▲大視野望遠鏡！想看什麽看什麽 ~
20 倍刀鋒雙筒大号望遠鏡
10 月 11 日上午，在備受期待的科技春晚 ---- 特斯拉 "We Robot" 發布會上，馬斯克向世界展示了特斯拉在自動駕駛和人工智能領域的最新成果：Cybercab、Robovan 和 Tesla Bot。
Cybercab 其實就是無人駕駛出租車，Robovan 是無人駕駛公交車，而 Tesla Bot 就是特斯拉的人形機器人，會走會跑會跳舞。
值得一提的是，這三款新産品，用的都是特斯拉一直所推崇的 FSD 路線，按照馬斯克的說法，這三款産品，意味着人類智能駕駛時代的到來。
很多人都奇怪，中國的蘿蔔快跑無人出租車都已經上路一年了，特斯拉這次的無人出租車又有什麽特别之處？特斯拉的這種技術，會應用于軍事嗎？
我們都知道，在智駕領域，一直有激光雷達和純視覺兩條路線。
激光雷達其實發展很多年了，早在 70 年代，坦克已經普及了激光測距機，來測量敵方目标的距離，進而确定火炮諸元。
于是就有人腦洞大開了，把發射的激光線增多，能感知的區域和細節不就越多了麽？那麽通過讓反射的激光轉動掃描，不就可以得到一片區域的三維形态了麽？
這就是激光雷達的雛形。
後來，激光雷達經過發展，已經發展到機械式、半固态和固态三種類型，并廣泛應用于智能駕駛汽車，中國大部分智駕汽車，包括前一陣子火爆的蘿蔔快跑無人出租車，用的就是激光雷達路線。
不過呢？激光雷達路線雖好，也是有缺點的。
第一是貴，一顆激光雷達動辄數千元，新一代蘿蔔快跑已經發展到 4 顆激光雷達，再加上其攝像頭、毫米波雷達等等零部件，光傳感器一項，成本就要兩三萬元，大大影響了市場推廣。
第二是依賴算法。簡單來說，激光雷達隻是傳感器，告訴主機路況如何，主機要根據算法做出智駕決策。
這就帶來了一個問題，路上遇上的各種情況，是無窮無盡的，但算法，是有窮盡的。
簡單來說就是，路上總會遇到算法沒有設想到的情況，比如雙車道前面一輛車莫名其妙停下來，而車道中間又是實線，算法往往就會停車不走了，而不是壓實線繞開前車，因爲其遵守交通規則的權重是最大的。
所以最近這一年多，我們已經看到了不少智能駕駛（其實現在頂多算是輔助駕駛）的事故了，這裏面有不少是第三方的原因，也有智駕算法應付不了突發情況的原因。
而另一條路線呢？就是特斯拉的 FSD，Full-Self Driving，中文名 " 完全自動駕駛 "，2021 年，特斯拉正式發布 FSD Beta 版，走的是純視覺方案。
FSD 的傳感器，不是激光雷達，而是攝像頭。
用馬斯克的話來說，" 用激光雷達的都是傻子。""（激光雷達）就像是人身上長了一堆闌尾。"
這話說得，好像激光雷達是落後技術一樣，其實并不是如此。馬斯克摒棄激光雷達推崇攝像頭，主要原因還是攝像頭便宜，激光雷達要幾千塊，攝像頭隻要幾百塊，對馬斯克這樣造火箭都用不鏽鋼的人來說，降成本是其一直追求的目标。
FSD 其實一開始的路線和智駕路線沒什麽太大的區别，都是 " 感知 + 算法 "，先用攝像頭看看前方有什麽，有沒有車，車速多少，方向如何，是紅燈還是綠燈，是實線還是虛線，然後再按照編制好的算法進行決策。
這談不上多先進，所以純視覺方案一開始相比激光雷達路線并沒有太大優勢，所以特斯拉的智駕事故一點也不少。
但是吧？從 2024 年春天發布的 FSD V12 版本開始，情況發生變化了，AI 技術應用于 FSD 之後，FSD 實現了脫胎換骨的變化。
特斯拉删除了 30 多萬行人工編寫的智駕算法代碼，删除後 FSD V12 的 C++ 代碼隻剩下了 2000 多行，取而代之的是一個大模型。
這個大模型，模拟的是人開車習慣。是特斯拉利用上百萬輛特斯拉汽車的行車數據，讓 AI 進行視覺學習，經過海量的數據學習後，大模型就 " 學會開車 " 了。
就像你開車一樣，開車的時候，很多時候你都是下意識的肌肉反應，比如轉向、加速、刹車等等。而 AI 經過長期大量學習之後，也能用攝像頭看到的圖像，做出和人一樣的思考和控制，不再需要高精地圖、激光雷達這些軟 / 硬件的加入。
簡單來說，就是從規則驅動，演變到數據驅動，用無數個老司機的開車的訓練數據集，來訓練出一個 AI 老司機。
▲端到端駕駛模式原理
在 FSD V12 的實際應用過程中，這種智駕路線似乎已經趨于完美，FSD 能順滑的完成避開車道内停止的車輛（哪怕壓實線）、能左轉 / 右轉後變道、能按停止标識刹停、在斑馬線前禮讓行人；路測停着的車突然并線，可以完成躲避并超越突然出現的車輛，在夜間也能完成如此操作。
所以馬斯克就激進地認爲，隻要數據量足夠大，訓練的時間足夠長，FSD 将來就能徹底淘汰人類司機，徹底實現無人駕駛。
從人類科技發展史來看，無論什麽最新的科技，最先的應用，往往都是軍事。
