Tesla insiste nel dotare i suoi modelli di hardware di guida completamente autonoma

Il 19 ottobre, ora locale negli Stati Uniti, Tesla ha rilasciato una dichiarazione in cui afferma che tutte le auto Tesla attualmente prodotte nella fabbrica, inclusa la Model 3 che non è ancora stata lanciata, saranno dotate di hardware in grado di raggiungere la piena capacità di guida autonoma. Tra queste figurano 8 telecamere disposte lungo la carrozzeria del veicolo, 12 dei più recenti sensori a ultrasuoni, 1 radar a onde millimetriche avanzato e Drive PX 2 di NVIDIA, un dispositivo di elaborazione di bordo con una potenza di elaborazione 40 volte superiore rispetto alla generazione precedente. Le sue funzioni e i luoghi di installazione sono illustrati nella Tabella 1 e nella Figura 1. Tesla desidera realizzare la seguente visione aziendale:

Garantire a tutti una sicurezza di guida superiore a quella umana;

Garantire costi di trasporto più bassi per i proprietari di auto;

Fornire servizi di mobilità a basso costo e su richiesta a persone senza auto.

Tabella 1 Hardware Tesla e le sue funzioni

Figura 1 Posizioni di installazione dell'hardware Tesla

Secondo il fondatore di Tesla, Elon Musk, "Gli incidenti stradali causano 1,2 milioni di morti in tutto il mondo ogni anno, tra cui oltre 30.000 americani. Le basi per veicoli completamente autonomi sono già state poste e la loro sicurezza è almeno il doppio di quella dei conducenti umani. Quindi perché non accelerare il processo?" In teoria, questo ha senso, perché i sensori installati sull'auto possono catturare instancabilmente e in tempo reale una grande quantità di informazioni sull'ambiente circostante l'auto che gli esseri umani non sono in grado di percepire, e l'apparecchiatura informatica di bordo le elabora in modo tempestivo e risponde a velocità che gli esseri umani non possono raggiungere. Ma in realtà, a causa della sfortunata morte di un proprietario di una Tesla in Florida, negli Stati Uniti, in un incidente stradale avvenuto a maggio di quest'anno mentre utilizzava il pilota automatico, la gente comune non ha molta fiducia nel sistema Autopilot della Tesla.

Come sempre, la notizia della guida completamente autonoma di Tesla ha scatenato accese discussioni in tutto il mondo fin dalla sua diffusione. Agli occhi dei fan di Tesla, Elon Musk è un imprenditore astuto e visionario, ma agli occhi dei critici e dei concorrenti (principalmente le case automobilistiche tradizionali), alcune decisioni di Musk sono troppo rischiose e persino sconsiderate: Elon Musk si è prefissato il 2017 come scadenza per sviluppare un'auto senza conducente in grado di viaggiare automaticamente da Los Angeles a New York, mentre Ford , GM e Google l'hanno fissata per il 2021 e Baidu per il 2019. Ciò dimostra l'ambizione e il radicalismo di Musk.

Sono ormai passati quasi 10 giorni da quando la notizia è stata diffusa e gran parte del clamore è ormai passato. Se analizziamo attentamente i documenti ufficiali rilasciati da Tesla e i resoconti dei media autorevoli, scopriremo che ogni decisione presa da Elon Musk è supportata da basi scientifiche e da un pensiero razionale, e riflette semplicemente il tipico modo di pensare delle aziende IT della Silicon Valley e la passione degli imprenditori della Silicon Valley per cambiare il mondo.

Perché il LiDAR non viene utilizzato nella configurazione hardware di Tesla?

