如果在学校区域 ， 你会记得这是一个概念 ， 这很奇怪 。 虽然当时没有看到学生 ， 但你心里会想：要小心开车 ， 当心学生 。
马斯克：你需要建立向量空间 ， 然后对这些空间进行实际预测 。
比如当你开车时 ， 前面有一辆卡车 ， 还有一些孩子准备过马路 ， 当你距离卡车较近的时候 ， 卡车挡住了你的视线 ， 你看不到那些小孩了 。 这时 ， 你心里想的是这些孩子现在在什么位置 ， 需要提前预测一下（位置） 。
46、Lex Fridman：对计算机视觉来说 ， 识别移动的物体 ， 比如这个物体被一棵树遮挡后又重新出现 ， 这种连贯的追踪是非常难的 。
马斯克：这就是我们正在做事情 ——“客体永久性” ， 这有点像人类的神经网 ， 当一个人从幼儿阶段长大时 ， 有一个提升自我认知的时间点 ， 机器也是如此 。
如果你把玩具或其他东西藏在背后 ， 然后再拿出来给一个婴儿看 ， 对那个婴儿来说 ， 每次你把东西拿出来 ， 这个东西都是第一次出现的 ， 对婴儿们来说都是新事物 。 他 / 她们可以整天玩藏猫猫 。 但之后 ， 婴儿长大获得了“客体永久性” ， 他们意识到这个东西其实一直都存在 ， 并没有消失 ， 只是被人藏在身后了 。

文章图片
图14/19
▲ 特斯拉车身上的八个摄像头汇集成三维的“向量空间”
47、Lex Fridman：有时我希望我们永远不要获得“客体永久性” 。
马斯克：是的 。 汽车神经网络的一个重要的发展是记忆 ， 跨越时间和空间的记忆 。 实际上人类的大脑不能掌控记忆的多少 ， 你想记住的越多 ， 就会耗费更多的代价 。
所以如果你想长时间记住太多的东西的话 ， 到后期很多记忆就会变得比较陈旧 ， 并且你还需要再记住一些新的东西 。
比如说 ， 一段 5 秒钟的记忆 —— 你把车停在红灯前 ， 行人在绿灯亮起时过马路 。 但如果你再次经过路口时 ， 因为一些原因你可能看不清行人 ， 但你依然需要记住马路边上可能会有行人 ， 并且他们可能要过马路之类的事情 。 所以即使这超过了你的时间记忆 ， 也不能超过你的空间记忆 。
48、Lex Fridman：所以获取数据来学习你所说的所有概念是一个迭代的过程 。
马斯克：对 ， 但我们可能会换个名字 。
49、Lex Fridman：好吧 ， 我相信这会和《瑞克和莫蒂》一样精彩 。
马斯克：我们的团队在车里设计神经网络很多次了 ， 超疯狂的 。
50、Lex Fridman：所以每次有一个新版本 ， 你都会把它重命名为更荒谬或更难忘和美丽的东西吗？啊不对 ， 不能说是荒谬 。
马斯克：目前操纵汽车的神经网络的完整阵列有非常多的层级 ， 这是非常复杂的 ， 所以我们没有采用这种方式 。
我们采用简单的神经网络 ， 基本上就是在一个摄像机的一帧图像上进行识别 ， 然后试着把它们结合在一起 。 我们有自己的 C 语言编译器 。 因此 ， 为了获得最大的性能 ， 我们也在不断优化我们的 C 语言编译器的最大效率 。
事实上 ， 我们最近在 C 语言编译器上做了一个新的 REV 命令 ， 它将直接编译到我们的 Autopilot 自动驾驶硬件上 。
51、Lex Fridman：你想要用你自己的编译器编译所有的东西吗？
马斯克：对 ， 有各种各样的计算 。
52、Lex Fridman：那就是说也包括 CPU、GPU 这些基本的东西吗？所以你自己也参与到编译代码中了？
马斯克：对 ， 我们还安排了很多人参与其中 。
这涉及到很多的硬核的软件工程 ， 所以我们也在 FSD 计算机上做了大量的计算 ， 并且我们需要在有限的计算能力下尽可能地达到每秒最高的帧数 。