特斯拉VLA:删掉30万行代码,FSD更聪明了
大家好，好久不见，这段时间公司年会正好赶上司庆，忙得昏天黑地，好不容易把那一堆报表和PPT应付过去，终于能坐下来和大家闲聊几句了。这几天我虽然忙，但睡觉前还是习惯刷刷手机，看点科技圈的新鲜事，有一条消息特别引起了我的注意，是特斯拉的自动驾驶负责人阿肖克·埃鲁斯瓦米发的一条推文。他说，在特斯拉最新的FSD Beta v12版本里，他们删掉了超过30万行用来控制车辆的C++代码。对于咱们普通人来说，可能对代码行数没什么概念。一般一个熟练的人类程序员一天大概能写出150行有效代码，按一年平均250个工作日算，30万行差不多够这个哥们干上8年，这还不算代码调试、优化等等工作。所以这就是今天想和大家聊的话题，这不仅仅是特斯拉一家公司的事，这背后代表着人工智能技术的一个巨大分水岭，一个从“教机器做事”到“机器自己学会做事”的根本性转变。如果让你去教一个从来没摸过车的人开车，你会怎么教，你可能会告诉他，看到红灯要踩刹车，看到绿灯踩油门，转弯要打转向灯，看到行人要避让，这都是规则。在很长一段时间里，全世界做自动驾驶的工程师也是这么教电脑开车的，他们把人类开车时遇到的所有情况，都翻译成一条条电脑能听懂的指令，这叫做“规则驱动”。比如工程师会写一行代码，意思是“如果前方探测到红色信号灯，并且距离小于50米，那么刹车力度设为50%”，这就解决了一个红灯停车的问题。可是现实路况太复杂了，红灯可能是圆的，也可能是箭头的，有时候红灯坏了不亮，有时候前面的树叶把红灯挡住了一半，有时候虽然是红灯，但交警在路中间指挥让你走。这就麻烦了，工程师得为每一种情况都写一条新规则，于是代码越写越多，从几千行变成几万行，再变成几十万行。这30万行代码，就是过去好几年里，特斯拉的工程师们为了应对无数种稀奇古怪的路况，熬秃了头写出来的“补丁”，哪里出问题就补哪里，最后这些代码变成了一座巨大的迷宫，牵一发而动全身，改一个小Bug，可能会引出三个新Bug。这就是传统自动驾驶技术的瓶颈，人类世界的规则太模糊了，没办法用冷冰冰的代码完全覆盖。所以，特斯拉决定把这30万行规则代码全删了，取而代之的是一个巨大的神经网络。这个变化，就是所谓的“端到端”技术，也是我们今天要聊的主角——VLA，也就是视觉-语言-动作模型的基础。咱们换个好理解的说法，以前的自动驾驶像是在查字典翻译，看到一个词，查一下字典，翻译出来，现在的自动驾驶，更像是把一个孩子扔到了国外，让他每天听当地人说话，看当地人做事，慢慢地，这个孩子不需要查字典，凭语感就能流利交流了。特斯拉现在的做法就是这样，他们不再告诉车子“看到红灯要停”，而是把数百万人类老司机开车的视频喂给AI看。AI看视频的时候会发现，哦，原来每次画面里出现那个红红的亮光时，人类司机的脚都会踩在刹车上，车速会降下来，看了一百万次之后，AI就学会了，它甚至不需要知道那个红红的东西叫“红灯”，它只知道，看到这个图像，就该配合那个动作。因为那30万行代码是人类对世界的“拙劣模仿”，而AI通过看视频学到的，是人类行为的“神韵”。以前我们觉得AI要么是做图的，像Midjourney，这是视觉；要么是聊天的，像ChatGPT，这是语言，它们都生活在屏幕里，碰不到现实世界的东西。但自动驾驶，或者说未来的机器人，需要的是“动作”。VLA模型就是要把这三者打通，它有一双眼睛，能看懂周围的环境，这是一辆车，那是一棵树，这是一只突然冲出来的流浪猫。它有一个大脑，能理解这些东西意味着什么，比如它知道流浪猫可能会受惊乱跑，这不仅仅是识别物体，而是理解了场景的逻辑，这就是语言层面的智慧。最后，也是最重要的一步，它能直接输出动作，它不需要经过一堆“如果……那么……”的逻辑判断，直接指挥方向盘转动多少度，刹车踩多深。大家想象一下这个场景，以前的车看到路边有个塑料袋，传统的雷达和代码规则可能会判断：前方有障碍物，不知道是什么，为了安全，紧急刹车。结果就是你在车里被晃得七荤八素，后面跟着的车差点追尾，这就是所谓的“幽灵刹车”。而现在的VLA模型，因为它看过很多人类开车的视频，当它看到那个塑料袋，大脑就会像人类一样思考：这看起来是个轻飘飘的塑料袋，风一吹就动，人类司机通常不会为了这个刹车，直接开过去就行。于是，车子稳稳地开了过去，没有急刹车，一切都非常丝滑，就像一个开了十年出租车的老司机。这种能力的提升，不是靠堆砌代码堆出来的，而是靠喂数据喂出来的，你喂给它越多高质量的驾驶视频，它就越聪明。