Jos FSD tilauksen hankkii 3 milj käyttäjää se on 100% katteella EPS 1 dollari, eli ai:n p/E olisi 100 olettaen 100 miljardin arvostuksen. Mutta 100% kate on haastava, koska Tesla on jo hankkinut rautaa 10 miljardin edestä, eli persnettoa tulee.
Edit: ei vaan 28 P/E tietenkin koska rahaa tulisi 3.6 miljardia. Mutta menoja siis 10 miljardia.
Tähän sellainen huomio, että yksityisautot ovat yksityisautoja ihan syystä, että voi päättää omat kulkemisensa aikatauluineen ja reitteineen. Heti kun samaa kyytiä on jakamassa kaksi henkilöä eri lähtöpaikoilla. määränpäillä ja/tai halutuilla ajakohdilla niin aika hankalaksi menee. Aiheesta voi tietysti tehdä optimointiharjoituksia tai filosofisemminkin pohtia pitäisikö ihmisillä olla omia kulkuneuvoja, mutta niitä yleisimpiä samoja matkoja varten on jo julkinen liikenne. Jotain uusia kyydinjakopalveluja (aidosti) itsestään liikkuvat autot toki voivat mahdollistaa, esim. auto pörrää taksina kun omistajalla ei sille muuta käyttöä, mutta en usko hetkeäkään ihmisten yleisellä tasolla haluavan luopua mahdollisuudesta mennä ja tulla kuten itse haluaa.
DB laskee tavoitehinnan from 189$ to 123$
Ja tämä 3 miljoonaa FSD lvl 2 käyttäjää on sitten päätepysäkki 
Ja tämähän tosiaan menee vuodessa poistoihin vai miten se oli
No ehkä tämä on kiinni kuinka pitkälle katsotaan mutta yksityisautoilu tulee kyllä varmasti tipahtamaan jossain kohtaa radikaalisti. Jos liikenteessä on tarpeeksi itseajavia takseja ja tehokas alusta joka kokoajan laskee ja optimoi kunkin auton reittejä (vähän samaan tapaan kuin Woltin järjestelmä tällä hetkellä toimii ja löytää lähimmät lähetit tilauksen tehneestä ravintolasta ja toimituspaikasta). Rahalla varmaan saa sitten istua autossa yksin jos niin haluaa. Auton omistaminen on lopulta aivan järjestön kuluerä. Itsellä kyllä Tesla pihassa ja sille kun laskee vaihtoehtokustannuksen että olisi kyseinen raha sijoitettuna pörssiin ok tuotolla niin aika paljon vapautta silläkin rahalla saisi lisää.
Taitaa olla niin, että jonkinlainen botin rauta on se matalalla roikkuva hedelmä tässä asiassa. Se softa onkin sitten ihan eri sarjan juttu. Kunnollisen humanoidirobotin (sellainen, että se oikeasti vastaa sellaista tasoa, jota useammat ainakin keskustelussa olettavat) edellyttää AI-puolella läpimurtoja, joita ei tiettävästi ole vielä olemassa. Jos noiden läpimurtojen tekemiseen on käytössä 14 kuukauden aikaikkuna, jonka puitteissa pitää myös viimeistellä tuote ja aloittaa massatuotanto, niin onhan tuo jokseenkin tiukkaa etukenoa sisältävä lähtökohta.
Yhdenlaisen vähemmän hypetetyn keskustelun tätä(kin) aihetta sivuten linkkasin tuonne yleisempään tekoälykeskusteluun. Kyseessä Lex Fridmanin Podcast, jossa hän haastattelee Metan Chief AI Scientistia Yann LeCunia. LeCun toteaa (hyvin tiivistetysti) humanoidiroboteista seuraavaa:
Toisissa kohdissa podcastia sitten paremmin pureudutaan siihen, mitä esimerkiksi tuohon liittyvät opittavat maailmamallit, hierarkinen oppiminen ja suunnittelu yms. tarkoittavat ja missä vaiheessa tutkimuksen eturintama karkeasti ottaen näiden suhteen on menossa.
