●发现了一位宝藏研究者，不知道为什么他的链接始终贴不上来，他zh ID：eatelephant,想看的更详细请移步，另外他也开通了知识问答。以下记录几个我比较关心的知识点，如果你只想了解概括，看我的也可。
●Occupancy和CNN最大的不同：不以识别为基础。CNN需要训练识别分类，是一个标准的判别模型Discriminator，而Occupancy根据视觉数据构对路况实时建模，通过哪些空间被占用来做路径规划。Occupancy并没有完全替代BEV，是并行两套算法，当遇到数据集内没有明确分类的情况，由Occupancy进行判别。
●Diffusion是上个月Elon提到的算法，他认为现在的FSD对测量行人的行为、肢体角度表现不好，主要原因是FSD的世界中一切都是小方块，测量微小的动作很困难。我在网上看到一个案例，一个骑自行车的人挥手示意车辆等待，被车完全无视了。Diffusion的原理是逆向图像被噪声的过程，在AI绘图上表现出色，已经替代了GAN，但在自动驾驶上怎么用还不清楚，希望今年的ai day有进一步解释。
●Occupancy上限比Lidar更高。Lidar需要和相机时间同步，外参对齐，延迟更大，这也是Lidar不能很好的解决鬼探头的直接原因；Occupancy输出为36HZ，Lidar大多数是10Hz，尤为重要的是，Occupancy生成的模型自带速度信息，我理解这相当于一个FMCW的Lidar，并且语义信息丰富的多，雷达点云稀疏的问题是一个特性，很难解决。目前的激光雷达都是TOF的，FMCW远未成熟，基于这个考虑，我已经清仓了Aeva。
●Occupancy是3D感知，车道线也是带有高差起伏的。通过最近小鹏的案例，HD map路径规划非常机械，车完全按照地图路径走，真成有轨电车了，但实际上人类并不会这么机械的开车。纯视觉转弯曲线规划比高精地图预埋要合理很多，长期的看，确实有SD地图就够了。
●一个冷的知识点：特斯拉通过视觉扫描建立了一套众包地图，但他没有实际应用，而是内化到了感知模型中。
●另一个知识点：在使用BEV模型之后，人工标注数量大幅减少，接近自动标注了，这里我就理解了李想总说的“有多少人工就有多少智能”的出发点，还是在于算法的进步。
●车云两端不是实时通讯，在过去的认知中，车云通讯的机制是Trigger，只有一些特定的的case会被回传，比如突然急踩刹车，比如自动驾驶突然退出，或者其他异常，这些触发数据被发送到云端。目前理解又进了一步，云端会训练云端离线模型和车端在线模型，再通过影子模式部署回车端，完成数据闭环。
●性能=硬件极限算力×软件效率×神经网络占用率，任何一个短板都会拉低整体性能；在此为nio感到担心，算力甚至可以说超极限，但另外两项严重制约了自动驾驶的能力，很有可能直到nt2整代退役4片orin也没有拉满。相较nio，特斯拉是走钢丝的典型流派，善于榨干最后一点算力，绝对均衡，够用就好，不会浪费每一个美元。
●Photon Count，原始光子计数，不经ISP处理，他的含义是使摄像头超越人眼，在强光和极暗光线情况下获得信息。
●特斯拉从RNN、CNN、Transformer+BEV，再到occupancy这样一路走来，战略极其坚定，进步也极快，引领了整个行业的前进方向。一叶知秋，技术革新带来机会，也带来风险，作为投资者研究的意义，并不是成为专家，而是避免点错科技树遭遇价值毁灭。