Nella Silicon Valley esiste un principio chiaro su cui si basano le azioni: massimizzare l'uso di risorse a basso costo e risparmiare il più possibile quelle preziose. Questa pratica è stata originariamente ispirata dalla codifica di Huffman (ovvero derivata dalla prima legge di Shannon) ed è nota in economia come "Legge di Gilder". Ad esempio, a causa della legge di Moore, il numero di transistor integrati in un chip di circuito integrato raddoppia ogni 18 mesi (come mostrato nella Figura 2). Al contrario, il costo di un microprocessore con le stesse prestazioni si dimezza ogni 18 mesi, rendendolo una risorsa più economica. Pertanto, giganti dell'informatica come Google e Facebook saranno inevitabilmente costretti a delegare sempre più lavoro, in origine svolto dagli ingegneri (una risorsa più costosa), ai computer, per ridurre i costi complessivi dell'ufficio.

Figura 2 Variazioni nel numero di transistor nei microprocessori e legge di Moore

Nello specifico, la "Legge di Gilder" può essere utilizzata anche per spiegare il sistema di guida completamente autonomo di Tesla, che utilizza una soluzione "fotocamera + potenza di calcolo 40 volte superiore" invece di utilizzare LiDAR (Light Detection And Ranging) come Google e Uber. Come mostrato nella Figura 3, sotto l'influenza della legge di Moore, il costo della potenza di calcolo diminuisce con una curva più ripida nel tempo, mentre il costo del lidar rotante meccanico e dei componenti di produzione meccanica non è sensibile al tempo e può essere ridotto solo grazie all'effetto scala generato dalla produzione su larga scala.

Figura 3: Variazioni dei costi dei componenti delle auto senza conducente nel tempo (Fonte: UISEE Technology)

Poiché le auto Tesla sono già state prodotte in serie, il controllo dei costi è fondamentale per aumentare le vendite. Al contrario, le auto senza conducente di Google e Uber sono ancora in fase di sperimentazione e non costerebbero molto anche se centinaia di esse fossero tutte dotate di lidar da 80.000 dollari. Pertanto, la scelta di Tesla di "percezione dei bassi costi + elaborazione ad alte prestazioni" è molto ragionevole affinché Tesla possa controllare il costo dell'intero veicolo nel breve termine.

Sebbene Elon Musk abbia affermato in molte occasioni: "Non sono un grande fan del LiDAR e non credo abbia senso in questo contesto", considerando che Bill Gates espresse un atteggiamento simile quando il sistema DOS di Microsoft era in competizione con il sistema "Windows + Mouse" di Apple ma sviluppò segretamente il sistema Windows 3.0, possiamo comprendere le parole di Musk come un lavaggio del cervello ai media e agli utenti, usando il suo prestigio personale per sostenere la sicurezza della soluzione di Tesla, con l'obiettivo di guadagnare tempo affinché il prezzo del LiDAR scendesse, perché prodotti LiDAR allo stato solido maturi sono in fase di sviluppo da parte di aziende tra cui Velodyne e Quanergy. Secondo le informazioni pubbliche fornite da queste due aziende, il loro costo può essere ridotto a meno di 250 dollari USA.

Tuttavia, il lidar è ancora necessario per garantire una sicurezza di guida pari al 99,9999%+ delle auto senza conducente. Secondo il dott. Jianxiong Xiao della Princeton University, "Dubito fortemente che Tesla abbia una soluzione di sicurezza che non utilizzi il lidar. Il lidar è l'unica soluzione che può raggiungere il 100% di sicurezza". Abbiamo quindi motivo di credere che quando il costo del lidar allo stato solido scenderà a 100-200 dollari, l'atteggiamento di Elon Musk cambierà di 180 gradi e le auto senza conducente di Tesla saranno dotate di lidar. Dalle foto pubblicate su Twitter dagli internauti che mostrano una Tesla con un lidar installato sul tetto in fase di test su una strada in California, possiamo farci un'idea dei veri pensieri di Musk.