Sen lisäksi, että LeCun on Metan Chief AI Scientist, hän on julkaissut viiden vuosikymmenen puolella koneoppimiseen ja AI:hin liittyviä artikkeleita (ensimmäiset artikkelit 80-luvun lopulla), toimii NYU:n professorina ja on Turing-palkittu (2018, Deep learning) ML/AI-tieteilijä, joten tietynlaista kokemusta ja ajantasaista tietoa on lausuntojen taustalla. Jos tältä pohjalta odotuksissa on se, että “seuraavan vuosikymmenen aikana humanoidirobotteihin liittyen saatetaan nähdä mielenkiintoisia asioita”, niin suhtautuisin varsin varovaisesti sellaisiin hypetyksiin, joiden mukaan noin vuoden kuluttua tuotteistettuja humanoidirobotteja puskee robottitehtaasta ulos. Jos teknologia olisi niin valmista, että noin vuoden kuluessa olisi saatavilla viimeistelty tuote, niin LeCun (ja muu AI:n ympärillä toimiva tiedeyhteisö) olisi varsin todennäköisesti perillä kehityksestä.
2026 3milj käyttäjää on sanoisinko haastava tavoite. Toki voi maalailla uutta uljasta maailmaa, jossa kaikki ajavat autonomisella Teslalla. Ja kauas tuvaisuuteen on tunnetusti helpompi ennustaa kuin seuraavaa kvartaalia.
Ehkä Teslan kaikki poistot ovat tuota luokkaa, en tiedä, mutta nyt puhutaan ai:sta, joka siis on rankasti tappiollista bisnestä ainakin muutama seuraava vuosi. 10miljardin investoinnit pitäisi saada tulovirralla kuitattua.
Pitäisi hieman määritellä mitä tasoa kukakin tarkoittaa ennen kuin ryhdytään väittelemään. Mikä on sinun tai Yann Lecunin “kunnollinen”?
Itse määrittelisin kunnollisen sellaiseksi joka pystyy tekemään tuottavaa työtä niin että investoinnissa on järkeä. Kotitalouksien robotti-investoinneissa ei luultavasti ole järkeä vielä useampaan vuoteen mutta uskon että esimerkiksi Tesla voi löytää boteilleen tuottavaa työtä niin omilta kuin muidenkin tehtailta hyvinkin nopealla aikataululla. Siihen ei tarvita AGI:n ratkaisua vaan voidaan aloittaa vähän pienemmästä maailmasta. Opetetaan yksi tehtävä, sitten toinen, kolmas jne. Koko robottifleet oppii kun yksi oppii. Jos robotti osaa useampia tehtäviä ja pystyy liikkumaan turvallisesti ihmisten seassa tehtävien välillä niin se alkaa nopeasti olemaan hyödyllinen ja samalla sen äly ja ymmärrys kasvaa.
Tässä esimerkkinä Boston Dynamicsin vanha Atlas:
Tämän tyyppisiä tehtäviä on teollisuus pullollaan eikä näihin ole usein järkevää rakentaa mitään omaa laitetta tekemään työtä tai käyttää teollisuusrobottia jolle tuokin tehtävä olisi painajaismainen. Myös ihmisille tuollaiset yksitoikkoiset tehtävät on hyvin epämiellyttäviä ja ihmisille pitää kuitenkin maksaa palkka vuodesta toiseen.
Eikös Amazonilla ole jo tämänlainen robotti varastossa laatikoita kantelemassa? Miksi Teslan botti voittaisi markkinan yhtäkkiä?
Deutsche Bank laski suositusta Holdiin ja tavoitehintaa alas Model 2 perumisen/viivästämisen takia. Heidän mallissa EPS 2027 asti alle 3 dollaria
On testissä Agilityn robotteja.
En sanonut että voittaisi, lähinnä esitin mielipiteeni siihen että aikataulu voi olla näiden kanssa hätäisempi kuin moni kuvittelee. Teslalla on toki vahvuuksia kuten esimerkiksi vertikaalinen integraatio, synergiat autopuolen kanssa ja massatuotanto-osaaminen.
Toki, olet tässä oikeassa. Söhäisin tänne kuumana käyvään keskusteluun sen paremmin määrittelemättä.
