该公司采取了一种与当前大部分公司截然不同的做法，这些公司试图通过雷达、摄像头以及激光雷传感器达来打造一款真正的自动驾驶汽车，而特斯拉则摒弃激光雷达传感器，计划只使用前两项来完成这项工作

也就是说，特斯拉押注于使用神经网络解决所有的自动驾驶问题

神经网络是实现自动驾驶的前提之一，但该公司特别指出神经网络所需的方法使所有其他方法（包括激光雷达传感器等）成为一种干扰，并增加不必要的成本

新芯片特斯拉已经发明了自己的芯片，定制的芯片只根据他们认为的汽车需求进行处理，该公司当前正在把这种芯片植入所有新车中

特斯拉认为这是全自动驾驶所需的全部计算

该芯片主要用于神经网络卷积的点积运算

马斯克标榜该芯片是目前全球神经网络领域“最出色的芯片”

不过，许多开发神经网络芯片的公司可能会对此提出异议

该公司主要将其性能与英伟达通用GPU芯片进行比较

使用新的网络硬件，特斯拉将大部分精力放在培养更加完善的神经网络上，以便对道路上出现的所有实物进行分类

特斯拉的优势在于拥有巨大的销量，而这些特斯拉汽车的反馈将有助于该公司培养网络

该公司人工智能高级总监安德烈•卡拉帕（AndrejKarpathy）在活动期间对神经网络的培养做了进一步解释

比如，该公司一开始采取的是通过创建带有人类标记的图像这种方式来培养网络

此后，该公司发现还可通过要求用户上传图像的方式来进一步完善网络，最终创建一个非常善于理解各类情景的网络系统

特斯拉不仅针对静止和移动的物体要求用户上传图像，还针对汽车行驶过程中发生的一些情景进行测试，从而训练网络能够正确识别这些情景，以便有助于该公司预测道路上汽车的未来活动

该公司在进行路径规划时也采取了同样的方式，观测人类驾驶员在各种道路情况下所选择的路径，以了解特定情况下典型的人类行动

一旦发现车辆在规划路径或识别情景时出现错误，该公司会优先获取更好的数据来训练网络

此外，特斯拉在训练网络估测视野中所出现的物体的距离方面也取得了令人瞩目的成功

其中一种方法是利用车内雷达对所有雷达目标的距离进行客观测量

一旦将雷达目标和视觉目标匹配起来，该公司就可以训练网络学习如何估计纯视觉目标的距离

而特斯拉车主使用行车记录仪所记录的数据则为该公司创造了训练神经网络感知和驾驶的条件

关键问题是，这是否足以达到无需人工干涉完全自动驾驶所需的“最后9秒”的可靠性

特斯拉认为，只有拥有大量的训练数据，才能达到如此高的水平，而该公司在获取这些数据方面具有优势

尽管这样的数据越多越好已成为共识，但对于这样的数据是否足够，或者是否需要其他技术来达到这种极端的可靠性水平，目前仍存在争议

康奈尔大学计算机科学教授巴特•塞尔曼（BartSelman）明确指出

尽管自动驾驶汽车技术在过去的五年里取得了令人难以置信的进步，视觉技术的巨大进步，以及来自其他传感器的投入正在让完全自动驾驶接近成为现实，但能否在未来三五年达到人工驾驶的安全水平仍有待商榷，而特斯拉对计算机视觉的严重依赖则带来了其他问题

塞尔曼直言目前的计算机视觉系统可能以非常不可预测的方式失败，因此包括激光雷达在内的多传感器至关重要

但如何解决多个传感器之间可能存在的冲突信息，以及如何在不需要人工输入的情况下处理突发情况，仍然是一个挑战

衡量完全自动驾驶汽车的安全性仍有一些灰色地带，但加州汽车管理局(CaliforniaDepartmentMotorVehicles)发布的数据显示谷歌旗下的Waymo在短期内仍处于领先地位

塞尔曼指出，人类司机在理解意外事件方面表现出色，通常可以采取必要的预防措施来避免事故的发生

然而，由于目前的自动驾驶系统对其环境缺乏更广泛的了解，这些系统很难采取类似的预防措施，问题的关键在于能否开发出一种遇到意外事件时可以降低风险的系统

初创企业AEye正在从事这方面的研究，该公司从凯鹏华盈（KleinerPerkins）、英特尔资本（IntelCapital）和LG等多家投资机构筹集6000万美元用于开发智能探测和测距(iDAR)系统，取代目前的被动激光雷达传感器

IDAR是一种感知系统，能够超越环境模仿人类大脑及其智能感知能力

该公司利用人工智能(AI)帮助自动驾驶汽车像机器人一样思考，但像人类一样理解

（作者/良弼）更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技

想看深度报道，请微信搜索“iFeng科技”