x.ai还是OpenAI？埃隆·马斯克的AI帝国【3】：SpaceX

上期内容我们提到，特斯拉是仅利用视频图像实现基于神经网络的自动驾驶的主要推动者，也为大家通俗的但也非常不准确的给介绍了特斯拉的自动驾驶神经网络系统。

特斯拉为了训练和微调其深度学习模型构建了一套超级计算机集群，它由 80 个节点组成，每个节点包含 8 个 Nvidia A100 GPU 和 80 GB 的视频内存，总计 5，760 个 GPU 和超过 450 TB 的 VRAM。该超级计算机还拥有 10 PB 的 NVME 超高速存储和 640 tbps 的网络容量。特斯拉还拥有并制造安装在其汽车内的专门为运行神经网络而设计的人工智能芯片。

大家可以看到的的是，特斯拉的最大优势是它的垂直整合能力。特斯拉拥有整个自动驾驶汽车研发和生产的各种能力。它既制造用于自动驾驶功能的汽车和硬件，还可以从已售出的数百万辆汽车中收集各种传感器和视频数据。它有对数据清洗处理形成高质量数据集的方法和系统，又能够在特制的内部计算集群上创建和训练它的神经网络，并通过在其汽车上进行shadow testing来验证和优化神经网络。

除了特斯拉的自动驾驶之外，人工智能在马斯克的SpaceX的设计中也得到了重要的应用。2018年的时候，SpaceX成功地实现了其自研重型运载火箭“猎鹰9号”（Falcon 9）的发射与回收。它是历史上第一枚可多次重复使用一级助推器的液体燃料运载火箭：传统的火箭在携带运载飞船到预定目标之后会自行脱落坠毁，而可回收火箭则可以在使用完成后安全返回地面进行第二次甚至第三次使用。

火箭的回收利用要求它必须能够准确的降落到预定的着陆地点，也就是说火箭在返回降落过程中不能使用传统的精度很差的降落伞，而需要利用火箭推力来精准的控制下降的速度与轨迹，而且这一切需要在不耗尽燃料的情况下由火箭自主计算完成。

这个问题在数学上叫作“凸优化问题”，是现代机器学习中的一个常见难题。用极度简化的、外行人也能听懂的话来说，就是要得到让火箭在不耗尽燃料的情况下到达着陆台的最佳方式。我们可以将这个问题的所有可能答案看作像这样的一个几何形状，凸优化算法就是要在极短的时间内从中找出一条最佳路径。

这个问题的算法最先由计算机之父约翰·冯·诺伊曼开发，在过去几十年中得到了许多数学家的不断优化。在2009年，SpaceX的首席火箭着陆工程师Lars Blackmore和他的同事在论文《火箭自主精准着陆》（Autonomous Precision Landing of Space Rockets）中粗略提到了猎鹰9火箭精准着陆的凸优化算法，并于2013年获得了相关的专利。而这一切最终在2018年才得到真正的彻底实现。

不论是特斯拉还是SpaceX，其所取得的一切技术突破都要求马斯克拥有一支非常有才华的机器学习工程师和、研究人员和硬件设计师团队。而对于人才的争夺，也是引起了多年前那场马斯克与OpenAI的争端的导火索，下期内容就给大家带来这里面的有趣故事。

这是一段由人工智能加工整理的内容，学AI不如先跟AI玩起来。再见。

可交互的可视化机器学习开源教程 - https://github.com/ocademy-ai/machine-learning