Nähdäkseni ydinkysymys onkin sitten se, miten helppoja monet näistä “yksinkertaisista” tehtävistä ovat lopulta opettaa robotille ja millaista oppimiskapasiteettia robotilta silloin vaaditaan? Tämä sitten määrittää sen, millaista kyvykkyyttä esimerkiksi itse odotat robotilta. Käsittääkseni esimerkiksi monet Boston Dynamicsin robottidemot ovat varsin pitkälle räätälöityjä juuri sitä tiettyä demoa varten. (Näyttäviä demoja ne toki ovat, ei sillä!) Muistaakseni myös LeCun viittasi tähän tuossa em. haastattelussa.
Eli jos opettaa robotille yhden tehtävän kädestä pitäen, niin miten robotti selviää siitä, jos tilanne onkin vähän erilainen sitten seuraavalla kerralla? Tehtävä voi sinänsä näyttää päällisin puolin ihmiselle yksinkertaiselta, mutta entä jos lava näyttää seuraavalla kerralla vähän erilaiselta, on täytetty vähän väärin, siitä puuttuu ehkä jotain tai siinä on jotain, mitä siihen ei kuulu, joku tavara tippuukin hyllyttäessä tai tapahtuu jotain muuta yllättävää, niin miten robotti saadaan ensinnäkin ymmärtämään tilanteen poikkeavuus ja toisaalta reagoimaan siihen järkevästi? Ihminen toteaa aika nopeasti, että kaikki ei ole kunnossa ja osaa todennäköisesti valita suhteellisen järkevän lähestymistavan ongelmatilanteessa.
Entä miten paljon opetusaikaa vaatii, että tuollaisesta näennäisesti yksinkertaisen homman saa opetettua geneeriselle robotille niin, että se selviää siitä edes useimmiten robustisti edes silloin, kun asiat pysyvät edes pääpiirteissään muuttumattomina? Entä miten nopeasti tulee vastaan se raja, että varastomiesten sijaan joudutaan palkkaamaan joukko insinöörejä, jotta robottifleet saadaan edes suunnilleen toimimaan toivotulla tavalla ja toipumaan normaalista poikkeavista ongelma- ja virhetilanteista?
Ei näihin tosiaan varmaankaan tarvita mitään yli-inhimillistä AGI-ratkaisua, mutta nähdäkseni tämä sivuaa juuri osin sellaista problematiikkaa, josta esim. LeCun puhuu “maailmamallin” oppimisena, fysikaalisen maailman hahmottamisena, hierarkisena oppimisena yms.
Pirulliseksi monet tällaiset “yksinkertaiset” ongelmat tekee juuri se, että ne ovat yksinkertaisia ihmisille, jotka hahmottavat asioita tarpeeksi monipuolisesti oikeissa konteksteissa ja omaavat kattavat pohjatiedot siitä, miten arkinen maailma toimii. Samat tehtävät voivat sitten olla yllättävän vaikeita opettaa koneelle, kun tilanteet eivät joka kerralla ole ollenkaan tarpeeksi samanlaisia ja niistä pitäisi silti selvitä robustisti harjoitttelu- / demosetuppien ulkopuolella. Ja lisäksi jos oppiminen pitäisi tehdä hyvin vähäisen aineiston avulla, niin silloin pitäisi olla entuudestaan jonkinlainen kattava yleisymmärrys maailmasta ja sen toiminnasta pohjalla. Vrt. esim. Teslan FSD:n opettamiseen käytetyt miljardit ajokilometrit vs. keskimääräisten ihmisten muutaman kymmenen tunnin ajoharjoittelu ennen ajokortin saamista.
Vaikka rajasitkin tämän pois, niin samalla tavalla kodeista löytyy “yksinkertaisia” töitä, jotka ovat jossain mielessä samalla tavalla helposti opetettavissa kuin monet “tylsät” teollisuuden työt. Jos unohdetaan hetkeksi taloudelliseen järkevyyteen pyrkivä investointinäkökulma, niin miten helposti olisi edes tehtävissä esimerkiksi kotirobotti, joka osaa laittaa ruokaa, kattaa pöydän, kerätä pois astiat, tiskata, siivota ja pestä vaikkapa pyykkiä ja viikata pyykit lopulta kaappiin oikeille paikoilleen ja se olisi samalla helposti adaptoitavissa ainakin useimpiin koteihin ja opetettavissa kodin tavoille paikan päällä? Näennäisesti nämä ovat hyvin mekaanisia töitä, jotka on helppo opettaa ihmiselle eivätkä äkkiseltään ajateltuna kovin kummoista ajatustyötä vaadi. Ja tosiaan jossain mielessä samaa tasoa monien teollisuuden “yksinkertaisten” ja toistuvien hommien kanssa.
