深陷业绩泥潭的Mobileye为了反击公众对其技术路线的质疑，特别在2024年10月1日召开了投资者大会，会上详细解释了Mobileye技术路线的优越性，对特斯拉、端到端和英伟达Orin都提出了质疑和批判，甚至顺便批评了GPT4o。
图片来源：Mobileye
Mobileye的CAIS就是Compound AI Systems 复合人工智能方案，实际还是人工定义规则方案，MTBF即Mean time between failures平均故障间隔时间，也就是多久出现一次故障 。Mobileye表示其与汽车制造商的合作中，MTBF 目标是 10的7次方小时的驾驶时间。而特斯拉MTBF是多少呢？
图片来源：Mobileye
特斯拉最先进的FSD 12.5平均每300英里就要人工接管一次，MTBF顶多是10小时，跟Mobileye的10的7次方有天壤之别。
图片来源：Mobileye
接下来Mobileye开始批判端到端路线，端到端要想成功，前提至少有两点，首先是没有glue code胶合代码，其次是训练数据必须都是正确的，没有错误示范，这意味着必须加入人工干预，也就是说真正的端到端完全不存在，端到端是将Glue code转变到线下，需要人类来挑选高质量正确的数据用于训练。
图片来源：Mobileye
对端到端来说只有正确和不正确两种状况，但是加入人工因素，就复杂了，例如上面三种，1是轻微无视交通规则，2是加塞，3是鲁莽驾驶，3种都可以算正确也可以算不正确。RLHF即Reinforcement Learning from Human Feedback人类反馈的强化学习。
图片来源：Mobileye
接下来Mobileye批评了GPT4o，这个看起来很牛的数千亿参数的大模型，能做好20*20的乘法表吗？当然不能，错误率超过60%。端到端学习通常会遗漏那些重要的抽象逻辑信息，端到端实际是记忆，而非学习，学习是可以获得抽象内涵逻辑的。
图片来源：Mobileye
Mobileye继续diss端到端，毫米波雷达和激光雷达都是简单系统，但视觉系统很复杂，端到端的简单融合，根本就没有效果，远不如CAIS的高级融合。
图片来源：Mobileye
Mobileye认为端到端没有抽象规则的注入，会产生Variance，会自行生成错误，而有人工定义的抽象规则注入，顶多是Bias偏差，偏差当然比错误要好，这就是说端到端数据少了容易过拟合，失去泛化能力，数据多了会因为错误示范数据产生错误。
接下来Mobileye开始diss端到端的核心：transformer架构。
图片来源：Mobileye
没有用链条规则，那么维度是10的32次方，计算成本极高，如果加入链条规则，维度变为100，计算成本降低99%。
Mobileye认为FCN全连接具备更高的效率，比RNN类型的transformer好多了。
图片来源：Mobileye
Mobileye说的transformers似乎是带有自注意力的稠密网络即Vanilla Transformer。
图片来源：Mobileye
CNN骨干网简洁高效，而transformer对算力和存储的消耗惊人，即便是最低的10Hz帧率就要100TOPS算力，每个token高达100Mb，9600个tokens是9600*100/8=120GB。这个实际无需Mobileye提出，目前包括特斯拉都还是使用CNN骨干网，即便是用英伟达单张H100也无法实现全Transformer，存储的容量和带宽成本比算力还高。尽管没人承认自己还在用老旧的CNN，但目前任何一个量产项目都离不开CNN骨干网。
图片来源：Mobileye
Mobileye继续抨击Transformer，指责其效率太低，自连接高达3170亿个，而FCN只需要10的4次方个。
图片来源：Mobileye
最后Mobileye对端到端做了总结，第一条就指责transformer效率太低，完全是暴力拟合，拼的就是算力。
图片来源：Mobileye
Mobileye提出稀疏型注意力而非连接众多的自注意力。
图片来源：Mobileye