Inoltre, vale la pena ricordare che nell'era dei PC esisteva il cosiddetto sistema Win-Tel basato sulla "Legge Andy Bill", utilizzata per riassumere il fenomeno dell'era dei PC secondo cui "il sistema operativo Windows di Bill Gates ha aggiornato il software insieme a vari produttori di software, rendendo la precedente generazione di processori prodotta dal CEO di Intel Andy Grove insufficiente in termini di prestazioni, costringendo gli utenti ad acquistare computer dotati di una nuova generazione di processori Intel". Allo stesso modo, nell'era degli smartphone, esiste un sistema Android-Qualcomm simile costituito da "sistema Google Android-chip per telefoni cellulari Qualcomm". Attualmente l'industria automobilistica non ha una regola simile a supporto, ma considerando che la vita utile media di un'auto è in genere di circa 10 anni, ovvero cinque volte quella di un PC o di uno smartphone, la scelta di Tesla di un dispositivo informatico di bordo 40 volte (2^5=32) più potente della generazione precedente sembra indicare che Elon Musk intenda creare un sistema Tesla-NVIDIA per l'era delle auto senza conducente?

Perché Tesla utilizza il metodo OTA per aggiornare il software?

In una tavola rotonda alla conferenza annuale della China Society of Automotive Engineers del 2016 (SAECCE 2016) tenutasi non molto tempo fa, il dott. Kai Yu, fondatore di Horizon Robotics, ha affermato che "l'approccio di Tesla di installare prima il sistema hardware e poi aggiornare gradualmente il software è stato messo in pratica nella precedente generazione di Autopilot [Nota: come mostrato nella Figura 4, Tesla aggiorna regolarmente il software della sua auto tramite reti wireless per migliorare le prestazioni e correggere le vulnerabilità della sicurezza. Per molti anni, ha utilizzato questi cosiddetti aggiornamenti software wireless (Over-The-Air Software Update, OTA). Questa progettazione intelligente consente a Tesla di rispondere immediatamente in base ai dati inviati al cloud anche dopo che l'auto ha lasciato la fabbrica, migliorando costantemente le prestazioni e l'esperienza utente]. Tuttavia, questo approccio è ancora inimmaginabile per le case automobilistiche tradizionali". Simile al punto di vista del Dott. Kai Yu, anche la rivista Fortune ha commentato: "Caricare le auto con hardware che potrebbero non essere utilizzati per anni, e che richiedono il download di un software per sbloccare le funzionalità, è una cosa senza precedenti nel settore. (Preinstallare hardware che potrebbero non essere utilizzati per molti anni sull'auto e richiedere aggiornamenti software per sbloccare nuove funzionalità è una cosa senza precedenti nel settore automobilistico)."

Figura 4 Cronologia degli aggiornamenti OTA di Tesla

Come ha affermato Cheng Jinglei, ingegnere capo del Gruppo SAIC, nel valutare le differenze tra le aziende automobilistiche e le aziende IT al SAECCE 2016, "Le aziende automobilistiche sono tutte studentesse di Newton, mentre le aziende IT sono tutte studentesse di Shannon". La base scientifica delle pratiche delle aziende automobilistiche tradizionali è il "pensiero meccanico" che si è evoluto nel corso di 300 anni a partire dalla meccanica newtoniana, iniziata nel XVII secolo. Tutte le decisioni basate sul pensiero meccanico si basano sul determinismo o sul riduzionismo. L'approccio specifico consiste nel saper pianificare tutto, prevedere in anticipo tutte le possibili situazioni e predisporre contromisure, impegnandosi a raggiungere il successo in una volta sola. Se un collegamento non viene preso in considerazione, le conseguenze saranno catastrofiche. L'esempio più tipico è il modello di produzione a catena di montaggio basato sulla gestione scientifica di Taylor. Henry Ford lo utilizzò per produrre automobili in serie all'inizio del XX secolo:

Per prima cosa, scomporre i prodotti complessi in parti semplici e progettarle e realizzarle separatamente, ovvero 2=1+1;

Il risultato di un processo è prevedibile. Se si mettono le parti corrispondenti al punto di partenza della linea di produzione e le si assemblano tramite la catena di montaggio, si otterrà sicuramente il prodotto desiderato, ovvero 1+1=2.