Harha tulee varmaankin helposti siinä, että ihminen ei tyypillisesti tajua, miten monimutkaisia asioita hän tulee tehneeksi / prosessoineeksi jo ihan alitajuisesti ilman sen suurempaa ajatteluefforttia. Se, mikä yleensä mielletään ajatteluksi, on sitten vain jäävuoren huippu. Ja hieman paradoksaalisesti jotkut ihmiselle vaikeat asiat on sitten huomattavan helposti ratkaistavissa koneellisesti / AI:n avulla ja taas ihmiselle luontaisesti suhteellisen helpot asiat ovatkin monesti osoittautuneet yllättävän haastaviksi.
Tämä metan lähdekoodin hinkkaaja ei varmaan tiedä tosielämän töistä eikä kamerapohjaisesta AI säätötekniikasta siis tarpeeksi.
Yksi olevinaan pätevä heittää abstraktin lausunnon niin se otetaan totuutena mielummin kuin se, että Tesla on jo kauan rekrytoinut tuotantohenkilöstöä botin valmistukseen.
Joka tapauksessa uskon asioita, turha kinastella ja aika näyttää.
En tiedä mitä tarkalleen ottaen tarkoitat kädestä pitäen opettamisella. Perinteisestihän se on tarkoittanut liikepisteiden luontia robotin ohjelmaan jota robotti sitten orjallisesti noudattaa tapahtui ympäristössä muutoksia tai ei.
Tekoälyrobottejahan voidaan opettaa monin eri tavoin niin tosimaailmassa kuin simulaattoreissa. Ja sitten robotit laitetaan itse tekemään ja opettelemaan. En ihmettelisi jos Teslalla olisi jo nyt jossain varastohalli täynnä Optimuksia opettelemassa eri tehtäviä. Tarttumista erilaisiin kappaleisiin, otteiden vaihtoja, kappaleiden kantamista, kappaleiden asettamista eri paikkoihin jne jne. Perustaitoja siis joista tekoäly sitten oppii ja pystyy soveltamaan muihinkin kohteisiin. Ei FSD:llekään ole näytetty kaikkia maailman liikennetilanteita vaan kun tekoälylle saadaan riittävästi riittävän laadukasta dataa niin se pystyy soveltamaan oppimaansa. Tämä on nähty niin tekstin, kuvan, äänen kuin minkä tahansa muunkin datan kanssa. Miksi robotit olisivat jotenkin eri asia?
Nvidian Jensen Huang puhui juuri tästä jossain haastattelussa:
https://twitter.com/TeslaBotJournal/status/1780508389266919548?t=jx57uUfYfp4J48zin-x-yQ&s=19
Tässä taas esimerkiksi robottiyhtiö 1X:n testilabra jossa robotit kiertävät pisteeltä toiselle tehden harjoittelutehtäviä tekoälyn ohjaamina. Paljon toistoja, paljon dataa, parempi suoritus.
Minun nähdäkseni suurempi perustelutaakka alkaa olla niillä jotka sanovat että tekoälyrobotteja ei tulla näkemään enemmän ja enemmän muutaman seuraavan vuoden sisällä tekemässä ennen ihmisille kuuluneita työtehtäviä.
Täällä keskustelussa ei oikein ymmärretä perusasioita GenAI-, hermoverkko- ja LLM-maailmasta - ja toisaalta mitä NVidian laskentakapasiteetti tekee mahdolliseksi.
Robottien liikesarjat voidaan esittää numeroina ja tokenisoida aivan kuten puhe tai videot. Tekoälyroboteille on kehitetty omaa LLM-mallia ja myös kehitetty omaa promptausta kuten monissa muissakin tekoälysovelluksissa. Täällä tulee aivan varmasti ChatGPT-hetkiä, mutta ulkopuolisen on vaikea sanoa, kuka ensimmäisenä näyttää robotit linjalla. Paljon riippuu siitä, kuinka taitavaa AI-osaajaa yhtiöllä on. Osaajat tuntuvat liikkuvan aika nopeasti ja Musk yrittää pitää omasta tiimistään kiinni parillakin yhtiöllä.
