Už pět a půl roku mlátím do stolu, že Tesla (NASDAQ:TSLA) má v oblasti autonomního řízení jasnou výhodu: spoustu a spoustu vozidel, ze kterých sbírá tréninková data pro své neuronové sítě. Obával jsem se, že konkurent, jako je GM/Cruise (GM) nebo partnerství mezi Waymo (GOOG, GOOGL) a velkou automobilkou, okopíruje strategii Tesly, která má k dispozici mnoho a mnoho vozidel, dokud je počet vyrobených vozidel Tesly ještě malý a než společnost stihne využít výhod své (dodnes) jedinečné strategie disponovat rozsáhlým vozovým parkem.
Místo toho si konkurenti pět let mnuli ruce, zatímco Tesla se nikdy nezastavila. Z hlediska sběru užitečných dat nebyla propast mezi Teslou a jejími konkurenty nikdy větší a vše nasvědčuje tomu, že se bude i nadále zvětšovat přinejmenším v příštích 1-2 letech a pravděpodobně i déle.
Přesto se jedná o investiční tezi založenou na obecných, široce rozšířených teoretických principech hlubokého učení, a to je dostatečně esoterické na to, aby většina automobilových analytiků a drobných investorů zůstala přinejlepším agnostiky. V posledních měsících se však objevily důkazy konkrétnější povahy, které by měly některé pochybovače přesvědčit.
Zdroj: Reuters
Především a nejjednodušeji můžeme vidět skutečné reálné výkony autonomního městského a příměstského řízení ve vozech zákazníků. A co je zásadní, můžeme také vidět míru zlepšení mezi aktualizacemi softwaru, které přicházejí často. Zde je nedávný příklad.
Nejzarytější fanoušci vozů Tesla čekají na každou významnou aktualizaci softwaru se zatajeným dechem, ale zbytek světa je mimo. Pokud nebudete sledovat, jak se software v průběhu času vyvíjí, váš pocit z jeho schopností uvízne v minulosti a nebudete mít přehled o tempu zlepšování.
Zadruhé, ačkoli přednášky mohou být někdy velmi technické a pro laiky nepřehledné, Tesla prostřednictvím přednášek zveřejněných na YouTube zveřejňuje chvályhodné množství informací o svém pokroku ve výzkumu a vývoji a o tom, jak její systém autonomního řízení funguje. To zahrnuje nejen velmi propagované oficiální akce společnosti Tesla, ale také přednášky na akademických konferencích, jako je například konference o počítačovém vidění a rozpoznávání vzorů (CVPR).
Nejnovější prezentace společnosti Tesla na konferenci CVPR si zaslouží zvýšenou pozornost. Společnost Tesla se po léta etablovala jako rychlá kopírka. To znamená, že je známo, že přebírá nejnovější, špičkové výzkumné práce z literatury o hlubokém učení a rychle je implementuje do svého vlastního softwaru. Společnost Tesla si však nevysloužila pověst výzkumného inovátora jako takového, tj. společnosti, která generuje originální výzkumné nápady, na něž jinde nepřišli jako první.
Zdroj: Shutterstock
S novou prezentací společnosti Tesla v rámci CVPR se to mění. Novým vynálezem společnosti Tesla je druh neuronové sítě, kterou nazývá occupancy networks. Sítě obsazení rozdělují svět kolem vozu na voxely, které si lze představit jako 3D pixely. Sítě obsazenosti přiřazují každému voxelu pravděpodobnost, že je obsazen fyzickým objektem nebo překážkou, jako je vozidlo, plot, sloup veřejného osvětlení nebo dopravní kužel. Tento nový přístup k detekci překážek je zásadním vylepšením dříve existujících přístupů, které jsou stále standardem v oboru. Celá přednáška CVPR je k dispozici na YouTube.
Přinejmenším od prvního Dne umělé inteligence, který Tesla uspořádala před rokem, se společnost snaží zaměstnávat další talenty světové úrovně v oblasti umělé inteligence s jediným cílem – posunout stav techniky v oblasti autonomního řízení (no, a předpokládám, že také vytvořit prototyp humanoidního robota). Za rozhodující vítězství v této snaze považuji obsazovací sítě. Tesla ukázala, že dokáže nejen kopírovat nejlepší výzkumy, ale také je vylepšovat. Krátký klip s vizualizací obsazovacích sítí společnosti Tesla je ke zhlédnutí zde:
Každý, kdo se domníval, že společnost Waymo má nezpochybnitelný náskok v oblasti výzkumu a vývoje umělé inteligence, pokud jde o autonomní řízení, by měl nyní toto přesvědčení přehodnotit. Společnost Alphabet nemá monopol na skvělé výzkumníky v oblasti umělé inteligence a jen zlomek jejích výzkumných výsledků se přímo týká autonomních vozidel.
