なぜテスラは真の完全信頼性を持つ本物のオートパイロットを実現できないのか

この記事は、画像および動画処理の従来の手法、すなわちカプセルネットワークやビデオトランスフォーマーが、たとえ簡単なタスクであっても多大なリソースを必要とし、限界に達していると主張している。例として、YouTubeのContent IDを挙げており、10年の開発と1億ドルの投資にもかかわらず、短いクリップを効率的に処理できないとしている。テスラのFull Self-Driving（FSD）は、約束にもかかわらずSAEレベル2のままであると批判されており、常に人間の監視が必要で、事故後には調査に直面している。著者は、現代のAIは本質的に限界があると主張する。なぜなら、それは真の理解ではなく、大規模なデータセットからの統計的相関に依存しており、稀なシナリオでの失敗につながるからである。記事では、TAPe（Theory of Active Perception）を紹介している。これは、幾何学と意味論を符号化する構造化Tビットでシーンを表現し、最小限のリソースで認識を可能にする手法である。Content IDに関しては、TAPeはビデオを各48バイトで記述されるシーンに分割し、どんなサイズのアーカイブでも、GPUなしの単一サーバーで即座にマッチングを可能にする。著者は、自動運転においてはコンピュータビジョンだけでは不十分だが、TAPeがビジョンの部分を完全に解決すると述べている。