Yleinen suunta kuitenkin hyödyttää Teslaa, joka varmasti haluaa ensimmäisenä kokeilee ihmismäisiä robotteja tuotannossa ja myydä FSD:tä. Tekoälyrobottien kautta tulee paljon bisnesmahdollisuuksia jatkossa, mutta tämä vaatii isoa skaalaa, jota Teslalla on valmiiksi. Muut robottiyhtiöt ovat melko lailla startup-pohjalla.
Metan lähdekoodin hinkkaaja. 
Mitähän itse mahdat tarkoittaa “kamerapohjaisella AI-säätötekniikalla” ja missä kohtaa tunnistat LeCunin osaamisessa tämän osalta puutteita?
Onhan Tesla / Musk myös jo miltei 10 vuoden ajan myös kertonut autonomisen ajamisen olevan aivan kulman takana, mutta silti siihen ei ole vielä päästy. Eli historiallisesti Teslan/Muskin suunnalta tulevia lausuntoja ei ole kannattanut ottaa kovinkaan tiukasti totuutena silloin kun “HW on ollut valmis, mutta vain softa puuttuu”. Esimerkiksi Muskin lausunto vuodelta 2016 koskien HW/SW-asiaa FSD:n osalta:
“Full autonomy is really a software limitation,” he said. “The hardware exists to create full autonomy. So it’s really about developing advanced narrow AI for the car to operate on— I want to emphasize narrow AI. It’s not going to take over the world, but it has to be really good at driving a car.”
Ainakin itselleni tämä kuulostaa vähän samalta kuin aiemman viestisi kohta, jota lainasin myös edelliseen viestiini:
HW on valmis, vain softa puuttuu. No, ehkä se riittävän hyvin toimiva softa on tällä kertaa tehtävissä huomattavasti paljon nopeammin kuin FSD:n tapauksessa.
En ehkä tarkoittanut tuota. Vaan sitä, että robotille on tarkoituksen mukaisesti opetettavissa tehtävät asiat. Esimerkiksi joku ihminen näyttää mallia ja robotti sitten oppii tämän perusteella, mitä pitää tehdä. Tai miksi ei myös simulaattorissa tehtävä koulutus, kuten esitit yhtenä vaihtoehtona. Mutta mitä enemmän simulaattoriympäristöjä joutuu käyttämään, sitä todennäköisemmin opettaminen on hankalaa ja aikaa vievää. Suhteellisen kätevä opettaminen vastaisi suunnilleen samaa kuin neuvoisi työtehtävän ihmiselle. Ehkä vähän enemmän toistoja ja harjoitusta, mutta ei mitään tuhansia toistoja tai viikkojen tai kuukausien harjoittelua / ajoa laskentaklusterilla yksinkertaisen rutiinitehtävän takia.
Tässä päästään siihen aiemman ydinkysymykseni äärelle. Eli missä määrin riittävästi generalisoituva ymmärrys maailmasta on tällä hetkellä opetettavissa roboteille ja ennen kaikkea miten nopeasti robotille voi sitten opettaa uusia sovelluksia “vähän aiempia vastaavista” tehtävistä on-site? Tarvitaanko tarpeeksi uusia twistejä sisältäviin asioihin 1, 10, 100, 1000, 1M vai enemmän esimerekkejä/toistoja ja esimerkiksi millaisella hardwarella opettaminen sitten tehdään?
Esimerkiksi joku standardoidun laatikon kantaminen paikasta toiseen on varmaan kohtuudella sovellettavissa toisiinkin paikkoihin. Mutta miten paljon monimutkaisempia asioiden pitää olla, jotta sen opettaminen menee hankalammaksi? Esimerkiksi Boston Dynamicsin tuotantotilojen kiertämiseen soveltuvan nelijalkaisen valvontarobotin osalta esitettiin hiljattain uutena innovaationa se, että se osaa avata ovia kääntämällä kahvasta, eli kulkea myös suljetuista ovista. Tämä “ovesta kulkeminen” on mielestäni yksi esimerkki ihmiselle täysin triviaalista asiasta, mutta robotilla tarpeeksi robustisti tehtynä on ollut selvästi sitten pykälää isompi haaste.
