🪄 Tesla решила проблему «пробки» в ИИ с помощью иерархического узлового графа, имитирующего человеческую логику 🧠

Перевод статьи Ming из X: https://x.com/tslaming/status/2056592058870341750.

Вы когда-нибудь задумывались, как ваш мозг справляется с хаотичным перекрёстком? Когда вы видите, как пешеход сходит с бордюра, а грузовик медленно продвигается вперёд, вы не рассчитываете их точные физические траектории в 3D-сетке. Вы просто обрабатываете взаимодействия.

Вы решаете пропустить человека, а затем проскользнуть позади грузовика. Это интуитивный танец причин и следствий.

Годами системы автономного вождения пытались решать ровно такой же сценарий грубой силой. Они стараются математически предсказать точный будущий путь каждого отдельного объекта на дороге. Это вычислительный кошмар, который тратит драгоценные миллисекунды и сжигает вычислительные мощности.

Но Tesla только что перевернула подход к тому, как компьютеры беспилотного вождения видят мир, в патенте US 2026/0105614 A1. В нём описан колоссальный сдвиг в стратегии искусственного интеллекта. Вместо прогнозирования сырой геометрии автомобиль теперь строит иерархический узловой граф.

Он конструирует потенциальные сюжетные линии взаимодействий, оценивает их с помощью человекоподобного дискриминатора и мгновенно отбрасывает плохие идеи. Это чертёж ИИ, который наконец-то водит с человеческой интуицией.

⚖️ Проблема: математическая ловушка предсказания каждого будущего

Чтобы по-настоящему оценить, почему эта новая схема настолько революционна, сначала нужно посмотреть на огромный барьер, за которым застряла отрасль.

Представьте, что вы стоите у оживлённого пешеходного перехода. Если бы перед каждым шагом вы пытались мысленно рассчитать точную скорость ходьбы, траекторию и физические габариты каждого человека, вы бы просто замерли.

Пытаясь построить точную траекторию — то есть точную физическую линию, по которой человек движется в пространстве с течением времени, — ваш мозг просто завис бы. И тем не менее именно так традиционные системы автономного вождения были запрограммированы действовать.

Когда беспилотный автомобиль старого подхода подъезжает к оживлённому перекрёстку, его датчики обнаруживают десятки движущихся агентов. Это просто инженерный термин для любого самостоятельного движущегося объекта, например бездомной собаки или быстро едущего велосипедиста.

Затем автомобиль пытается выполнить невозможную задачу: математически предсказать точную физическую геометрию будущего пути каждого объекта. Это значит, что компьютер пытается нарисовать на дороге точные невидимые формы и линии, чтобы определить, где всё окажется в ближайшие несколько секунд. И только после того, как он угадает, куда движется весь мир, он наконец пытается проложить собственный безопасный маршрут через хаос.

Такая оптимизация грубой силой — огромная ловушка. Оптимизация грубой силой возникает, когда компьютер пытается решить проблему, перебирая абсолютно все возможные вычисления, вместо того чтобы искать умное сокращение.

Запуск этих тяжёлых математических функций для каждого объекта каждые несколько миллисекунд создаёт серьёзное вычислительное узкое место. Такое узкое место можно представить как огромную пробку данных внутри цифрового мозга автомобиля.

Из-за этой пробки машина сжигает вычислительную мощность, расходует энергию и, что самое важное, теряет критические миллисекунды, которые могут стать разницей между безопасной остановкой и столкновением. Это система, построенная на жёсткой геометрии, а не на реальном водительском здравом смысле.

💡 Решение Tesla: иерархический узловой граф

Так как же научить машину перестать заниматься жёсткой математикой и начать пользоваться здравым смыслом? Именно здесь появляется ядро нового патента.

Tesla решает это вычислительное узкое место с помощью того, что она называет иерархическим узловым графом. Иерархический узловой граф можно представить как цифровую книгу «выбери своё приключение», где крупные решения находятся наверху, а меньшие связанные выборы ветвятся под ними, как генеалогическое дерево.

