老中内部关于技术开源的声音很大。
原因很简单，无论是外部力量还是内部民营企业的力量，都希望技术能够开源。
如果单纯只是采取合作的方式，那谁先谁后，谁能合作，谁不能，这存在很大变数。
robin虽然公开表示百度和光甲航天是战略合作伙伴关系，可他们是否能够在这一轮无人驾驶中获得先机，他内心实际是没有底的。
哪怕在接受采访的时候说的言之凿凿。
和存在很大不确定性的黑箱比起来，民营企业们自然更希望技术开源，这意味着技术本身也掌握在他们手里。
而持这类观点的官僚们也有很强的理论支撑，互联网技术向来开源，阿美利肯关于人工智能技术的路线和源代码从来都没有藏着掖着。
再加上陈元光都认为技术应该开源，我们应该听专业人士的意见，有谁比主导技术研究的陈元光更有说服力的吗？
这类观点一直都有，只是不太敢公开表示自己的观点，最多只是在小圈子范围内说两句。
当大家知道陈元光给燕京方面的公开意见后，大家的讨论声才开始大起来。
也敢通过南华早报对外放话。
南华早报也好，联合日报也好，可以看成是一个非官方的放话渠道，希望从外部营造舆论来在内部达成自己的目的，只是随着东大国力增强，这种方式的效果越来越不好罢了。
林甲在海口开会，陈元光在燕京开会。
“大家好，我想各位应该都对最近在申海的机器人司机有所了解，网上有着各种各样的说法。
该机器人叫铁蛋，并不是老外所说的终结者。
我们内部从立项开始，就一直有跟相关方面沟通，从铁蛋在测试路段测试，到和工信部、交通运输部等部门沟通，获得他们的批准。
包括后续在城市路段作为网约车正式营运，同样的有和相关部门沟通，铁蛋甚至获得了应该是全球唯一一张机器人驾照。
这都和交通管理部门进行了充分沟通。”
陈元光说，他想着先介绍一下来龙去脉。
“然后我想讲一下底层技术，它其实不是无人驾驶，准确来说它是人类大脑大模型。
我们内部简称为hbm。
大家都对前几年的chatgpt不陌生，这一类模型统称为large language model，中文简称是大模型。
更准确来说应该是大语言模型。
输入语言，输出语言，虽说后续它的输出内容从语言文本进化到了图像、表格甚至是视频。
这些本质输出的仍然是数据，无非是从结构化数据的排列组合变成了非结构化数据。而大模型输入的也是数据，是互联网上现有的数据
而我们这次做的hbm，是把人类脑电波输入，训练大模型，它通过机器身体作为载体，最终实现对现实世界的影响。
以铁蛋为例，我们聚集了超过10万个小时的网约车司机的脑电波，然后将这些数据喂给hbm，它在经过自我训练之后，把数据中的杂质去除，通过机器身体开始输出。
先在测试场地跑，然后在测试路段跑，然后在规定区域跑，最后没有限制地跑。
训练hbm用的也是数据，但不是文本类数据，是人的大脑。
大家可以看成人的大脑被抽象出数据，最终输入到hbm中。
因此无人驾驶只是它的应用之一，就像大模型输出文本只是最开始的应用，很快他们就开始输出图像，输出视频，输出表格。
同样的，我们未来hbm的应用场景也会有很多，单纯用来做无人驾驶从成本端来说并不划算。
无人驾驶只是类似chatgpt最早亮相，只是打个样而已。”
在座的人都面面相觑，哪怕是和hbm有关的监管部门，大家都对技术底层没有什么了解，大家以为只是无人驾驶技术而已。
现在来看，这技术可要比他们以为的无人驾驶值钱得多。
如果仅仅只是无人驾驶，各家和l4相差都不远。
是完全有可能通过硬件来弥补的。
像很多新能源车企都在搞的光学卫星组网，从硬件层面来弥补算法的缺陷，离l4的差距已经很小了。
因此开源这项技术，对老中来说没太大损失，还可以把原本没有那么热衷于搞新能源的阿美利肯、欧洲和霓虹强行拉入到新能源车赛道中来。
油车在无人驾驶上有着天然缺陷。