Ei mielestäni tässä vaiheessa ole vielä nähty “minkä tahansa muun asian kanssa”. Jos tekstillä viittaat esimerkiksi Chat GPT -tyylisiin autoregressiivisiin LLM:iin, niin näistä tutut ratkaisut eivät käytännössä sovellu lainkaan vaikkapa liikkuvan kuvan (video, reaaliaikainen kuvastream) käsittelyyn. Vaikkapa videostreamissa (puhumattakaan siihen yhdisteystä reaaliamaailmasta) on huomattava määrä vapausasteita, joista ei voi vastaavalla tavalla rakentaa mitään “token-jakaumia”, joista voisi sitten edellisten output-tokenien perusteella tuottaa seuraavia. Autoregressiivisten mallien tuottama “ymmärrys” ja “soveltaminen” eivät välttämättä vastaa ihan sitä, mitä niiden tuottaman outputin perusteella voisi arvella.
Jos viittaa taas tuohon LeCunin haastatteluun, niin siinä juuri käydään näitä asioita läpi. Videostreamista tehtävä automaattinen oppiminen ei ole mitenkään triviaalia puuhaa, varsinkin jos sen perusteella pitäisi ymmärtää asioita tarpeeksi maailman tilasta. Ja jos haluaa oikeasti joustavan robotin, joka on kohtuullisen vähällä vaivalla koulutettavissa monenlaisiin “yksinkertaisiin ja tylsiin” tehtäviin, niin itse ajattelen sen vaativan jotain tämän tasoista oppimiskykyä. Eli pitää pystyä havainnoimaan maailmasta reaaliajassa uudenlaisia asioita (kaikkia käsitteitä ei todennäköisesti voi opettaa Teslan / valmistajan tehtaassa), ymmärtää niiden merkitys suhteessa toisiin asioihin riittävän hyvin ja ymmärtää riittävällä tasolla opetettavan tehtävän tarkoitus / toivottu lopputulos, jotta pystyy arvioimaan, onko tehtävä suoritettu onnistuneesti vai pitääkö kutsua joku älykkäämpi paikalle korjaamaan vahingot.
Yksittäisiin, hyvin spesifeihin tehtäviin tuollaisen robotin pystyy varmasti tekemään ja homman saanee toimimaan kohtuullisen robustisti, mutta miten tehdä geneerinen robotti, joka on helposti opetettavissa useisiin erilaisiin spesifeihin tehtäviin, joiden kaikkia peruspalasia ei ole voitu harjoitella etukäteen? Tämä kai on se keskeinen ongelma.
Ja erillinen kysymys sitten toki on, missä määrin juuri humanoidirobotti on järkevin lähtökohta asioiden automatisointiin? No, tietysti ihmisten suoraa korvaamista / vaihtamista robotteihin tuolla tavoitellaan, mutta monissa asioissa se ihmiselle soveltuva käyttöliittymä ei välttämättä ole tehokkain tapa hoitaa hommaa. Se on kätevin vain silloin, jos ihmisen pitää tehdä työ. Mutta jos ei tarvitse rajoittua ihmiseen, niin saisiko monet yksinkertaiset tehtävät automatisoitua helpommin ilman sitä, että yritetään ensin jollain tasolla emuloida ihmistä humanoidirobotin avulla?
Mielestäni tilanne kääntyy tähän sitten, kun saadaan ulos ensimmäinen sellainen suhteellisen geneerinen (humanoidi)robotti, jolle tehtävien opettaminen uusissa ympäristöissä on suhteellisen helppoa. Sitä ennen perustelutaakka on niillä, jotka ylläpitävät visiota sellaisesta lähitulevaisuudesta, jossa tuo on mahdollista.
Ehkä vaikkapa vuoden päästä olemme viisaampia tämän suhteen.