Вместо того чтобы предсказывать точную физическую геометрию будущего пути каждого объекта, автомобиль создаёт это ветвящееся дерево целей и взаимодействий.

Сначала система создаёт слой цели, который служит главной миссией на конкретный момент, например завершить левый поворот. Затем под этой верхней целью она генерирует слои взаимодействий.

Эти слои взаимодействий представляют конкретные выборы или промежуточные шаги, необходимые для безопасного выполнения миссии: например уступить пешеходу, переходящему улицу, или проехать перед встречным автомобилем.

Связывая эти цели и слои взаимодействий, компьютер строит конкретные сюжетные линии того, как может развиваться манёвр. Он полностью пропускает изнурительный этап расчёта точной физической траектории пешехода и вместо этого сосредотачивается исключительно на природе самого взаимодействия.

👀 Как видеть мир: 3D-воксельное картирование

Но прежде чем ИИ сможет выстраивать эти умные взаимодействия, ему нужен способ действительно воспринимать физический мир вокруг. Нельзя принять решение, если не видишь доску.

В патенте описано использование данных с камер для определения занятости разных вокселей, представляющих пространство вокруг автомобиля. Занятость здесь просто означает, является ли конкретный участок пространства пустым или заполненным чем-то твёрдым.

Воксель — это по сути 3D-пиксель, что-то вроде крошечного цифрового кубика Lego, из которого складывается виртуальная среда внутри компьютера.

Определяя, какие воксели заняты физическими объектами, а какие пусты, ИИ может мгновенно обнаруживать агентов вроде пешеходов или других автомобилей. Затем он использует обращения к памяти, чтобы точно классифицировать, что представляют эти занятые воксели.

Эти обращения к памяти работают как огромный внутренний цифровой словарь. Автомобиль сверяется с этим словарём, чтобы мгновенно сопоставить сгусток цифровых кубиков Lego с известной формой — например велосипедистом или дорожным знаком, — прежде чем передать эту информацию в граф принятия решений.

🛑 Расчёт невзаимодействий: искусство ничего не делать

Когда компьютер видит доску и начинает строить дерево решений, он оценивает все возможные ходы. Удивительно, но один из важнейших ходов, которые он рассматривает, — вообще не двигаться.

Интересно, что патент подчёркивает: узлы взаимодействий не всегда предполагают физические манёвры вокруг объекта. Эти узлы — отдельные точки принятия решений внутри ветвящегося дерева.

Система специально генерирует узлы для невзаимодействий. Это значит, что компьютер активно создаёт варианты, представляющие полное бездействие или полное избегание ситуации.

Если перекрёсток слишком хаотичен, ИИ может построить путь, который полностью избегает препятствий. Это может выглядеть как выбор повернуть направо вместо того, чтобы продавливать рискованный левый поворот через плотный поток.

Он также может построить и оценить решение просто полностью остановиться и подождать, пока путь освободится. Придавая бездействию равный математический вес — то есть оценивая выбор стоять на месте так же серьёзно, как выбор рулить или ускоряться, — автомобиль ведёт себя гораздо естественнее.

🧠 Оценка взаимодействий: ИИ судит варианты

Разумеется, независимо от того, решит ли автомобиль терпеливо ждать или смело перестроиться, ему нужна система, которая оценит, какой выбор действительно лучший.

Когда машина строит это дерево потенциальных взаимодействий, ей нужен быстрый способ выставлять вариантам оценки. Tesla использует обученную нейросеть — высокоразвитую систему искусственного интеллекта, смоделированную по тому, как человеческий мозг распознаёт паттерны, — чтобы генерировать оценку для каждого отдельного узла графа.

ИИ оценивает каждое потенциальное взаимодействие на основе строгих физических ограничений. Эти физические ограничения — нерушимые правила реальности, такие как импульс автомобиля и тормозной путь, которые проверяются, чтобы убедиться в нулевой вероятности столкновения.

Он также оценивает взаимодействие по комфорту пассажиров и вероятности того, что водитель-человек почувствовал бы необходимость вмешаться. Уникально то, что используется человекоподобный дискриминатор: ИИ специально оценивает, сделал бы реальный человек ровно такой же манёвр.

