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: