怎么会没有意义呢，现在用这种“驾校”训练智驾模型

【 在 vta 的大作中提到: 】
: 我早就想过可以做一个这种模型，放驾校里反复模拟各种事故，教人避免
: 几年前自动驾驶概念一提出，这种驾校就没意义了
--
FROM 124.127.170.*

仿真一直是训练的重要部分，也有很多公司在做了
【 在 zszqzzzf 的大作中提到: 】
:  
: 我觉得不可能。  
: 这确实是一个好点子，但是没有门槛。  
: --  
:

发自「今日水木 on iPhone SE 2」
--
FROM 111.199.190.*

有其它车企拿特斯拉的模型训练吗？

【 在 vta 的大作中提到: 】
: 特斯拉早就声明了，特斯拉的专利大家免费用
: 申请专利是为了保护吧，如果被别人申请，自己还用不了了
--
FROM 120.208.120.*

是为了防止别人家申请了专利，然后不让他家用

【 在 rocfirst 的大作中提到: 】
: 很好的模型
:
: 不过，这种专利，能够真的阻止其他家使用仿真来训练吗？
:
: 【 在 ruige0822 的大作中提到: 】
: : 026 年 1 月 15 日，Tesla 公布了专利 US20260017875A1《Ground Truth Heuristic Engine》，首次公开了他们如何把零散、普通的真实驾驶数据，转化为几乎无限的高保真训练场景，从根本上解决 AI 的「数据饥荒」问题。大家可以理解为特斯拉的世界模型。

--发自 ismth(丝滑版)
--
FROM 101.82.190.*

这技术对Waymo来说太小儿科了

Google有全球地图数据，卫星图片，还有世界大部分城市的街景3d数据，很多城市路边有颗树多高都知道，但是人是随机刷新的，自行车，路上其他车也是

Google有世界上最好的ai团队，ai模型和训练能力，Waymo不一样搞了这么多年了，也还没大规模推广

这种东西一定是要实地跑，然后收集数据，finetune模型的

【 在 ruige0822 的大作中提到: 】
:
: 026 年 1 月 15 日，Tesla 公布了专利 US20260017875A1《Ground Truth Heuristic Engine》，首次公开了他们如何把零散、普通的真实驾驶数据，转化为几乎无限的高保真训练场景，从根本上解决 AI 的「数据饥荒」问题。大家可以理解为特斯拉的世界模型。
:
: Tesla 不再只依赖车队采集的真实视频，而是在构建一个基于现实的「程序化矩阵世界」。
: 一段普通的超市通勤路，可以被重混成上千种暴雨、雾霾、夜晚、突发事故的极端版本，而这些场景在现实中可能一辈子都遇不到几次。
:
: 问题在于：现实世界既「太安全」，又「太局部」。
: 加州晴天的 1000 万英里，教不会系统如何应对挪威暴雪或泰国乡村烂路。
: 真正危险的「边缘案例」在现实中极其稀有，但 AI 必须看过无数次才能学会应对。
:
: Tesla 的方案是「混合现实引擎」：
: 不是完全虚拟，也不是纯真实，而是在真实世界骨架上重建可控的虚拟环境。
:
: 真实车辆（Ego Object）会先采集不可改变的物理信息：路面形状、路沿、坡度、拓扑结构。
: 这些构成「第一环境指标」，确保模拟世界遵守真实物理规律。
:
: 接着系统叠加「第二环境指标」：车道线、箭头、停止线等 2D 标记。
: 因为它们与路面分离存储，Tesla 可以随意「重画」道路，比如把车道线褪色到 50%，测试系统是否还能识别。
:
: 第三层是「熵指标」，也就是衰败与混乱：
: 系统可以生成坑洼路面、破损标线、模糊边界，让 AI 适应现实世界的老旧与不完美。
:
: 然后是「天气上帝模式」：
: 晴天可一键变成暴雨夜、浓雾、逆光、积水反射、热浪扭曲等极端视觉环境。
:
: 还有「国家切换」：
: 模拟泰国的热带建筑、北欧的城市风格，让系统在不出国的情况下适应不同国家的视觉复杂度。
:
: 最后是「幽灵交通」：
: 系统会生成会乱变道的卡车、夜间横穿的行人、危险超车的车辆，让 AI 在虚拟世界中反复经历高风险事件。
:
: 所有这些场景都由「虚拟摄像头」采集，位置与真实 Tesla 摄像头完全一致。
: 因为世界是系统生成的，所以每一个像素都有完美标注，不再依赖人工打标签。
:
: 这为 Tesla 的端到端基础模型提供了无限、高精度的训练数据，专门用来解决自动驾驶的「长尾问题」。
:
: 对 Robotaxi 来说，可以提前模拟城市中每个上下车点的所有极端情况。对 Optimus 来说，同样的系统还能模拟工厂和家庭环境，让机器人在虚拟世界中先学会走路、避障和操作。


#发自zSMTH-v-@24129PN74C
--
FROM 114.246.238.*