Этот дискриминатор можно представить как виртуального инструктора по вождению на пассажирском сиденье, который ставит оценку тому, насколько естественно ощущается манёвр.

Оценки суммируются, чтобы создать общую оценку конкретной траектории движения — полного связанного пути действий, который автомобиль в итоге выполнит от начала до конца.

✂️ Обрезка графа: быстро игнорировать плохие идеи

Генерировать все эти оценённые сюжетные линии звучит отлично, но если держать в компьютере каждую идею, это быстро приведёт к той самой пробке данных, о которой мы говорили раньше. Чтобы решить эту проблему, ИИ должен быть безжалостным.

Ветвящееся дерево решений может стать подавляюще большим, как гигантская ментальная карта, которая бесконтрольно разрастается, если каждая возможная комбинация событий остаётся живой в памяти компьютера.

Чтобы процессор оставался быстрым и эффективным, Tesla применяет агрессивную стратегию обрезки. Это можно представить как работу садовника, который срезает мёртвые ветки с куста, чтобы самые здоровые части растения могли расти. Автомобиль постоянно проверяет оценки узлов взаимодействий по мере их генерации в реальном времени.

Если узел опускается ниже определённого порога оценки, который служит строгой минимальной проходной отметкой по безопасности и комфорту, компьютер просто удаляет его и отказывается рассчитывать дальнейшие шаги по этой ветви.

Если построенная идея связана с высоким риском резкой остановки или опасно тесного прохода, система немедленно выбрасывает её, чтобы не тратить вычислительную мощность — или цифровую умственную энергию — на размышления о ней.

↗️ Предотвращение скачков нагрузки: лимит узлов

Однако иногда одной обрезки плохих идей недостаточно. В сверххаотичной среде даже хорошие идеи могут размножаться слишком быстро.

Даже при агрессивной обрезке плохих идей очень сложная среда с десятками движущихся объектов теоретически может заставить граф вырасти слишком большим. Чтобы локальный компьютер — то есть физическое оборудование внутри самого автомобиля — не оказался перегружен, Tesla ввела строгий лимит размера дерева решений.

Система назначает счётчик, похожий на цифровой ручной счётчик, чтобы отслеживать общее количество активных узлов. Эти активные узлы — все живые точки принятия решений, которые мозг автомобиля всё ещё активно рассматривает.

Если добавление нового узла взаимодействия с высокой оценкой поднимает общее количество выше максимального лимита, компьютер автоматически находит и удаляет узел с самой низкой оценкой где угодно в графе.

Это гарантирует, что компьютер автомобиля всегда работает с постоянной скоростью и никогда не испытывает опасных скачков нагрузки. Скачок нагрузки можно представить как внезапный, подавляющий всплеск работы, который может временно заморозить или затормозить компьютер в критический момент движения.

⚡ Финальное решение: выбор победившего пути

Сохраняя граф строго ограниченным и наполненным только вариантами с высокими проходными оценками, компьютер наконец готов выполнить манёвр.

После удаления плохих идей у компьютера остаётся несколько траекторий с высокими оценками. Траекторию можно представить как полную инструкцию действий для автомобиля от старта до финиша.

Каждая траектория представляет полную последовательность событий: от главной цели до разных взаимодействий с другими объектами на дороге.

Автомобиль складывает оценки отдельных узлов — то есть оценки, выданные каждому конкретному промежуточному шагу на маршруте, — чтобы получить итоговую оценку траектории.

Затем он сравнивает эти финальные оценки и выбирает вариант с самым высоким баллом. Поскольку система выполняла глубокие расчёты — тяжёлую и сложную числовую работу — только для самых перспективных путей, она приходит к самому безопасному и естественному решению за долю прежнего времени.

🔗 Динамическая цепочка целей: думать дальше поворота

Выбор самого безопасного пути — огромная победа, но вождение редко состоит из одного изолированного события. Что происходит после завершения победившего манёвра?

Процесс принятия решений не останавливается после выбора одного манёвра. Иерархический граф спроектирован как бесконечно непрерывный. Это означает, что компьютер на самом деле никогда не прекращает планировать наперёд.