也就是并行自回归网络，将token分级，每一级与每一级之间才有连接，才有self attention，分级内部不再连接，大大减少了计算强度，不过transformer的核心就是self attention，这种人工规则将transformer的性能大打折扣，transformer的奠基论文正是《Attention is All You Need》
图片来源：Mobileye
Mobileye总结，效率比传统transformer高100倍，所以不需要那么高的算力。
图片来源：Mobileye
最后Mobileye力推自己的EyeQ6H，算力跟英伟达Orin差8倍，但ResNet50每秒帧率只差两倍，显然EyeQ6H性价比更高。
图片来源：Mobileye
最后还是Mobileye对自己芯片的介绍，即五大计算资源，MIPS-通用CPU，用于标量和逻辑运算，MPC（Multithreaded Processing Cluster）-专门用于线程级并行的CPU，VMP（Vector Microcode Processor），使用超长指令宽度（VLIW）-单指令多数据（SIMD）；专为定点算法的数据级并行性而设计（例如，将12位原始图像收敛为一组不同分辨率和色调图的8位图像）；基本上，对整数向量执行操作PMA（Programmable Macro Array）-粗粒度可重构阵列（CGRA）；为数据级并行设计，包括浮点运算；基本上，对浮点数向量执行操作。XNN-专注于深度学习的固定函数：卷积、矩阵乘法/完全连接和相关激活后处理计算：例如CNN、FCN。这些都是Mobileye在10年前就确定的计算资源，似乎Mobileye不愿做出改变，或者不能做出改变，这样的计算架构很难同时兼顾高算力和成本。
图片来源：Mobileye
Mobileye的路线是模块化，或许是研发成本太高，亦或高价芯片不是Mobileye主要客户能接受的，Mobileye似乎不打算推出高算力芯片，EyeQ6H会一直沿用，算力不够就增加芯片数量，不过即使4个EyeQ6H算力能够叠加，也不过136TOPS，更何况低成本的以太网交换机是不可能让算力无损失叠加的。
Mobileye对特斯拉和端到端的指责当然是正确的，transformer当然也是纯粹靠蛮力拟合，缺乏技巧，但这就是目前AI的主流，transformer是一切大模型的源头，当今AI的主流就是拼算力，不讲效率和技巧，Mobileye想对抗AI主流，无疑是螳臂当车。特别是在中国，端到端，特斯拉（马斯克）都被追风，各厂家都在宣传自己的端到端能力如何强大，整个舆论风潮已经将端到端和特斯拉推上神坛，消费者迷信端到端和特斯拉。如此形势下Mobileye逆潮流而动，勇气可嘉，但恐怕要完全失去中国市场。中国市场除非是苹果、特斯拉和华为这样的超级巨头能够引领或教育消费者价值观，中小企业只能顺应消费者价值观，虽然Mobileye说的都是事实，但逆潮流而动，一样会被消费者抛弃，消费者要的是他认为的“真理”。
免责说明：本文观点和数据仅供参考，和实际情况可能存在偏差。本文不构成投资建议，文中所有观点、数据仅代表笔者立场，不具有任何指导、投资和决策意见。
更多佐思报告
佐思2024年研究报告撰写计划
智能网联汽车产业链全景图（2024年8月版）
| 云端和AI | ||
| 车云 | OTA研究 | 自动驾驶仿真 |
| 汽车云服务研究 | 自动驾驶地图 | |
| TSP与应用服务 | V2X和车路协同 | |
| 数据闭环研究 | 路侧智能感知 | |
| 车路云一体化研究 | ||
| AI大模型 | 汽车AI大模型研究 | AI大模型对整车智能化影响 |
| 座舱AI Agent | 车载AI Agent产品开发与商业化 | |
| 智驾系统集成和应用层 | ||
| 自动驾驶应用框架 | ADAS与自动驾驶Tier1-国内 | 本土车企ADAS |
| ADAS与自动驾驶Tier1-国外 | 国外OEM ADAS研究 | |
| L3/L4级自动驾驶和初创企业 | 理想L8/L9功能拆解 | |
