據外媒報道，特斯拉汽車公司人工智能（AI）總監安德烈·卡帕西(Andrej Karpathy)日前參加2018年TRAIN AI大會時，剖析了該公司構建自動駕駛儀（Autopilot）計算機視覺解決方案的方法。據介紹，Autopilot編程團隊主要分為兩部分：第一個團隊構建了神經網絡本身，而第二個團隊則專注于神經網絡的實際編程，它包括選擇已標注的圖像，幫助神經網絡學習。

“構建軟件2.0堆棧”

卡帕西的任務是將傳統的、基于規則的編程方法與神經網絡(也稱機器學習或AI)運行時使用的編程方法區分開來。在典型的互聯網術語中，他使用了神經網絡編程軟件2.0，用以與基于規則編程的軟件1.0進行區別。事實證明，兩者之間的差異是相當大的，編程神經網絡與編程網頁或智能手機應用程序是完全不同的。

近年來，隨著計算機視覺解決方案越來越難以為圖像中的每個可能對象定義規則，這一點變得尤其明顯。然而，這些挑戰并不能阻止程序員嘗試甚至執行極其復雜的計算機視覺分析任務。

在1990年到2010年之間的照片分析中，早期的研究奠定了現代聚焦于視頻圖像分析的基礎，而視頻圖像分析的幀率越高，對計算機資源的壓力就越大。像特斯拉自動駕駛儀(Autopilot)這樣的應用，要求所有處理過程都必須是實時的，甚至要使用實時數據來預測附近的司機會會做什么或可能做什么，以降低碰撞危險。

特斯拉的自動駕駛儀解決方案非常依賴計算機視覺，而不是激光雷達和其他傳感器，因為特斯拉的團隊認為，計算機視覺在根本上更加卓越，強大的攝像頭陣列足以支持完全自動駕駛解決方案。

卡帕西深入探究了特斯拉團隊用來破解自動駕駛儀計算機視覺難題的方法。自動駕駛儀編程團隊主要分為兩部分：第一個團隊構建了神經網絡本身，而第二個團隊則專注于神經網絡的實際編程，它包括選擇已標注的圖像，幫助神經網絡學習。

正如編程代碼必須高效和有效一樣，卡帕西注意到用于編程神經網絡的圖像必須夠大、夠多樣化以及干凈。為神經網絡編程更多的是識別異常，并為正確的行為編寫軟件2.0堆棧，而不是為正常情況下的系統編程。

我們可以用簡單的方法來比較為圖像編程的神經網絡，它就像十字路口的交通信號。大多數信號系統都有標準的紅黃綠設置，可以通過提供紅燈圖像并將其標記為指示車輛應該停車的信號來進行建模。

與此相對應，綠燈表示車輛可以繼續通過十字路口。黃色是同樣重要的指標，但比紅色和綠色交替出現的頻率要低得多。神經網絡必須被編程以同樣好地理解這三者的關系，即使在現實世界中黃色燈光出現的頻率遠低于綠色和紅色。

特斯拉認為，從根本上說，與人類駕駛汽車相比，該公司自動駕駛儀解決方案將會在行駛過程中提供更安全的駕駛體驗。這是有意義的，也十分重要，但這只是暗示了一種更廣泛的可能性，即車輛在世界上任何地方、任何情況下都能自動駕駛。

與人類駕駛汽車相比，特斯拉的自動駕駛汽車如今已經幫助減少4倍車禍死亡人數。其首席執行官伊隆·馬斯克（Elon Musk）相信，將來其至少可以提供10倍的改進效果。