特斯拉原定于6月22日在奥斯汀推出的"车内无人"Robotaxi服务未能如期实现。相反,特斯拉向受邀乘客宣布,将采用有限服务模式,车内配备特斯拉员工以确保安全。特斯拉采用了俄罗斯无人出租车公司Yandex在2019年使用的方法,将安全员安排在副驾驶座位而非驾驶座位。
配备车内员工(通常称为安全员)是每家自动驾驶汽车公司在测试阶段都采用的方法,包括载客运营测试。大多数公司都会花费多年时间进行安全员陪同测试(Waymo花费了十年时间),一旦准备好载客,通常还需要数年的测试,不过取消安全员的时间主要取决于对车辆安全性的评估。
特斯拉设置了其他限制条件——服务时间限制在早上6点到午夜(与Cruise最初仅在夜间运营相反),乘客来自邀请名单(Waymo、Cruise和其他公司早期也是如此)。服务将限制在特定区域内,避开复杂困难的街道和十字路口。恶劣天气下将暂停服务,这在其他车辆中也会发生,尽管现在相当罕见。特斯拉FSD在雨水遮挡摄像头时会自动禁用——只有前置摄像头配备雨刷。车队规模较小。
Waymo从2009年开始进行安全员陪同测试,2017年开始载客测试(配安全员),2020年在凤凰城地区实现无安全员运营。Cruise的载客和安全员陪同期要短得多。Motional已载客多年但从未取消安全员。大多数中国公司也花费了数年时间。
几乎所有车辆都将安全员安排在驾驶座后方。特斯拉的安全员将坐在副驾驶座位,类似于驾校教练指导学员的情况。虽然特斯拉未确认,但副驾驶座位的员工可以抓住方向盘进行转向。由于量产特斯拉具备完全计算机控制的制动和加速系统,他们可能为驾驶员配备电子踏板。一些报告显示他们可能配备手持控制器或其他方式来命令车辆制动。
将安全员安排在副驾驶座位并无价值。这并不比坐在驾驶座位更安全,大多数人认为由于不寻常的几何结构反而更不安全。除了外观效果外很难找到其他理由。特斯拉可以声称车辆"驾驶座无人"来给公众留下深刻印象。
如前所述,Yandex(现在的AVRide)使用副驾驶座位安全员,也在奥斯汀运营——也被推测主要是为了外观效果。当Cruise在旧金山进行首次"无人驾驶"演示时,他们也在副驾驶座位安排了员工。
特斯拉多年来一直准备运行安全员陪同服务。这里测试的不是汽车的安全性,而是处理乘客的所有复杂性,包括上下车的意外问题。特斯拉能否在无人监督的情况下安全运营无人出租车,特别是在传感器硬件更加有限的情况下,仍有待观察。
特斯拉显然在准备就绪之前尝试了不同的上路方案。特别是,有车辆被发现配备副驾驶座位安全员,也有被"跟车"护送的情况。报告还显示特斯拉计划"大量远程操作",包括不仅是远程协助(所有服务都有),还有远程监督包括远程驾驶。
由于埃隆·马斯克在最近的特斯拉财报电话会议中承诺"车内无人"和"无监督",实现第一项的压力很大,但特斯拉团队必须得出结论他们还无法做到这一点,并做出了正确的选择。
特斯拉可以选择延期。一小群德克萨斯州立法者要求特斯拉延期直到新的德克萨斯州法规生效。一些人认为这为特斯拉提供了一个简单的逃避自设期限的借口,将责任推给监管者。
值得注意的是Cruise"仅夜间"发布与特斯拉主要白天运营的对比。Cruise选择夜间是因为交通和复杂性较少。激光雷达在夜间视野很好。特斯拉基于摄像头的系统在夜间有非常不同的限制,许多人担心夜间性能较差。
特斯拉面临的问题是使用安全员是否只是临时措施(因为还没完全准备好但需要满足宣布的日期),还是像大多数团队那样的多年计划。特斯拉以未能满足FSD系统预测发布日期而闻名,所以这种模式继续并不令人震惊。更大的问题是他们是否能够做到。向特斯拉车主提供的特斯拉FSD 13版本甚至远未达到无人出租车准备就绪的程度。如果特斯拉通过额外工作、训练和严重限制问题空间制作了更接近的版本,这仍然是一个重大成就。这将在未来几个月内得到验证。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。