據(jù)electrek報道，特斯拉申請了一項技術(shù)專利，計劃從其龐大的車隊中獲取數(shù)據(jù)，以訓練自動駕駛神經(jīng)網(wǎng)絡。

特斯拉申請了這項專利，但特斯拉人工智能和自動駕駛軟件負責人安德烈·卡帕西（Andrej Karpathy）被指定為這項專利應用的唯一發(fā)明人。

卡帕西在這項專利中描述了在應用程序中為深度學習培訓收集數(shù)據(jù)的問題：“通過訓練機器學習模型，開發(fā)應用于自動駕駛等領(lǐng)域的深度學習系統(tǒng)。

通常，深度學習系統(tǒng)的性能至少在一定程度上受到用于訓練模型的訓練集的質(zhì)量的限制。在許多情況下，重要的資源被投入到收集、管理和注釋培訓數(shù)據(jù)上。創(chuàng)建訓練集所需的工作可能很重要，而且常常很繁瑣。此外，為機器學習模型改進，進行特定案例數(shù)據(jù)收集通常是困難的?！?/p>

特斯拉開發(fā)自動駕駛系統(tǒng)的方式與大多數(shù)其他公司大相徑庭。大多數(shù)其他公司利用相對較小的車隊測試車輛，收集數(shù)據(jù)和檢測系統(tǒng)，但特斯拉利用其銷售的成千上萬車進行數(shù)據(jù)收集。這些車配備一組傳感器收集路上和駕駛數(shù)據(jù)，以及測試無人駕駛系統(tǒng)在“影子模式”中的運行。

車隊收集的這些數(shù)據(jù)對特斯拉訓練自動駕駛神經(jīng)網(wǎng)絡非常有價值。但是，又必須小心地收集，并把數(shù)據(jù)供給自動駕駛神經(jīng)網(wǎng)絡。

卡帕西在專利申請中提到：“隨著機器學習模型變得越來越復雜，如更深層次的神經(jīng)網(wǎng)絡，對大型訓練數(shù)據(jù)集的需求也相應增加。

與較淺的神經(jīng)網(wǎng)絡相比，這些較深的神經(jīng)網(wǎng)絡可能需要更多的訓練實例，以確保其通用性。例如，一個神經(jīng)網(wǎng)絡可能被訓練得對相關(guān)數(shù)據(jù)非常精確，但是這個神經(jīng)網(wǎng)絡可能不能很好地泛化到預測未來的案例。而在這個案例中，神經(jīng)網(wǎng)絡可能會受益于訓練數(shù)據(jù)中包含的其他例子?！?/p>

因此，卡帕西解釋了他的專利方法，將潛在的訓練數(shù)據(jù)從源頭分類，然后再傳輸：

“示例方法包括接收傳感器并將神經(jīng)網(wǎng)絡應用于傳感器數(shù)據(jù)。將觸發(fā)分類器應用于神經(jīng)網(wǎng)絡的中間結(jié)果，以確定傳感器數(shù)據(jù)的分類器評分。根據(jù)至少部分分類器得分，決定是否通過計算機網(wǎng)絡傳輸至少部分傳感器數(shù)據(jù)。當確定為‘積極’時，傳感器數(shù)據(jù)被傳輸并用于生成訓練數(shù)據(jù)?！?/p>