Pro mě je frustrující, že až na několik výjimek, jako jsou Alex Potter, Pierre Ferragu a Adam Jonas, analytici z Wall Street, kteří píší a veřejně hovoří o společnosti Tesla, nedokázali pochopit rozsah technického pokroku, který tým Tesly v oblasti umělé inteligence dosahuje, a důsledky, které tento pokrok bude mít pro spotřebitelské podnikání společnosti Tesla. Deklarovaným cílem generálního ředitele Elona Muska je zpřístupnit kompletní sadu funkcí pro jízdu ve městě ke koupi každému severoamerickému zákazníkovi (za předpokladu, že má Teslu ne starší než zhruba pět let) do konce roku 2022. Vzhledem k Muskovu obecnému sklonu k přehnanému optimismu je podle mého názoru moudré brát tento časový plán s rezervou a posoudit jeho věrohodnost pozorným sledováním aktualizací softwaru Tesla, které se objevují.
Okamžik, kdy bude software Full Self-Driving Beta k dispozici ke koupi široké základně zákazníků, je okamžikem, kdy se esoterika výzkumu hlubokého učení stane pro nejhodnotnějšího výrobce automobilů na světě určujícím produktem společnosti. V každém praktickém smyslu bude Tesla společností, která prodává integrovaný hardwarový a softwarový produkt, který je definován přinejmenším stejně jako software, tak i hardware (a pravděpodobně více). Otřepané přirovnání je Apple (AAPL), ale bota sedí.
Modely oceňování se musí přizpůsobit tak, aby zohledňovaly příjmy ze softwaru se softwarovými maržemi. Jen málo analytiků (s Alexem Potterem jako nejpozoruhodnější výjimkou) se k tomu odvážilo. Mou komparativní výhodou je převádění znalostí o hlubokém učení do investičních tezí, nikoliv granulární oceňovací modelování, takže tento úkol přenechám jiným.
Závěrečné slovo k robotaxis. Vše, co jsem napsal výše, je agnostické k tématu robotaxe. Považoval bych však za rozumné, aby analytici a investoři začali tuto možnost brát vážněji. Možná by bylo moudré připojit k oceňovacím modelům výpočet očekávané hodnoty. Možná by bylo užitečné uvažovat o robotaxi jako o možnosti s nízkou pravděpodobností (ale ne tak nízkou, aby bylo rozumné ji ignorovat) a velkým dopadem. Vzhledem k tomu, že v optimistickém scénáři jsou výnosy robotaxů astronomické, zdá se mi nerozumné je jednoduše zcela ignorovat jako možnost.
Většina analytiků na Wall Street neví, že Tesla dělá působivé technické pokroky na cestě k plně autonomnímu řízení.
Už pět a půl roku mlátím do stolu, že Tesla (NASDAQ:TSLA) má v oblasti autonomního řízení jasnou výhodu: spoustu a spoustu vozidel, ze kterých sbírá tréninková data pro své neuronové sítě. Obával jsem se, že konkurent, jako je GM/Cruise (GM) nebo partnerství mezi Waymo (GOOG, GOOGL) a velkou automobilkou, okopíruje strategii Tesly, která má k dispozici mnoho a mnoho vozidel, dokud je počet vyrobených vozidel Tesly ještě malý a než společnost stihne využít výhod své (dodnes) jedinečné strategie disponovat rozsáhlým vozovým parkem.
Místo toho si konkurenti pět let mnuli ruce, zatímco Tesla se nikdy nezastavila. Z hlediska sběru užitečných dat nebyla propast mezi Teslou a jejími konkurenty nikdy větší a vše nasvědčuje tomu, že se bude i nadále zvětšovat přinejmenším v příštích 1-2 letech a pravděpodobně i déle.
Přesto se jedná o investiční tezi založenou na obecných, široce rozšířených teoretických principech hlubokého učení, a to je dostatečně esoterické na to, aby většina automobilových analytiků a drobných investorů zůstala přinejlepším agnostiky. V posledních měsících se však objevily důkazy konkrétnější povahy, které by měly některé pochybovače přesvědčit.
Zdroj: Reuters
Především a nejjednodušeji můžeme vidět skutečné reálné výkony autonomního městského a příměstského řízení ve vozech zákazníků. A co je zásadní, můžeme také vidět míru zlepšení mezi aktualizacemi softwaru, které přicházejí často. Zde je nedávný příklad.
Nejzarytější fanoušci vozů Tesla čekají na každou významnou aktualizaci softwaru se zatajeným dechem, ale zbytek světa je mimo. Pokud nebudete sledovat, jak se software v průběhu času vyvíjí, váš pocit z jeho schopností uvízne v minulosti a nebudete mít přehled o tempu zlepšování.
Zadruhé, ačkoli přednášky mohou být někdy velmi technické a pro laiky nepřehledné, Tesla prostřednictvím přednášek zveřejněných na YouTube zveřejňuje chvályhodné množství informací o svém pokroku ve výzkumu a vývoji a o tom, jak její systém autonomního řízení funguje. To zahrnuje nejen velmi propagované oficiální akce společnosti Tesla, ale také přednášky na akademických konferencích, jako je například konference o počítačovém vidění a rozpoznávání vzorů (CVPR).
