熱門話題
#
Bonk 生態迷因幣展現強韌勢頭
#
有消息稱 Pump.fun 計劃 40 億估值發幣,引發市場猜測
#
Solana 新代幣發射平臺 Boop.Fun 風頭正勁
更多的數據並不總是更好。
當一個自動化系統需要快速做出決策時,你希望它擁有盡可能精簡的相關數據集,以便做出正確的選擇。
分析更多的東西只會讓你變得更慢。
你可以在人類身上看到這一點。人工智慧領域永遠在模仿進化的作業,這有很好的理由。為什麼要拋棄那些數百萬年的湧現結果,試圖從頭開始。
人類實際上並沒有五種感官(更像是22種),但在這些感官中,我們並不常見到重疊。
進化過程似乎一再強調,微調你的眼球以適應你需要看到的東西,比發展兩三種不同類型的眼球來觀察同一事物要好。
當然,多通道的方法並不是不可能的,也許可以讓僅使用激光雷達的系統正常工作。
但使用與人類視覺相似的相機的好處在於,你可以借鑒我們對人類視覺的所有了解。
如果你用它來駕駛汽車,那麼你就可以借鑒我們對人類如何駕駛汽車的所有了解或可以發現的知識。
如果你是任何類型的工程師,這都是顯而易見的,儘管Lexxie可能會這樣想,或者在攝像機錄製時假裝這樣想,Elon Musk完全是工程師,100%是工程師,幾乎沒有其他身份,任何其他工程師都能從他的談話中看出這一點。
激光雷達在許多方面都很好,可能包括航天器,但當你把它放在汽車上時,這只是公開承認你沒有技能,或者只是沒有努力去發展能夠將相機指向某物並真正表徵你所看到的東西的AI能力。

8月25日 13:59
我不確定這是否有意義。雖然埃隆比我聰明得多,但我想說說我的看法:
我認為傳感器融合並不是不可能的,只是讓系統變得更加複雜。我可以看到一個物體,觸摸它,聞到它,我的大腦可以自然地將這些信息融合在一起。我認為傳感器融合本質上並不更不安全,但它增加了系統的複雜性,並增加了故障點的數量。特斯拉的主要問題是他們的車載雷達分辨率太低。
Waymo目前還不能在高速公路上載客,部分原因是LIDAR傳感器的範圍以及為高速駕駛進行調校的難度。還有高速行駛帶來的額外風險。但他們現在實際上在高速公路上運行,沒有人坐在駕駛座上,讓員工進行測試。所以我認為說他們不能在高速公路上行駛並不公平,他們只是還不覺得讓客戶使用它是安全的。
我最喜歡的論點是,深度學習勝過多傳感器方法的原因在於,使用單一低成本傳感器模態可以構建的大規模數據集對於提高模型的預測準確性極為強大。你可能擁有所有這些高級傳感器,但如果這意味著你的數據集規模、種類等只是個小部分,那麼僅依靠視覺模型的預測準確性和安全性可能實際上會更高。
我同意他所說的僅依靠視覺更好,但我認為問題的關鍵並不在於傳感器融合。

19.98K
熱門
排行
收藏