早在 2009 年谷歌公司的 Waymo、特斯拉、Uber、GM Cruise、Aptiv 和 Intel-Mobileye 等公司開始研發智能駕駛技術之前，美國已經開始探索通過智能駕駛機器人來排除 IED 了。
2018 年，美國國防部的領導機構國防創新部門（DIU）說服國會，對軍民兩用和自主技術的加大支持，使私營民用開發商進入國防部采購視野。目前 DIU 正在推動一項名爲 " 地面遠征自主改造系統 "（GEARS）的無人駕駛車輛計劃，從私營承包商中尋求解決方案，并已經成功在悍馬車上試驗成功。
GEARS 計劃的短期目标是：在路線清理、爆炸物處理、傷員撤離、補給和偵察援助等高風險行動中，盡量部署無人駕駛車輛；長期目标是：建立大規模無人駕駛車輛部隊，通過有人無人結合的方式，讓每個士兵指揮一個小隊無人車輛和無人機，實現步兵的作戰效能拓展。
毫無疑問，對于 FSD 的成功，美國軍方一定會很感興趣，不排除将其應用于軍事方面的可能。
比如，坦克能否應用 FSD 通過大量的坦克駕駛和戰鬥視頻，來學習如何行進和作戰？從而實現真正的作戰無人化？
比如，艦載機起降，不論在哪個擁有航母的國家，都是一個難題，訓練艦載機飛行員非常困難。那麽艦載機能否應用 FSD，通過大量起飛和着艦的視覺訓練，實現起飛着艦的自主進行，徹底解放飛行員的雙手雙腳？
再比如，無人戰鬥機是否可以應用 FSD，用空戰王牌的視頻資料去訓練它，讓其成爲 AI 王牌？平時在天上長時間戰鬥巡航，如有有外機闖入，自己飛過去攔截。這可比從地面緊急起飛值班戰鬥機要快多了。
FSD 的原理其實非常簡單，那麽一旦這種思路在軍事領域擴散，那麽各兵種都會搞出自己的玩法（就像穿越機進戰場之後被開發出無數種玩法一樣），其帶來的結果很可能是革命性的。
但是呢？FSD 也不是完美的，應用于軍事，可能還有很長一段路要走。
首先就是其訓練數據的問題。
FSD 之所以好用，訓練數據非常重要，但同時，其訓練數據也直接影響 FSD 的水平。
在特斯拉的應用中，研發人員已經發現，使用田納西州司機訓練出來的大模型，放到紐約就不太合适，因爲田納西州地廣人稀，司機駕駛習慣偏向于禮讓，跟車也跟得優哉遊哉，絕對不會見縫插針，而紐約呢？街道極其擁擠，日常堵車，你要是再禮讓，保證加塞的車一輛接着一輛，你根本應付不了。
同樣，在美國訓練的 FSD 大模型，拿到中國來，可能也水土不服。畢竟中國路況實在太複雜了，各種各樣的情況都有，交通規則意識也和美國不同，美國總沒有在國道上曬麥子的吧？總沒有到處亂竄的三蹦子吧？
同樣的道理，軍用 FSD 要想好用，必須有大量針對性的訓練數據。比如你模拟和俄軍作戰，首先要有與俄軍的訓練數據吧？數據從哪來呢？烏克蘭倒是有，但烏克蘭的作戰方式，和美軍也不一樣啊！
就算你用假想敵中隊來模拟敵軍，但模拟就是模拟的，你永遠不可能以俄軍的現役裝備性能、俄軍的作戰戰術和操典、俄軍的指揮習慣，來逼真的模拟俄軍。所以就算你用模拟俄軍的數據訓練出大模型了，等你真正對上俄軍的時候，可能完全不好使了。
就像當年解放軍打國民黨軍的美械師打習慣了，覺得美械師也不過如此，但到了朝鮮戰場見到真正的美械師，才大吃一驚一樣。
其次是視覺方案的固有缺陷。
FSD 使用視覺方案，其基礎是看到的每一幀畫面中，包含多少信息，然後才能根據算法進行識别和決策。
現在的攝像頭，超過 1 億像素的并不稀罕，但是呢？拍攝視頻時，因爲要實現動态拍攝，考慮到緩存速度，視頻像素往往比照片要低得多。以我們見到的非常高清的 8K 視頻爲例，它的像素是多少呢？是 7680x4320 像素，總計也就 3320 萬像素。
而人眼呢？正常的人眼像素約爲 5.76 億，遠超一般的攝像頭。
這種差異帶來的結果就是，面對 1 千米外的目标，人眼可能依稀看見，然後做出反應。但攝像頭啥也看不見，更别說做出決策了。
雖然光學變焦可以解決這一問題，但一旦變焦，視野就小了，難以觀察其他方向情況了。
第三是攝像頭容易被遮擋。
這個很好理解，有時候你過個泥坑，你的倒車影像攝像頭就被泥水糊住了，啥也看不見。
同樣的道理，當軍用車輛用 FSD 視覺方案進行作戰時，可能遇上泥水、血水、煙霧或者草叢時，可能就不知道該咋辦了。
戰機上的攝像頭倒是不容易被污損和遮擋，但問題在于，這玩意實在太脆弱了，敵人一束激光射過來，攝像頭就被緻盲了，嚴重的時候還會燒毀 CCD。
不信你随便去看個演唱會，都能碰上被演唱會激光表演燒壞手機攝像頭的。
所以，雖然馬斯克的發布會很酷炫，FSD 應用于軍事也有很大的前景，但是起碼在目前，FSD 的最好出路，還是在隻需要看前方百米區域的智能駕駛領域吧，至于軍用，一時半會還是别想了。
軍武菌給大家推薦一個視頻号
專注中國産業崛起故事
▲關注産業資訊，破解科技密碼
追趕先進技術風口，看中國制造的星辰大海