| 智能驾驶Tier1前10强对比 | ||
| 自动驾驶算法和系统 | 端到端智驾研究 | 行泊一体研究 |
| 冗余系统 | 舱泊一体 | |
| 智驾融合算法 | 舱行泊融合 | |
| 汽车视觉算法 | 无人配送车 | |
| 领航辅助驾驶（NOA） | ||
| 感知 | 毫米波雷达 | 汽车视觉 |
| 激光雷达研究 | 红外夜视 | |
| 激光雷达核心部件 | 车用超声波雷达 | |
| 软件定义雷达 | 车载摄像头Tier2 | |
| 智舱系统集成和应用层 | ||
| 智能座舱应用框架 | 智能座舱Tier1 | 座舱设计趋势 |
| 智能座舱平台 | ||
| 座舱显示 | 车载VR/AR/MR研究 | HUD产业链 |
| 仪表和中控显示 | 电子后视镜 | |
| 座舱多屏与联屏 | 行车记录仪 | |
| HUD产业研究 | 智能玻璃 | |
| 座舱交互 | 车载语音 | 车载香氛与空气净化 |
| 舱内监控研究 | 汽车音响 | |
| 汽车多模态交互 | 智能表面 | |
| 手势交互发展 | ||
| 座舱互联娱乐与生态 | 汽车生态域 | 自主品牌车联网 |
| 汽车数字钥匙 | 合资品牌车联网 | |
| 车载支付 | 新势力品牌车联网 | |
| 车载信息娱乐 | 商用车车联网 | |
| 汽车eCall系统 | 商用车智能座舱 | |
| 座舱其他 | 汽车舒适系统 | 智能车门 |
| 汽车照明 | 上海车展75项趋势 | |
| 车载无线充电 | 两轮车智能化 | |
| OS和支撑层 | ||
| SDV框架 | 软件定义汽车 | 汽车软件业务模式 |
| 基础软件/系统平台 | AUTOSAR研究 | 汽车操作系统 |
| 数字仪表OS | ||
| 信息安全/功能安全 | 汽车信息安全 | 汽车功能安全 |
| 电子电气架构层 | ||
| E/E架构框架 | E/E架构 | 汽车电子代工 |
| 48V低压供电网络 | ||
| 智驾域 | 自动驾驶SoC | ADAS域控组件 |
| 自动驾驶域控 | ||
| 座舱域 | 智能座舱平台 | 座舱域控 |
| 座舱SoC | 8295座舱域控制器拆解 | |
| 车控域 | 车身(区)域控研究 | 汽车VCU研究 |
| 电驱动和动力域控制器 | ||
| 通信/网络域 | 车内通信芯片 | 商用车T-Box |
| 无线通讯模组 | 高精度定位 | |
| 汽车网关 | 车载天线 | |
| 乘用车T-Box | 汽车UWB研究 | |
| 跨域融合 | 多域计算和区域控制器 | |
| 区域和中央计算 | 车身(区)域控研究 | |
| 其他芯片 | 汽车MCU研究 | 车用RISC-V研究 |
| 车载存储芯片 | 传感器芯片 | |
| 电源管理芯片 | 汽车CIS研究 | |
| 动力层 | ||
| 动力 | 混合动力报告 | 电源管理芯片 |
| 800V高压平台 | 电驱动与动力域研究 | |
| IGBT及SiC研究 | ||
| 能源 | 一体化电池 | 充换电研究 |
| 燃料电池 | 移动充电机器人 | |
| 固态电池 | 数字电源及芯片 | |
| 其他 | 热管理系统 | 一体化压铸 |
| 机械层 | ||
| 底盘/执行 | 乘用车底盘域控 | 电控悬架 |
| 线控制动&AEB | 智能转向关键组件 | |
| 转向系统 | 商用车智能底盘 | |
| 其他宏观 | ||
| 车型平台 | 车企模块化平台 | 主机厂车型规划研究 |
| 出海 | 主机厂海外布局 | |
| 政策、标准、准入 | 智驾法规和汽车出海 | 自动驾驶标准与认证 |
| AI机器人 | PBV及汽车机器人 | 无人配送车 |
| 移动充电机器人 | 飞行汽车 |
「佐思研究月报」
ADAS/智能汽车月报 | 汽车座舱电子月报 | 传感器月报 | 电池、电机、电控月报 | 车载信息系统月报| 黑科技月报
联系方式
（手机号同微信号）返回搜狐，查看更多
责任编辑：