1. ARK사의 발표 이후 Robotaxi 시장의 규모와 Tesla의 자율 주행 주도에 대해 상당한 논쟁이 있었음.
-Tesla의 FSD (Full Self Driving)가 경쟁 업체에 의해 리버스 엔지니어링되고 복제 될 수 있다?
2. 게리블랙은 복제될 수 있다는 관점.
3. Dheepan Ramanan(딥러닝 현직자)는 동의하지 않음.
-자율주행 AI 복제는 불가능하다고 봄.
아래는 Dheepan Ramanan의 생각입니다. 원문은 맨 아래에 올려두었습니다.
자율 주행에 대한 Tesla의 접근 방식 (CV: Computer Vison 방식)
- Waymo, Cruise 및 Baidu와 비슷해 보이지만 새로운 위치에서 자율주행을 시켜보면 웨이모는 X, 테슬라는 가능.
자율 주행의 세 가지 방식
1. 센서를 사용한 도시 인프라 현대화. (Baidu)
- 도로, 신호등, 표지판에 센서내장시키고 차와 통신하는 방식.
- 비용 문제 있음. 확장성 떨어짐.
2. LiDAR. (Waymo, Cruise)
- 라이다를 통해 맵핑해서 해당지역의 고화질지도를 작성하는 방식.
- 내용을 미리 암기. -> 새로운 환경에서의 적용이 어려움. 돌발 상황에 대한 대처 어려움.
3. CV ( Tesla )
- 내용을 이해하는 방식 -> 새로운 환경에서의 적용이 쉬움. 돌발 상황에 대한 대처가 가능.
컴퓨터 비전이 LiDAR보다 우수한 이유는 ?
카메라가 라이다보다 쌈.
확장성과 적응성이 우수함. (라이다는 맵핑된 지역만 가능함.)
이동성-LiDAR는 물체 감지 (예 : 자동차)에는 좋지만 인식 작업 (예 : 정지 신호 읽기)에는 효과적이지 않음.
매몰 비용 오류에 빠진 웨이모
그렇다면 Luminar, Cruise 및 Waymo와 같은 회사가 컴퓨터 비전 접근 방식을 채택하지 않은 이유는 무엇일까?
1. 딥 러닝 기술이 기하 급수적으로 향상되기 전에 LiDAR 전문가를 고용했습니다.
2. 이미 라이다쪽으로 들인 자본이 많다. (매몰비용의 오류)
- 매몰 비용의 오류 (sunk-cost fallacy ): 매몰비용때문에 이미 실패한, 또는 실패할 것으로 예상되는 일에 시간, 노력, 돈을 투자하는 것
제 1 원칙 사고
Tesla는 문제 해결에 대한 “First-Principles Thinking” 접근을 함.
- 기존의 제약과 관습에서 탈피해서 문제를 해결하는 방식.
1999 년에 설립 된 Mobileye는 100 % CV 솔루션에 초점을 맞춘 최초의 자율 기업.2016 년 이전에 Mobileye는 Tesla의 Autopilot을위한 하드웨어와 소프트웨어를 제공했지만 이후 LiDAR 증강 접근 방식을 사용하는 CV로 이동.Tesla가 100 % CV 솔루션을 유지하는 동안 Mobileye가 접근 방식을 변경 한 이유는 Mobileye와 기타 자율 주행 스타트 업에 Tesla의 데이터 스노우볼 효과가 없기 때문.
Tesla의 Data Snowball은 더 크고, 더 좋고, 더 정확한 모델을 만든다.
-Tesla는 데이터 수집 및 데이터 라벨링 분야에서 독자적인 리그에 있음.
- Tesla의 데이터 라벨링 팀은 과학자 및 엔지니어로 구성된 실제 머신 러닝 팀보다 훨씬 많은 인원을 보유한 고도로 훈련 된 조직. (Waymo는 2019 년 Tesla의 30 억 마일에 비해 약 2,000 만 마일을 주행)
Tesla의 수직화된 컴퓨터비전(CV) 방식을 쉽게 카피 할 수 없는 이유
1. 신경망은 전통적인 의미에서 코드가 아님. (코드같이 카피해서 붙여넣기 한다고 나오는 개념이 아님.)
- 이 시스템은 훈련 된 것과 동일한 입력 세트로만 작동하며 실행하도록 설계된 하드웨어에서만 잘 실행됨.
또한 완전히 똑같은 장비와 카메라 위치등 세부요소등도 동일해야 카피가 가능함.
2. Tesla의 데이터가 없으면 개선을 위해 모델을 재교육 할 수 없음. (카피는 업데이트가 안됨.)