Il processo sopra descritto è simile alla sostituzione dei parametri iniziali nelle equazioni della meccanica di Newton, che possono calcolare con certezza la traiettoria del moto dell'oggetto. Tutto è certo e può essere restaurato e scomposto.

Ma con lo sviluppo della scienza, gli scienziati hanno scoperto che il mondo non è certo. Che si tratti dei fenomeni caotici scoperti dal matematico francese Henri Poincaré nel problema dei tre corpi, del meteorologo americano Edward Lorenz nelle previsioni del tempo e in altri mondi macroscopici, o del principio di indeterminazione scoperto dal fisico Werner Heisenberg nel mondo microscopico, tutti dimostrano che il mondo è imprevedibile nella maggior parte dei casi (ad esempio 1+1≠2).

Partendo dal presupposto che il mondo sia incerto, durante la seconda guerra mondiale i matematici americani Norbert Wiener e Claude Shannon inventarono gradualmente una nuova serie di metodologie, ovvero la cibernetica e la teoria dell'informazione. La Silicon Valley e Israele, che non iniziarono a svilupparsi realmente prima della fine della Seconda Guerra Mondiale, ignorarono la meccanica newtoniana e il pensiero meccanicistico che avevano guidato le prime due rivoluzioni industriali e accettarono direttamente questa nuova metodologia, evitando il bagaglio storico e diventando le regioni più attive al mondo per l'innovazione informatica e l'imprenditorialità.

La teoria dell'informazione di Shannon può essere semplicemente intesa come l'uso delle informazioni per eliminare l'incertezza (ovvero l'entropia dell'informazione). Il "pensiero dei big data" di cui si parla spesso oggigiorno è essenzialmente la teoria dell'informazione di Shannon. La cibernetica di Wiener può essere semplicemente intesa come un adeguamento costante dell'output in base al feedback e come la rinuncia a fare troppe previsioni sul futuro perché la casualità è onnipresente. All'interno di Google, i product manager seguono questa regola: non trarre conclusioni senza dati. Ciò riflette semplicemente il modo di pensare della teoria dell'informazione e della cibernetica. Il dott. Wu Jun ha affermato in "The Age of Intelligence": "I risultati conseguiti dall'umanità nel campo dell'intelligenza artificiale consistono in realtà nel trasformare continuamente vari problemi intelligenti in problemi di eliminazione dell'incertezza, e poi trovare informazioni che possano eliminare l'incertezza corrispondente, tutto qui". Ciò è vero sia che si tratti dell'elevato grado di corrispondenza tra gli annunci online di Google e gli utenti, sia della previsione accurata di Nate Siliver sui risultati di tutti i 50 stati e di Washington D.C. nelle elezioni statunitensi del 2012.

Parlando specificamente di auto senza conducente, l'approccio adottato da Google, che per prima le ha sviluppate, riflette anche il principio di "utilizzare le informazioni per eliminare l'incertezza" e su questa base "adeguare continuamente l'output in base al feedback": l'auto senza conducente di Google è un'estensione del progetto Google Street View e può circolare solo nei luoghi in cui le auto di Street View hanno scansionato e accumulato una grande quantità di dati. Gli ingegneri di Google adattano il programma offline in base ai risultati dei test. Quando i big data delle auto senza conducente di Google saranno completi, ovvero copriranno tutte le situazioni possibili, l'incertezza verrà completamente eliminata e le auto senza conducente raggiungeranno il 100% di sicurezza. Ma in realtà questo risulta difficile per Google, perché il numero di auto senza conducente che sta testando è relativamente piccolo, solo poche centinaia. Secondo quanto riportato dal Wall Street Journal il 5 ottobre, ora locale negli Stati Uniti, Google ha annunciato che la sua auto senza conducente ha appena percorso 2 milioni di miglia su strada . Sono passati sei anni da quando il New York Times ha svelato l'auto senza conducente di Google nel 2010. Poiché il numero di auto dotate di Tesla Autopilot è due ordini di grandezza più grande, Elon Musk ha annunciato sul suo Twitter personale qualche giorno dopo che il chilometraggio cumulativo di Tesla Autopilot ha raggiunto 222 milioni di miglia nell'anno successivo al suo lancio. Pertanto, Tesla ha maggiori possibilità di raggiungere prima la completezza dei big data.

