AI与自动驾驶

主持人：过去的两年中，全世界都在不停地谈论AI。我们在小马智行的技术中也切实看到了AI的实际应用。从某种角度来说，小马智行不是在制造汽车，而是提供使汽车实现无人驾驶的技术。请介绍一下小马智行的技术堆栈——你们提供的技术是什么？AI是如何有效地让汽车自己驾驶的？

James：从高层次来看，你可以认为小马智行是为车辆配备了一个“虚拟司机”。那么，这些“虚拟司机”在驾驶中都做什么呢？它们需要观察周围的一切，这就是感知；它们需要预测周边行人、车辆等一切物体的行为，这就是预测；它们还需要弄清楚乘客的行动，这就是规划；它们还会根据这些变化采取行动。简而言之，自动驾驶是感知、预测，然后做出决策规划的迭代过程。还有，自动驾驶需要知道“自己在哪里”，也就是定位。这一切背后的技术，源自于我们用传感器对车辆进行了改造，这些传感器就像司机的眼睛和耳朵。我们为车辆配备了计算能力和AI算法，这些计算就像司机的大脑来做决定。有了这些，再加上让车辆在路上不断地练习——就像我们自己学习开车一样。通过这一切，才能让自动驾驶的技术逐渐改进。

主持人：过去两年中的一个关键发展，就是生成式AI、基础AI模型、大型语言模型的兴起，这些模型的新进展对小马智行的技术堆栈、自动驾驶汽车、技术处理自动驾驶的方式有什么影响吗？

James：实际上，小马智行在生成式AI成为热门词汇之前就已经采用了很多类似的算法和方法。例如，我们使用的一些算法是“端到端训练”，我们使用数据驱动的方法，让车辆学习如何驾驶。另一个例子是我们使用强化学习来帮助车辆“学会驾驶”，因为驾驶本身不是规则，驾驶最难的部分是车辆如何与其他汽车、自行车、行人完成“互动”，这真的很难。但在我们看来，互动本身实际上可以用强化学习来训练。这就好像是“博弈论”，自动驾驶车辆像是在玩一个游戏，要学会如何通过信号向其他车辆表达我们的意图，并以一种相互理解的方式，确保自己和周围一切的安全。所以，这种迭代过程和方法以及思维方式在总体上与其他AI应用是共通的。

主持人：在算法和模型方面同样有一个关键的发展，即模型效率的提高。当人们谈到这个话题时，DeepSeek总是会被提及。但这些更像是关于效率、关于这些模型的改进。小马智行技术堆栈的一个关键部分，就是车载AI如何与云端和网络互动。就实际情况而言，现在有越来越多的AI应用倾向于在设备上处理，以此提高效率，在数据安全等方面也更安全。请问小马智行在此方面的进展如何？更高效的模型是如何帮助小马智行达到如今这个阶段的？

James：实际上，小马智行的自动驾驶一直专注于“边缘计算”。因为我认为，这是一个实时应用的技术，要求几乎100%的安全性，这就意味着任何依赖与服务器通信的东西都存在风险——如果网络出现任何故障，你可能会遇到安全问题。所以在过去八年中，优化和提高效率一直是小马智行的重点。其最大的挑战是，我们如何在车辆内有限的计算能力下，让AI算法尽可能高效地完成计算，这不仅仅是计算能力的问题。试想一下，如果我们的AI算法使用更少的电力，也就意味着我们可以为车辆提供更大的续航里程，因为AI与车辆共享的是同一个电池组。所以优化一直是关键。