Nejnovější prezentace společnosti Tesla na konferenci CVPR si zaslouží zvýšenou pozornost. Společnost Tesla se po léta etablovala jako rychlá kopírka. To znamená, že je známo, že přebírá nejnovější, špičkové výzkumné práce z literatury o hlubokém učení a rychle je implementuje do svého vlastního softwaru. Společnost Tesla si však nevysloužila pověst výzkumného inovátora jako takového, tj. společnosti, která generuje originální výzkumné nápady, na něž jinde nepřišli jako první.
Zdroj: Shutterstock
S novou prezentací společnosti Tesla v rámci CVPR se to mění. Novým vynálezem společnosti Tesla je druh neuronové sítě, kterou nazývá occupancy networks. Sítě obsazení rozdělují svět kolem vozu na voxely, které si lze představit jako 3D pixely. Sítě obsazenosti přiřazují každému voxelu pravděpodobnost, že je obsazen fyzickým objektem nebo překážkou, jako je vozidlo, plot, sloup veřejného osvětlení nebo dopravní kužel. Tento nový přístup k detekci překážek je zásadním vylepšením dříve existujících přístupů, které jsou stále standardem v oboru. Celá přednáška CVPR je k dispozici na YouTube.
Přinejmenším od prvního Dne umělé inteligence, který Tesla uspořádala před rokem, se společnost snaží zaměstnávat další talenty světové úrovně v oblasti umělé inteligence s jediným cílem - posunout stav techniky v oblasti autonomního řízení (no, a předpokládám, že také vytvořit prototyp humanoidního robota). Za rozhodující vítězství v této snaze považuji obsazovací sítě. Tesla ukázala, že dokáže nejen kopírovat nejlepší výzkumy, ale také je vylepšovat. Krátký klip s vizualizací obsazovacích sítí společnosti Tesla je ke zhlédnutí zde:
Každý, kdo se domníval, že společnost Waymo má nezpochybnitelný náskok v oblasti výzkumu a vývoje umělé inteligence, pokud jde o autonomní řízení, by měl nyní toto přesvědčení přehodnotit. Společnost Alphabet nemá monopol na skvělé výzkumníky v oblasti umělé inteligence a jen zlomek jejích výzkumných výsledků se přímo týká autonomních vozidel.
Pro mě je frustrující, že až na několik výjimek, jako jsou Alex Potter, Pierre Ferragu a Adam Jonas, analytici z Wall Street, kteří píší a veřejně hovoří o společnosti Tesla, nedokázali pochopit rozsah technického pokroku, který tým Tesly v oblasti umělé inteligence dosahuje, a důsledky, které tento pokrok bude mít pro spotřebitelské podnikání společnosti Tesla. Deklarovaným cílem generálního ředitele Elona Muska je zpřístupnit kompletní sadu funkcí pro jízdu ve městě ke koupi každému severoamerickému zákazníkovi (za předpokladu, že má Teslu ne starší než zhruba pět let) do konce roku 2022. Vzhledem k Muskovu obecnému sklonu k přehnanému optimismu je podle mého názoru moudré brát tento časový plán s rezervou a posoudit jeho věrohodnost pozorným sledováním aktualizací softwaru Tesla, které se objevují.
Okamžik, kdy bude software Full Self-Driving Beta k dispozici ke koupi široké základně zákazníků, je okamžikem, kdy se esoterika výzkumu hlubokého učení stane pro nejhodnotnějšího výrobce automobilů na světě určujícím produktem společnosti. V každém praktickém smyslu bude Tesla společností, která prodává integrovaný hardwarový a softwarový produkt, který je definován přinejmenším stejně jako software, tak i hardware (a pravděpodobně více). Otřepané přirovnání je Apple (AAPL), ale bota sedí.
Modely oceňování se musí přizpůsobit tak, aby zohledňovaly příjmy ze softwaru se softwarovými maržemi. Jen málo analytiků (s Alexem Potterem jako nejpozoruhodnější výjimkou) se k tomu odvážilo. Mou komparativní výhodou je převádění znalostí o hlubokém učení do investičních tezí, nikoliv granulární oceňovací modelování, takže tento úkol přenechám jiným.
Závěrečné slovo k robotaxis. Vše, co jsem napsal výše, je agnostické k tématu robotaxe. Považoval bych však za rozumné, aby analytici a investoři začali tuto možnost brát vážněji. Možná by bylo moudré připojit k oceňovacím modelům výpočet očekávané hodnoty. Možná by bylo užitečné uvažovat o robotaxi jako o možnosti s nízkou pravděpodobností (ale ne tak nízkou, aby bylo rozumné ji ignorovat) a velkým dopadem. Vzhledem k tomu, že v optimistickém scénáři jsou výnosy robotaxů astronomické, zdá se mi nerozumné je jednoduše zcela ignorovat jako možnost.
Investiční svět s napětím vyhlíží hospodářské výsledky technologického giganta Nvidia, který v rámci nejdůležitější události sezóny odhalí svá čísla za...
