1802
深陷業(yè)績泥潭的Mobileye為了反擊公眾對其技術路線的質(zhì)疑，特別在2024年10月1日召開了投資者大會，會上詳細解釋了Mobileye技術路線的優(yōu)越性，對特斯拉、端到端和英偉達Orin都提出了質(zhì)疑和批判，甚至順便批評了GPT4o。
Mobileye的CAIS就是Compound AI Systems 復合人工智能方案，實際還是人工定義規(guī)則方案，MTBF即Mean time between failures平均故障間隔時間，也就是多久出現(xiàn)一次故障 。Mobileye表示其與汽車制造商的合作中，MTBF 目標是 10的7次方小時的駕駛時間。而特斯拉MTBF是多少呢？
特斯拉最先進的FSD 12.5平均每300英里就要人工接管一次，MTBF頂多是10小時，跟Mobileye的10的7次方有天壤之別。
接下來Mobileye開始批判端到端路線，端到端要想成功，前提至少有兩點，首先是沒有glue code膠合代碼，其次是訓練數(shù)據(jù)必須都是正確的，沒有錯誤示范，這意味著必須加入人工干預，也就是說真正的端到端完全不存在，端到端是將Glue code轉(zhuǎn)變到線下，需要人類來挑選高質(zhì)量正確的數(shù)據(jù)用于訓練。
對端到端來說只有正確和不正確兩種狀況，但是加入人工因素，就復雜了，例如上面三種，1是輕微無視交通規(guī)則，2是加塞，3是魯莽駕駛，3種都可以算正確也可以算不正確。RLHF即Reinforcement Learning from Human Feedback人類反饋的強化學習。
接下來Mobileye批評了GPT4o，這個看起來很牛的數(shù)千億參數(shù)的大模型，能做好20*20的乘法表嗎？當然不能，錯誤率超過60%。端到端學習通常會遺漏那些重要的抽象邏輯信息，端到端實際是記憶，而非學習，學習是可以獲得抽象內(nèi)涵邏輯的。
Mobileye繼續(xù)diss端到端，毫米波雷達和激光雷達都是簡單系統(tǒng)，但視覺系統(tǒng)很復雜，端到端的簡單融合，根本就沒有效果，遠不如CAIS的高級融合。
Mobileye認為端到端沒有抽象規(guī)則的注入，會產(chǎn)生Variance，會自行生成錯誤，而有人工定義的抽象規(guī)則注入，頂多是Bias偏差，偏差當然比錯誤要好，這就是說端到端數(shù)據(jù)少了容易過擬合，失去泛化能力，數(shù)據(jù)多了會因為錯誤示范數(shù)據(jù)產(chǎn)生錯誤。
接下來Mobileye開始diss端到端的核心：transformer架構(gòu)。
沒有用鏈條規(guī)則，那么維度是10的32次方，計算成本極高，如果加入鏈條規(guī)則，維度變?yōu)?00，計算成本降低99%。
Mobileye認為FCN全連接具備更高的效率，比RNN類型的transformer好多了。
Mobileye說的transformers似乎是帶有自注意力的稠密網(wǎng)絡即Vanilla Transformer。
CNN骨干網(wǎng)簡潔高效，而transformer對算力和存儲的消耗驚人，即便是最低的10Hz幀率就要100TOPS算力，每個token高達100Mb，9600個tokens是9600*100/8=120GB。這個實際無需Mobileye提出，目前包括特斯拉都還是使用CNN骨干網(wǎng)，即便是用英偉達單張H100也無法實現(xiàn)全Transformer，存儲的容量和帶寬成本比算力還高。盡管沒人承認自己還在用老舊的CNN，但目前任何一個量產(chǎn)項目都離不開CNN骨干網(wǎng)。
Mobileye繼續(xù)抨擊Transformer，指責其效率太低，自連接高達3170億個，而FCN只需要10的4次方個。
最后Mobileye對端到端做了總結(jié)，第一條就指責transformer效率太低，完全是暴力擬合，拼的就是算力。
Mobileye提出稀疏型注意力而非連接眾多的自注意力。
也就是并行自回歸網(wǎng)絡，將token分級，每一級與每一級之間才有連接，才有self attention，分級內(nèi)部不再連接，大大減少了計算強度，不過transformer的核心就是self attention，這種人工規(guī)則將transformer的性能大打折扣，transformer的奠基論文正是《Attention is All You Need》
Mobileye總結(jié)，效率比傳統(tǒng)transformer高100倍，所以不需要那么高的算力。
最后Mobileye力推自己的EyeQ6H，算力跟英偉達Orin差8倍，但ResNet50每秒幀率只差兩倍，顯然EyeQ6H性價比更高。
最后還是Mobileye對自己芯片的介紹，即五大計算資源，MIPS-通用CPU，用于標量和邏輯運算，MPC（Multithreaded Processing Cluster）-專門用于線程級并行的CPU，VMP（Vector Microcode Processor），使用超長指令寬度（VLIW）-單指令多數(shù)據(jù)（SIMD）；專為定點算法的數(shù)據(jù)級并行性而設計（例如，將12位原始圖像收斂為一組不同分辨率和色調(diào)圖的8位圖像）；基本上，對整數(shù)向量執(zhí)行操作PMA（Programmable Macro Array）-粗粒度可重構(gòu)陣列（CGRA）；為數(shù)據(jù)級并行設計，包括浮點運算；基本上，對浮點數(shù)向量執(zhí)行操作。XNN-專注于深度學習的固定函數(shù)：卷積、矩陣乘法/完全連接和相關激活后處理計算：例如CNN、FCN。這些都是Mobileye在10年前就確定的計算資源，似乎Mobileye不愿做出改變，或者不能做出改變，這樣的計算架構(gòu)很難同時兼顧高算力和成本。
Mobileye的路線是模塊化，或許是研發(fā)成本太高，亦或高價芯片不是Mobileye主要客戶能接受的，Mobileye似乎不打算推出高算力芯片，EyeQ6H會一直沿用，算力不夠就增加芯片數(shù)量，不過即使4個EyeQ6H算力能夠疊加，也不過136TOPS，更何況低成本的以太網(wǎng)交換機是不可能讓算力無損失疊加的。
Mobileye對特斯拉和端到端的指責當然是正確的，transformer當然也是純粹靠蠻力擬合，缺乏技巧，但這就是目前AI的主流，transformer是一切大模型的源頭，當今AI的主流就是拼算力，不講效率和技巧，Mobileye想對抗AI主流，無疑是螳臂當車。特別是在中國，端到端，特斯拉（馬斯克）都被追風，各廠家都在宣傳自己的端到端能力如何強大，整個輿論風潮已經(jīng)將端到端和特斯拉推上神壇，消費者迷信端到端和特斯拉。如此形勢下Mobileye逆潮流而動，勇氣可嘉，但恐怕要完全失去中國市場。中國市場除非是蘋果、特斯拉和華為這樣的超級巨頭能夠引領或教育消費者價值觀，中小企業(yè)只能順應消費者價值觀，雖然Mobileye說的都是事實，但逆潮流而動，一樣會被消費者拋棄，消費者要的是他認為的“真理”。
免責說明：本文觀點和數(shù)據(jù)僅供參考，和實際情況可能存在偏差。本文不構(gòu)成投資建議，文中所有觀點、數(shù)據(jù)僅代表筆者立場，不具有任何指導、投資和決策意見。