Naturalmente, raggiungere la completezza dei big data non è un obiettivo che si raggiunge dall'oggi al domani. Se le condizioni operative del veicolo seguono la distribuzione di Pareto (ovvero la legge di potenza) come molti fenomeni in natura e nella società, allora le poche condizioni operative che si verificano di frequente rappresentate dalla parte verde nella Figura 4 rappresentano una quota assoluta del numero di occorrenze di tutte le condizioni operative (ad esempio, più dell'80%), mentre il gran numero di condizioni operative poco frequenti è distribuito nella lunga coda gialla della figura. Tuttavia, poiché il numero di automobili in circolazione ha raggiunto centinaia di milioni, il numero di occorrenze delle condizioni di bassa probabilità nella coda lunga è sbalorditivo se moltiplicato per 10^9. Per coprire le condizioni operative a bassa probabilità nella coda lunga, è necessario accumulare molti più chilometri rispetto all'80% delle condizioni operative che si verificano di frequente. Ad esempio, il secondo richiede 1 milione di chilometri, mentre il primo potrebbe richiederne 10 miliardi. Esempi simili si possono trovare nei motori di ricerca. Gli utenti attenti potrebbero scoprire che per ricerche di parole chiave comuni, come "intelligenza artificiale", i risultati delle ricerche di Google e Microsoft Bing sono simili, ma quando si incontrano parole chiave oscure, come "prime opere di Rembrandt", poiché i dati accumulati a lungo termine da Google sono sufficienti per addestrare il modello di clic di queste "ricerche long-tail", i suoi risultati sono molto più accurati di quelli di Bing.

Figura 5 Distribuzione di Pareto

In quanto azienda automobilistica nata nella Silicon Valley e che si definisce una "società IT", Tesla è naturalmente ben consapevole della verità di cui sopra: una volta che il prodotto raggiunge un certo livello, può essere migliorato solo lanciandolo online, ottenendo feedback e quindi modificandolo. Progettare e sviluppare un prodotto perfetto in una sola volta è quasi impossibile quando ci sono troppi fattori sconosciuti. La sua pratica OTA (Over-The-Air) di aggiornamento del sistema software, che nei documenti ufficiali di Tesla viene definita come "Prima di attivare le funzionalità abilitate dal nuovo hardware, calibreremo ulteriormente il sistema utilizzando milioni di chilometri di guida nel mondo reale per garantire miglioramenti significativi in ​​termini di sicurezza e praticità", riflette il modo di pensare di "utilizzare le informazioni per eliminare l'incertezza" e "regolare continuamente l'output in base al feedback": Tesla risponderà di conseguenza alle nuove condizioni operative con bassa probabilità e formulerà contromisure in modo tempestivo, il che è completamente diverso dalle pratiche delle case automobilistiche tradizionali.

In genere, le case automobilistiche cercano di prevedere tutti i possibili scenari all'inizio della fase di ricerca e sviluppo, per poi affrontarli durante il processo di sviluppo. Per le case automobilistiche tradizionali, nel momento in cui l'auto esce dalla catena di montaggio, il collegamento tra i due si interrompe e le case automobilistiche in realtà non sanno nulla dello stato operativo dell'auto. Le case automobilistiche non prestano molta attenzione ai dati. Non raccolgono i dati generati da ogni volo di un motore di aereo con la stessa serietà con cui lo fa la General Electric, e utilizzano le preziose informazioni estratte per sviluppare la prossima generazione di prodotti. Ad esempio, dopo che un'auto esce dalla fabbrica, in base alle diverse abitudini di guida e alle condizioni operative di ciascun proprietario, il produttore dell'auto può modificare il diagramma MAP calibrato del motore a combustione interna per migliorarne i consumi o la potenza? NO! Perché le case automobilistiche tradizionali si basano essenzialmente sulla meccanica newtoniana e non prestano attenzione all'incertezza e alla personalizzazione.

