Elon Dreams and Bitter Lessons
读 Ben Thompson 的一篇文章 https://stratechery.com/2024/elon-dreams-and-bitter-lessons/ 有感
终局
学到最大的是 - 你有没有在做梦，在从终局一步步推导出来今天应该做什么？不基于今天的情况去算期望值，而是假设终局必定会成功，然后问要是实现它需要什么？
Elon Dreams 来源于两点
- 2013 年 Arianespace 喷马斯克在做梦，不可能做到 1500 万美元 / 次火箭发射，马斯克在卖的是梦，可复利用的火箭是一个梦；这层是贬义的
- 褒义的来源于马斯克赌对了... 他从终局出发，往后推导 - 卖梦是对的（卖「人类成为多行星物种」和去火星的梦，虽然今天也没完成）但这个梦让马斯克一步步实现了需要完成这个梦的很多步，包括可复利用的火箭，这个核心在于这个梦充当了一个约束条件，把所有不能让人类规模化、高效低成本地飞往火星的方案都给否决了。
会不会做梦，也决定了欧洲为什么败了：
- 他们错在静态地用期望值去思考这个世界，本质上是因为他们是一个精打细算的 business. 关于期望值的计算，我引用了 Claude 的计算逻辑
- 观望的代价，心猿意马地去做，可能永远都赶不上，而不是晚一点到。
对于马斯克来说，实现那个梦需要的就是发射成本必须降几个数量级，那就只有完全可复用这条路，其他的都砍掉。
关于自动驾驶
在自动驾驶里面，要让 L5 普及，你的模型要够强，能够让车自动驾驶绝大多数地方（至少 urban setting），那这个就需要有足够多的数据，要有数据飞轮；数据量来源于装机量和部署量，而要让部署量上去，就得让车够便宜。Waymo 那套是做不到的，因为 Waymo 太贵（各种昂贵的传感器），而且他们一开始就想做全自动；马斯克则砍掉那些传感器，推断出一定需要纯视觉的方案（只有相机作为传感器，会便宜非常多），同时他也务实一些，做出辅助驾驶，先铺出机队去收集数据再说
如果说终局是 learning base + 数据量，那么装机量够多是 makes sense 的，那么推理出价格要够低也是 makes sense 的
只不过，传感器组合如果有一天价格变得非常便宜，那么这条路也行得通，但我对于「传感器融合能达到纯视觉纯相机方案的造价」这件事情是表示高度怀疑的，很可能，这俩就根本不在一个数量级上，永远都不可能。
况且，Waymo 要 scale 装机量是真的非常难，特斯拉本身就有很多人买... 这是很无解的，竞争不了的。今天的斜率可能 cybercab 更水平一些，一年后可能轻松就超越 Waymo 了。
从另外一个维度上看的话 - 我们反对的应该是基于人类手写规则和工程脚手架的系统，而不是多传感器融合。多传感器融合是一个输入，不是目的，目的是 learning based & AI.
看完 Karparthy 的访谈之后有几个比较大的 takeaway
- 特斯拉居然也用多传感器，但只是在 training-time，用这些去教会一个视觉模型 - test-time 的时候完全是 vision
- 特斯拉 is way ahead of Waymo - 硬件的问题、渠道的问题，是更难解决的，而他只有软件问题
具身
具身还是太早了，但我知道部署量、装机量会很关键。
可是到底做什么，站在那个位子，可以卡住并拥有这个数据飞轮呢？
一定要全栈吗？是否要硬件？要特定的硬件？是否要有自己的模型？
越来越坚信我的 edge 在 deployment，让机器人跑起来，有用，真的去 reliably work & automate labor, 我要做那些 operations-heavy 的事情，因为那些做 intelligence 的人都看不上，可是这个领域却饱和了，而 operations is far, 毕竟今天机器人要部署起来，还是非常麻烦，基本都只是 vertical integrator 在做