В патенте отмечается, что после того как взаимодействие построено, система может динамически породить — то есть мгновенно создать на лету — совершенно новый узел цели. Этот новый узел цели можно представить как следующую большую миссию автомобиля, и он полностью зависит от того, как завершилось последнее взаимодействие.

Например, после того как автомобиль завершает последовательность: уступить пешеходу и закончить левый поворот, граф немедленно генерирует новую цель — двигаться прямо по полосе, в которую он только что въехал.

Как бегун, плавно передающий эстафетную палочку в бесконечной эстафете, это создаёт бесшовный, непрерывный переход от одной сложной задачи вождения к следующей.

🌐 Обучение флота: создание коллективного разума

Такое плавное, непрерывное планирование прекрасно работает на уровне одного автомобиля. Но настоящий гений этой архитектуры в том, как она масштабируется на миллионы машин.

Tesla не полагается только на то, что отдельный автомобиль учится на лету. В патенте подробно описан аналитический сервер — по сути огромный центральный компьютер в дата-центре, — который собирает данные о сложных сценариях со всего флота клиентских автомобилей.

Этот флот можно представить как гигантский коллективный разум из тысяч автомобилей, которые ездят по миру и постоянно делятся тем, что видят.

Этот централизованный сервер непрерывно строит и обновляет мастер-граф — главный иерархический узловой граф. Думайте о нём как об универсальном водительском плейбуке, который покрывает бесчисленные реальные дорожные сценарии и учится на каждой ошибке или удаче, пережитой автомобилем.

Затем Tesla развёртывает — или беспроводным образом передаёт — этот оптимизированный мастер-граф на компьютеры внутри отдельных автомобилей.

Когда локальный автомобиль сталкивается со сложным перекрёстком, он может обратиться к этому заранее рассчитанному мастер-графу и сопоставить текущую ситуацию с уже решёнными сценариями. Это работает как шпаргалка с уже решёнными математическими задачами для студента: экономит машине огромное количество локальной вычислительной мощности и позволяет реагировать в мгновение ока.

🚀 Как этот патент влияет на настоящее и будущее Tesla

Если отойти от кода и серверов, что эта огромная сеть общей интуиции на самом деле означает для продуктов, которые выезжают на дороги?

Этот патент представляет собой огромный скачок для нынешних возможностей Full Self-Driving Tesla. Ключевое изобретение — замена геометрических расчётов грубой силой на быстро обрезаемый иерархический узловой граф — является краеугольным камнем архитектуры FSD v14, которая разворачивается на флоте в 2026 году.

Мгновенно удаляя узлы взаимодействий, которые падают ниже определённого порога безопасности и комфорта, компьютер автомобиля сокращает ненужные расчёты путей, по оценке, на 85% в плотной городской среде.

Это огромное снижение вычислительного сопротивления напрямую отвечает за 20% более быстрое время реакции, наблюдаемое в недавних обновлениях ПО, позволяя текущему оборудованию AI4 плавно справляться со сложными перекрёстками без скачков задержки.

Если смотреть в будущее, эта архитектура совместного планирования поведения является базовым программным обеспечением, необходимым для полностью автономного Cybercab без руля, который официально вошёл в начальное производство в начале 2026 года.

Поскольку граф оценивает взаимодействия с помощью человекоподобного дискриминатора, эти будущие автомобили будут ехать плавно, избегая жёсткого роботизированного торможения, от которого страдают старые конкуренты.

Кроме того, по мере перехода Tesla на кремний следующего поколения AI5, tape-out которого состоялся в апреле 2026 года и который даёт в 10 раз больше вычислительной мощности, этот высокооптимизированный узловой граф позволит системе одновременно оценивать в 50–100 раз больше слоёв взаимодействий.

Эта эффективность выходит далеко за рамки автомобилей. Она даёт тот же самый движок пространственного мышления, который вскоре позволит гуманоидному роботу Optimus бесшовно перемещаться по оживлённому заводскому цеху или гостиной, не замирая на месте.