Per quanto riguarda lo sviluppo di auto senza conducente, l'approccio delle case automobilistiche tradizionali che vogliono garantire la sicurezza totale prima di lanciare nuove auto non è fattibile, perché le condizioni operative a bassa probabilità nella coda lunga possono essere coperte gradualmente solo raccogliendo una grande quantità di dati in modalità OTA, come ha fatto Tesla. Vale la pena sottolineare che, finché sarà implementata la tecnologia di sicurezza passiva dell'auto, l'approccio apparentemente radicale di Tesla non porterà a conseguenze irreversibili, ma potrà effettivamente migliorare la sicurezza di guida in generale.

Qual è il modello di business del sistema di guida completamente autonomo di Tesla?

Le auto a guida autonoma possono essere considerate una nuova tecnologia e, se si vuole che una nuova tecnologia abbia un impatto positivo sull'intera società, è necessario che sia accompagnata da un modello di business corrispondente. Per quanto riguarda l'industria automobilistica tradizionale, il modello di business delle aziende automobilistiche tradizionali non è cambiato molto negli ultimi cento anni. Si può riassumere approssimativamente come segue: i produttori di componenti forniscono componenti ai costruttori di veicoli, e questi ultimi forniscono i prodotti automobilistici ai concessionari della rete di vendita. I concessionari si occupano della vendita di automobili, della manutenzione e di altri servizi, mentre i fornitori di servizi finanziari forniscono servizi finanziari per automobili, come prestiti e assicurazioni per auto.

Ciò può essere visto dalla distribuzione strutturale delle spese in conto capitale e dei talenti aziendali tra le aziende automobilistiche tradizionali e le aziende tecnologiche come Tesla, come mostrato nella Figura 6. Le prime si concentrano maggiormente sullo sviluppo e sulla produzione di hardware, che sono attività di produzione che hanno elevati requisiti di mezzi di produzione e capitale finanziario, ma anche elevati costi marginali. Ciò è in linea anche con le caratteristiche delle imprese nate nella seconda rivoluzione industriale; quest'ultima è più propensa allo sviluppo di software, che richiede un elevato capitale umano e bassi costi marginali. Ciò è in linea anche con le caratteristiche delle imprese nate durante la rivoluzione informatica. Il risultato è che tra le aziende automobilistiche, Toyota ha il margine di profitto lordo più elevato , pari solo al 15%, mentre i margini di profitto lordi delle aziende tecnologiche della Silicon Valley sono generalmente superiori al 60-70%.

Figura 6 Confronto tra la spesa in conto capitale e la distribuzione della struttura dei talenti tra case automobilistiche e aziende tecnologiche

Considerando forse il "tallone d'Achille" dell'industria automobilistica tradizionale sopra menzionato, il modello di business ideato da Elon Musk per le auto senza conducente di Tesla, oltre alla vendita di automobili tradizionali, include anche un fornitore di servizi di trasporto, ovvero Tesla Network, che si sovrappone all'attività principale di Uber. Il documento ufficiale di Tesla afferma:

"...Si prega di notare inoltre che utilizzare una Tesla a guida autonoma per il car sharing e il ride hailing per amici e familiari è consentito, ma farlo per scopi di guadagno sarà consentito solo sulla Tesla Network, i cui dettagli saranno pubblicati l'anno prossimo." 】

Se si presta attenzione alle opinioni espresse pubblicamente da altri professionisti del settore, si scoprirà che Musk non è l'unico a condividere opinioni simili: per gli utenti, ciò che conta non è la proprietà dell'auto, ma il diritto di utilizzarla; per le aziende, rispetto al possesso diretto di una grande quantità di beni fissi, potrebbe essere più facile avere successo controllando le connessioni tra le cose nel momento presente, e non è l'unico.

