将资源投入AI——会有好结果吗？回报递减是否会拖累特斯拉的FSD？- CleanTechnica

注册CleanTechnica的每日新闻更新在电子邮件中。或者关注我们的Google新闻账户!

---

我前几天写了一篇文章，题为“特斯拉多年来证明了许多人是错误的——这一次是同样的情况，还是有所不同？文章的核心观点是这些：

1. 许多人在这家公司发展的许多阶段都说特斯拉做不到它最终实现的事情。
2. 我相信特斯拉能够做到那些事情。
3. 现在，我很难相信特斯拉在机器人出租车方面的做法及其计划在未来几年内推出这一服务（尽管十年前以及甚至五年前我还曾持相反意见）。
4. 所以，我在想，我是不是成了那个会被证明是错误的怀疑论者，还是说这次情况确实不同，特斯拉不会实现其robotaxi的目标（再次）？

在评论区，一位读者Doug Sanden写道：

"FSD训练——对数线性？"

• • 所需数据量的增长导致线性进步，或数据线性增长而导致进度下降：
    视频《生成式AI已经达到了顶峰吗？》– Computerphile
  • 收益递减？
  • 他正在描述这篇论文的结果：
  • “没有指数级数据就没有‘零样本’：预训练概念频率决定多模态模型性能”，Udandarao等，2024年
  • 低效的对数线性扩展趋势
  • 指数级的数据训练需求

我查找了那个视频并观看了一下。这里就是那个视频，我强烈推荐你也看一下：

再次不要跳过视频，但我会试着在这里再总结一下关键点：

• 生成式AI非常棒，正在做伟大的事情。
• 由于它所能做的事情，它看起来像是魔法，让许多人相信添加越来越多的数据或构建越来越大规模的模型——或者两者兼而有之——将使几乎任何事情都变得可能，并能够实现越来越令人惊叹的技术解决方案。
• 然而简单来说，当期望的输出或产品变得更加复杂、更加微妙时，就会出现边际效益递减的现象。
• 此外，在你努力实现那些更加困难的目标时，你会投入大量的资金进行数据收集和模型处理，最终可能会陷入无底洞，追逐虚无缥缈的东西。

就特斯拉公司及其产品Tesla全自动驾驶（FSD）而言，这基本上只是我对某件事情长期担忧的一个更好解释。我认为特斯拉有追逐的风险独角兽其在FSD方面的做法所带来的收益递减，我认为这可能会耗费大量的现金，而特斯拉却无法推出机器人出租车。我也认为这与“有关的内容没有给出完整句子，不明确具体含义，故只翻译已知部分。原文继续。跷跷板问题我已经讨论过几次了——这就是用特斯拉使用的硬件和软件方法来解决非常复杂、微妙的问题所产生的效果。

也许我错了，就像我在上面链接的文章中提到的那样。但最终我的观点与视频末尾这位先生的观点非常相似，他认为生成式AI的发展会遵循图表上的红线而不是黄线——但他也表示，如果最终是沿着黄线发展的话，那将会令人兴奋：

我们会看到的。我们距离特斯拉机器人出租车还很遥远，但让我们看看技术是如何进步的。