接上条的上条的上条。 现在来说毫末 AI Day 的亮点。 首先毫末和特斯拉的巨大分歧，其实也是我们所有中国车企和特斯拉的巨大分歧，就是激光雷达（LiDAR）。 我们后来者大体上是认可特斯拉数据驱动的思路、做视觉的方法、对 HD Map 的态度，但用不用 LiDAR 是一个非常大的分歧。 我尽量把问题说明白些。 毫末以谷歌之前发布的 AI 自然语言处理模型 PaLM 吃下海量互联网上的结构化和非结构化数据，取得了非常好的性能表现为依据，得出做好自动驾驶也需要大规模且多样性的训练数据。 到这里没有任何的问题，2019 年 Andrej 在特斯拉的分享里提到的也是大规模（large）、多样性（varied）和现实场景（real），两家公司的结论大概是一致的。 只不过对于「多样性」这个词，特斯拉和毫末是存在分歧的。 特斯拉认为，数据都是纯视觉的数据，多样性应该在于现实世界的多样性，比如雨夜反光的路面、阳光照射下桥的阴影、异型车、夜晚不清晰的车道线、隧道、修路等等。 而毫末认为除了场景的多样性，还意味着不同类型的传感器（这包括了 LiDAR 和雷达）、不同像素（100 万、200 万、800 万）、不同角度（毫末在乘用车以外也有很多别的业务，比如无人外卖车），对于大模型训练都有非常大的价值。 这决定了特斯拉非常致力于现实场景数据的采集和处理，而毫末走多传感器融合的路线。 另外是关于超算集群，毫末说「逐步揭开面纱」，但现场没有分享具体数据，只说了超算的目标是满足千亿参数的大模型，同时数据规模为 100 万 clips，整体的训练成本要降到 1/200。 至于具体的数据，也许是因为小鹏刚刚发布了超算中心，所以不方便说得太具体？：） 最后是应用 Transformer 导致的问题，毫末的说法是，一般 Transformer 所需算力是CNN 所需算力的 100 倍。但在这算力下平均 6.9% 的算力贡献了 94% 的价值，还有大量的弱关联、低价值的运算在乘加操作和功耗上产生了很多浪费。 所以在云端超算、车端模型和芯片上，都有一些提高效率的方法，但这里毫末并没有分享自己的实践，而是谈了一些行业已有的方案。 大家可能也发现了，我全程在拿毫末对比特斯拉，没办法，其他车企相关的分享过于有限，大家都不愿意说，我个人的感觉是，毫末在前瞻技术的追踪上还是非常积极的，但这再还不够，到落地还需要非常强的工程能力，到时候实车体验见了。