Robin Chase, fondatore di Zipcar, il pioniere del settore del noleggio auto, ha pubblicato un articolo su Medium il 10 agosto intitolato "Le auto a guida autonoma miglioreranno le nostre città. Se non le rovineranno", sottolineando che il car sharing porterà enormi cambiamenti nei trasporti e nell'occupazione e che il governo dovrebbe pianificare in anticipo;

David Zimmer, co-fondatore di Lyft, che è entrata nel settore del car sharing prima di Uber, ha pubblicato un articolo intitolato "La terza rivoluzione dei trasporti" su Medium il 18 settembre, descrivendo le "esternalità positive" che porterà il modello di business del car sharing senza conducente;

Sebastian Thrun, il padre dell'auto senza conducente di Google, ha nuovamente espresso la sua visione del "trasporto come servizio" in un Zhihu Live del 29 ottobre, il che significa utilizzare servizi di viaggio su richiesta ma non acquistare automobili.

Nel rapporto “An Integrated Perspective on the Future of Mobility” pubblicato da McKinsey e Bloomberg New Energy Finance all’inizio di ottobre, le auto condivise senza conducente sono state elencate anche come una delle principali modalità di trasporto, come mostrato nella Figura 6.

Figura 6 Una delle modalità di trasporto urbano agli occhi di McKinsey: mobilità senza soluzione di continuità

Se la Tesla Network verrà implementata in modo davvero efficace, prima o poi Tesla e Uber si daranno battaglia, e i vantaggi per entrambe le parti derivano dai big data che hanno attualmente in mano (Tesla ha più dati sui chilometri percorsi e Uber ha più dati sulle abitudini di viaggio degli utenti) e si stanno muovendo o intendono muoversi l'una nei rispettivi territori (Tesla intende sviluppare servizi di viaggio in auto e Uber è impegnata a sviluppare auto senza conducente di livello superiore al 4), competendo per la posizione di nodi hub nella rete di viaggio (come Google per Internet e Facebook per i social network) per monopolizzare il mercato dei viaggi da mille miliardi di dollari. Non è affatto chiaro chi vincerà e chi perderà.

Riepilogo di Car Cloud

I dettagli resi noti dal sistema di guida completamente automatico e senza conducente di Tesla riflettono il modo di pensare dell'era dell'informazione: "utilizzare le informazioni per eliminare l'incertezza" (pensiero della teoria dell'informazione) e "regolare continuamente l'output in base al feedback" (pensiero della cibernetica). Inoltre, la collaborazione tra Tesla e NVIDIA rivela implicitamente l'ambizione di Elon Musk di ricreare nel settore automobilistico il sistema Win-Tel dell'era dei PC e il sistema Android-Qualcomm dell'era degli smartphone. L'adozione di Tesla Network potrebbe innescare una battaglia lunga un secolo con Uber per il mercato dei viaggi da mille miliardi di dollari.

Speriamo che Elon Musk, uno dei pochi uomini che l'altezzoso Larry Page può ammirare, possa creare un altro miracolo.

Vincitore del Qingyun Plan di Toutiao e del Bai+ Plan di Baijiahao, del Baidu Digital Author of the Year 2019, del Baijiahao's Most Popular Author in the Technology Field, del Sogou Technology and Culture Author 2019 e del Baijiahao Quarterly Influential Creator 2021, ha vinto numerosi premi, tra cui il Sohu Best Industry Media Person 2013, il China New Media Entrepreneurship Competition Beijing 2015, il Guangmang Experience Award 2015, il China New Media Entrepreneurship Competition Finals 2015 e il Baidu Dynamic Annual Powerful Celebrity 2018.