第(2/3)页

    想要完全弃用传感器，那四面八方都得安装车载摄像头才行，才能保证前后左右都看得清楚。

    此外，还有一个重要的事情，那就是距离的估计。

    对于人类来说，根据一张图片去判断其中距离的远近，实在太过容易，可这对人工智能视觉算法来说，不是一件容易的事情。

    以现在的技术条件，需要进行非常复杂的标注，去分析样例图片中各个部位和像素的距离远近。

    因为图片毕竟是2D平面的，而自动驾驶是一个需要掌握好空间距离的任务。

    通过大量不同角度的平面图片，来重构一个三维的空间，甚至鸟瞰视角的三维空间是必要的。

    不过现在这还只是空中楼阁，马斯克再次联系孟繁岐的来意非常简单，就是希望这个作为骨干的神经网络可以再快一点，或者计算量再小一点。

    否则以目前的情况看，特斯拉很难负担得起这个运算量。

    实际上，马斯克没有对这件事情抱有特别大的希望。在他看来，孟繁岐上次给出的方案已经好到非常离谱了。

    在这个大家才刚开始复现DreamNet，还没把残差的原理和一些变种搞明白的时间点，孟繁岐已经针对各种不同平台的其他运算设备，做了相当多的实验。

    从而通过优化算子结构，调整特定计算过程的方式，将这个核心的骨干网络参数量减少了接近十倍。

    运算快了这么多，性能却没什么变化，这已经非常不得了了。

    马斯克有这一问，也是私下里的随口一提。

    但他名头太大，以往自己做的事情又太疯狂，导致孟繁岐听着他那颇为低沉，有磁性的声音之时，当了真。

    还真以为这是个非常严肃认真的需求。

    “自动驾驶的热度确实也快起来了，我专门针对这方面做点优化工作，也不算亏。”

    孟繁岐一边利用着重生优势开始抄底一些车企的股票，一边开始着手实现一个巧妙的加速并且节省内存的方式。

    这个新的优化办法叫做网络结构的重参数化。

    这半年来，视觉方法性能的突飞猛进来自于孟繁岐提出的残差方法，也就是将y = F(x)变为 y = F(x)+ x。

    这里的写法比较简便，将一系列复杂的操作，抽象归纳为F()，在实际运算过程中，这个F()还是比较复杂的，往往需要算上好一会。
    第(2/3)页