自駕車可以透過光達、雷達、攝影鏡頭、超聲波等工具來探測環境。大多數自駕車公司會使用光達，然而特斯拉卻堅持不用光達；近期，特斯拉更將部分新車的雷達拿掉，要用純鏡頭來感測道路環境。
為什麼特斯拉不用光達？在今年的電腦視覺暨模式識別會議（Conference on Computer Vision and Pattern Recognition，CVPR）上，特斯拉首席 AI 科學家 Andrej Karpathy 解釋了原因。
純視覺辨識具有通用性，可以在地球任何角落運行
深度神經網路（deep neural networks）是自駕技術的核心，它的功能，是分析車載鏡頭傳輸的影像，識別道路、標誌、汽車、行人等資訊，讓汽車適當的行駛。然而深度學習可能會判斷錯誤，因此多數自駕車公司會使用光達來建立汽車周圍的 3D 地圖，以填補神經網路判斷的缺口。
但導入光達也有其複雜性。Karpathy 指出，汽車必須用光達預先繪製環境地圖，然後再建立高解析度地圖，將車道、紅綠燈等資訊納入其中，並且了解它們如何交互作用。測試時，汽車只需定位到地圖即可行動；但實際上，要繪製每個地點的地圖很困難，而且收集、建立與維護這些光達地圖是無法擴展的，難以保持更新。
因此，特斯拉不使用光達與高解析地圖，而是使用圍繞在車體上的 8 個攝影鏡頭接收環境資訊，再交由深度神經網路分析。Karpathy 承認，開發基於視覺的自駕技術更困難，因為需要僅根據影像就能運行的神經網路。但 Karpathy 說道，只要開發成功，它就是一個通用的視覺系統，可以在地球的任何角落運行，也不需要在汽車上安裝額外的感測設備。
近期，特斯拉推出沒有雷達的汽車，讓它僅靠視覺駕駛。Karpathy 表示，目前特斯拉的深度學習系統已經能達到比雷達好 100 倍的程度，雷達已開始扯後腿，提供系統噪音。
神經網路已具備處理深度、速度資訊的能力
反對純視覺自駕的主要論點是，在沒有光達、雷達的協助下，神經網路在測距與深度估計上存在不確定性。但是人類也是靠視覺來開車，並沒有光達、雷達之類的感官。Karpathy 表示，神經網路已具備處理深度、速度資訊的能力。
為了訓練能判斷深度、速度與加速度的深度學習系統，特斯拉團隊需要內含數百萬支影片的龐大數據集，並標註其中的物體與屬性。除了常見的路況，工程師也必須確保影片的道路資料多樣性，並且包含少見的路況，讓深度學習在各種道路，各種路況下做出正確判斷。
接著，特斯拉團隊就必須替數據貼上標籤。但特斯拉累積了 1.5 PB 的數據，要為它們貼標籤是巨大的挑戰，若使用人工標註，就要耗費大量的資金與時間。因此，特斯拉開發自動標記技術，並將它安裝在消費者的車輛中，默默執行標記的工作。
建立數據集後，特斯拉建立了一個分層的深度學習架構，它由不同的神經網路組成，處理訊息並輸出資訊給下一組網路。採取分層結構，讓系統能為不同的任務重用組件，並在不同的推理途徑間共享特徵，實現分散式開發。
TO 相關文章：
誰是未來自駕車市場的主導者？外媒預測：特斯拉勝率只有 5%
垂直整合是特斯拉的優勢，讓其開發純視覺自駕技術
而「垂直整合」是特斯拉開發自駕車的優勢。由於特斯拉製造汽車，因此能夠從銷售出的汽車收集數據。另外，特斯拉也在專有的數據集上建立並訓練神經網路，並透過汽車上的影子測試來驗證功能，再據此優化。Karpathy 表示，特斯拉可以在所有的層面上設計與測試自駕，完全掌握自己的命運，沒有第三方的阻礙。
這種垂直整合模式，以及建立數據、調整機器模型與佈署在汽車上的循環，讓特斯拉實現純視覺的自駕技術。而多數自駕車公司沒有垂直整合的優勢，因此難以複製特斯拉的訓練方式。
深度學習模型難以執行因果推理，是純光學辨識技術的難題
但需要思考的議題是，純視覺自駕能否克服自動駕駛的所有挑戰。除了辨識物體與判斷速度之外，人類視覺還執行許多複雜的功能，目前的深度學習可能尚無此能力。另外，深度學習模型也難以執行因果推理，當前所未見的狀況發生時，模型可能就會有判斷上的障礙。
關於因果推理障礙，目前 AI 界有兩大分歧，一派認為需要將因果關係與推理整合到深度神經網路中，另一派認為可以透過直接擬合（direct fit）的方式來克服。特斯拉目前傾向於後者。
由於純視覺自動駕駛具備通用性的優點，因而受到特斯拉採納，並且捨棄光達。而特斯拉具有垂直整合的優勢，讓它能獲得大量數據並訓練、驗證神經網路，因此得以實現純視覺自駕。但深度學習模型在因果推理上有限制，是特斯拉開發自駕需要克服的問題。
參考資料
（本文提供合作夥伴轉載。首圖來源：flickr CC Licensed）
延伸閱讀
工程師 DIY 機械手臂，能自動幫特斯拉充電！
馬斯克 6 年前就超前部署，大型儲電系統 Megapack 將是特斯拉下個搖錢樹！
誰是未來自駕車市場的主導者？外媒預測：特斯拉勝率只有 5%
