召唤」本来就是自动驾驶落地过（guò）程中最（zuì）复杂的场景（jǐng）之（zhī）一外，Elon 这段话是很好的答（dá）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．

当我们推送一些更（gèng）新时，我们会（huì）将它推送到（dào）世界各地的 50 万辆汽车上。所以它必须是（shì）一个通用的解决方案。因此（cǐ），相比正在开发自（zì）动驾驶（shǐ）技术的竞争（zhēng）对（duì）手而言，我们的进展可能看起（qǐ）来比实际上慢。

但事实上，它（tā）是非常先进的（de）。因为我们发布的任何元素（sù）都是全球通（tōng）用解决方案。

portant;" />

这就是为什（shí）么，「我没有（yǒu）过（guò）于自（zì）信，但任何车企都不是特斯拉（lā）的对手（shǒu）。」