说到这里，你可能会觉得，这不就是让机器模仿人吗，有什么了不起的。其实这事儿意味着AI开始具备了“物理世界的常识”。以前的ChatGPT虽然博学，但它是个“缸中之脑”，它知道牛顿定律的公式，但它没踢过球，不知道脚触碰球那一瞬间的反馈感，特斯拉的VLA，实际上是在帮AI补上这一课。当AI学会了开车，它学会的不仅仅是开车，它学会的是如何根据眼睛看到的东西，控制身体去和物理世界交互。如果你把这个系统从车上拆下来，装到一个有手有脚的机器人身上，会发生什么？这正是马斯克在做的事情，特斯拉不仅有车，还有个人形机器人叫Optimus，用的就是同一套逻辑。以前我们让机器人去厨房拿一瓶可乐，需要极其复杂的编程：第一步走到冰箱前，第二步识别把手，第三步计算力矩拉开门，第四步识别可乐……任何一个环节稍微有点误差，机器人就卡住了。现在用VLA的思路，我们只需要让机器人看一千遍人类拿可乐的视频，机器人就能学会那个连贯的动作，它看到了把手，就知道伸手去拉，看到了可乐，就知道伸手去抓。我们的家不是工厂，工厂的流水线是固定的，家里的环境每时每刻都在变，鞋子可能乱踢在门口，猫可能趴在沙发上，孩子可能把玩具扔了一地。传统的写代码的方式，永远无法穷尽家庭里可能出现的混乱情况，只有这种像人类一样凭直觉行动的AI，才能在如此复杂的环境里生存。当然，这种技术也不是完美的，它带来了一个新的、巨大的挑战，那就是“黑盒问题”。以前的代码虽然繁琐，但每一行都是工程师写的，出了事故，我们可以去查日志，哦，原来是第1024行代码的逻辑判断错了，我们把它改过来。但现在的神经网络，是一个巨大的黑箱，它由几十亿个参数组成，车子突然向左转，是因为这几十亿个数字运算后的结果。如果你问工程师：它刚才为什么左转？工程师可能也答不上来，只能告诉你：因为它的神经网络计算认为这时候应该左转。这让我们失去了一种“掌控感”和“可解释性”，我们不知道AI什么时候会犯错，也不知道它为什么犯错。这就像你雇了一个天才司机，他开车技术极好，但他是个哑巴，没法跟你交流他为什么这么开，你只能选择信任他，或者不信任他。不过就目前看来，数据证明这种AI直觉比人类写的死规则要安全得多，因为人类写的规则总有漏洞，而大数据的统计规律往往能覆盖更多边缘情况。过去，程序员是“上帝”，我们制定规则，计算机会严格执行。现在，程序员更像是“老师”或者“饲养员”，我们筛选好的教材（数据），喂给AI，让AI自己去悟出规则。说句非常文青的话：那30万行被删掉的代码，就是旧时代的墓碑。这让我想起以前看过的一个观点，叫“苦涩的教训”，意思是说，在人工智能的历史上，人类总是试图把自己的知识写进程序里，比如教计算机下棋的定式，教计算机识别边缘的算法。短期看，这很有效，但长期看，这些人为的规则总是被纯粹的算力和大数据打败。AlphaGo战胜人类棋手，不是因为它背了更多棋谱，而是它通过自我对弈发现了人类都不知道的下法。现在的FSD也是一样，它不再模仿人类僵化的交通规则，它在模仿人类灵活的处理能力，甚至在某些方面超越了人类的反应速度。从这个角度看，特斯拉删代码这件事，其实是在给AI松绑。我们把自己那点可怜的、局限的逻辑拿走，让AI直接去面对真实的世界，自己去学习。也许在不久的将来，我们买车的时候，不再关注它的马力、扭矩，而是关注它的“智商”。我们会习惯坐在驾驶座上玩手机，把方向盘交给一个看不见的AI司机，虽然我们不知道它脑子里在想什么，但我们知道它比我们更懂如何安全回家。也许几年后，你买回家的扫地机器人不再是只会撞墙的傻瓜，它能看懂你挥挥手是让它出去，还是让它过来。家里的那个智能音箱，不再只会机械地回答天气预报，它能看着你的脸色，指挥家务机器人给你递上一杯热茶。在这个技术飞速迭代的时代，做减法往往比做加法更难，也更重要。我们要学会适应这种变化，适应一个“不可解释”但“极其好用”的智能世界。就像我们不需要懂得电力传输的原理也能开灯一样，未来我们也不需要懂得神经网络的参数，就能享受它带来的便利。只是，偶尔在深夜加班开车回家的时候，握着方向盘的手，可能会有些感慨。我们可能是这颗星球上，最后一代还需要亲自驾驶汽车的人类了。这种掌控机械的原始快感，正在一点点被温和的算法剥离。好了，今天就聊这么多，年关将至，估计大家的工作也都挺忙的，希望这篇小短文能让你在忙碌的间隙，稍微抬起头来看看远处正在发生的事情。
10个月宝宝每天需要喝多少奶粉？