Ainakin asiat ymmärretään selvästi hyvin eri tavoin. Sitä kai ei kukaan ole kiistänyt, etteikö esimerkiksi robottien liikesarjoja voi “esittää numeroina tai tokenisoida”. Eri asia sitten on, millaisia asioita esimerkiksi neuroverkoilla on kätevästi opittavissa ja mitkä ovat edelleen toistaiseksi ratkaisemattomia oppimisongelmia. Ja minkä verran noista ratkaisemattomista ongelmista pitäisi saada ratkaistua ennen kuin geneeriset robotit ovat riittävän hyödyllisiä tarpeeksi monissa käytännön tehtävissä.
Mielestäni paljon riippuu siitä, miten keskeisiä, toistaiseksi ratkaisemattomia ongelmia AI:n saralla pystytään taklaamaan ja paljonko niitä on tarve ratkoa. Ei ole mielestäni selvää, onko yhdelläkään yhtiöllä palkkalistoillaan tällä hetkellä sellaisia henkilöitä, jotka nämä ongelmat pystyvät ratkaisemaan. Ja jos pystyvät, niin millä aikataululla.
No, näihin keskusteluihin on hauska palata sitten vaikkapa 14 kuukauden päästä ja katsoa, missä määrin robotit ovat valloittaneet maailmaa ja miten monipuolisesti niitä pystyy ohjeistamaan erilaisten tehtävien tekemiseen ilman aikaa vieviä opetusprosesseja.
Vision Only, Photons in controls out. Sitähän se on. Kameroiden avulla luodaan ymmärrys ympäristöstä mittatarkasti, tunnistetaan objekteja ja ajetaan moottoreita AI algoritmeillä, yksinkertaistetusti.
Mitä osaamista tuolla Metalaisella tieteentekijällä on siihen liittyen? Ei ainakaan myyntipuheesi perusteella suoraan mitään, joten en anna painoarvoa lausunnolle.
Sanon vaan, että maailma on muuttunut tässä välissä ja Tesla myös. Jos haluat pysyä 10 vuoden takaisessa niin toki ok, mutta en suosittele.
Kyllä, ei voi verrata lähtökohtia keskenään. Tai ei ainakaan kannata. Se mistä FSD aloitettiin vs mistä Bot aloitettiin on täysin eri asioita. Botista saadaan myös hyödyllinen huomattavasti helpommin.
Riskit botin kannalta tulee lähinnä koneturvallisuudesta ja tuotantokatkoista, toisin kuin FSD.
Ihan oikeestikko kysyt että mitä osaamista on Yann LeCunilla neuroverkoista, robotiikasta ja computer visionista?
Kyllä, anna sinä joku konkreettinen esimerkki minkälaisen laitteen hän kehittänyt tai ollut edes jotenkin mukana toiminnassa. Turha tänne on heitellä jotain hienolta kuullostavia positioita jossain organisaatioissa, ne ei kerro mitään ja niitä on maailma täynnä. Yhtään kunnon humanoidirobottia ei sen sijaan ole, näetkö yhteyden?
Jos aloitat vaikka lukemalla hänen wikipedia entrynsä. Toinen paikka on lukea hänen julkaisuitaan vaikka tätä kautta Yann LeCun - Google Scholar
Mutta jos haluaa pitää vastauksen lyhyenä ja mainita vain yhden asian niin LeCunn on vastuussa mm. Konvoluutio neuroverkkojen keksimisestä, joita ilman esimerkiksi sinun ylistämäsi Teslan autopilotti ei toimisi, ja tuskin toimisi Optimuskaan. Konvoluutio neuroverkot ovat olleet tietokonenäön ja objektien tunnistamisen kulmakivi jo 80-luvulta.
Yann LeCunin meriittejä ja panosta tekoälyn kehitykseen ei ole syytä kieltää mutta toisaalta hänellä saattaa olla myös omia motiiveja taustalla. Hän on toki vahvasti sidoksissa Metaan ja näin ollen voisi olla outoa että kilpailijoita hirveästi kehuttaisiin tai ainakaan myönnettäisiin että he saattavat olla Metaa edellä (en väitä että näin olisi). Hän on myös esimerkiksi eräs Wayven rahoittajista. Wayve on Teslan FSD:n suora kilpailija. Mielestäni kukaan ei tiedä mitä tulevaisuus tuo tullessaan, ei välttämättä Yannkaan. Sen takia tästä onkin niin hauska taittaa peistä.