但如果是像陈元光所说，那从根本上大家的观点都要经过一次重塑。
“元光，我对人工智能技术是彻头彻尾的门外汉，虽然听你们这些专家讲过很多课，但对专业的认识还是和你们有很大差距。
我想问下，它的应用场景有哪些，你可以简单说一下吗？
另外就是在军事领域的话，它能做到什么。”
陈元光说：“hbm是可以进化的。
不同工种的技术难度不同，比如建筑工人、纺织业工人，这类简单机械重复，它是完全能胜任。
司机的含金量稍微高一点，现在来看它胜任的也不错。
对于电工、钳工这些精度要求更高的工种，它去胜任不仅仅需要算法的进化，还需要硬件层面的进化，像负责视觉的摄像头精度的提高，手指上力传感器的精度提高等等。
包括它的大脑算力的提高。
这会是一个整体性的提高。
对我来说，它短期内最大的用途就是月球上的建筑工人，负责构建月球基地。
中期来看，我们的空间站会以机器人为主，负责太空采矿设备的维修和空间站的维护。
军事上，我认为不划算，机器人造价高，执行任务的效率不高，鲁棒性更是严重不足，在我看来，远不如机械狗和无人机。
少数可以用来做抢险救援工作，但本质还是成本问题，从成本来说，它替代司机都太贵了。”
“鲁棒性是指？”
“不好意思，这是指在异常情况下系统生存的能力，可以理解成稳定性。
总之这类精密仪器在战场上稳定性都不好。”陈元光说。
“元光，我原本也是支持技术开源的，但我在听过之后，我会觉得这项技术潜力巨大。
我的想法出现了比较严重的动摇，我想在座很多同僚们想法应该和我类似。
希望你能够帮助我们大家厘清一下技术开源的好处。”
陈元光笑了笑：“本身这也是这次来这里最大的目的。
很多东西通过视频是说不清楚的，面谈是最好的方式。
我想先谈一下，过去围绕人工智能研究，都是尽可能把机器去模拟人。
计算机在很多方面都有优势，最典型的应该要属信号传输速度。
人类神经元的信号传输是一个电化学的过程，它的速度是100m/s，而硅基芯片中的电信号传输速度接近光速的70，也就是两千万米每秒，拓扑半金属的电信号传输速度就更惊人了，能够接近光速的90。
而人体神经元在信号传递过程中的误差概率是百分之一，硅基芯片的误差是四十二亿分之一，拓扑半金属芯片的误差还要更小。
芯片在信息处理的速度和精度上有非常明显的优势。
在前两年的时候英特尔有一个神经拟态项目叫hala point，用了115亿个数字神经元去模拟人类大脑。
哪怕用了这么多数字神经元，哪怕硅基芯片和人类神经元比起来有着天然优势，英特尔的hala point仍然只能处理计算类问题，在神经拟态计算上表现得并不好。
反而是哈佛大学差不多同期做的一个叫brainoware的项目，在模拟人类大脑上表现的更好。
哈佛的项目是把人类脑细胞和硅基芯片给结合起来，构建了被他们命名为brainoware的新硬件。
他们先用人类的多功能干细胞培育了大脑类器官，然后整个brainoware一部分用传统的计算机硬件，一部分用这个大脑类器官。
他们构建了一个三层的计算框架，分为输入层、水库层和输出层，其中在水库层用的是大脑类器官。
类器官通过输入层接收信号，该输入层将信号转换为电刺激的信号。大脑类器官充当了自适应数据库，将这些信号映射到输出层。在输出层中则记录了表示储层状态的神经活动，并对其进行解码以提供用于分类，识别和预测等应用的读数。
通过评估变化的脉冲时间和电压的刺激的响应，测试了brainoware的物理储层特性，包括非线性动力学，空间信息处理和褪色记忆。然后将该系统应用于实际任务，例如语音识别和非线性混沌方程预测。
在语音识别任务中，brainoware需要在说话者池中识别说话者的声音。总共使用了由八个不同的男性说话者发音的240个孤立的日语元音音频剪辑来训练系统。
最终他们在仅仅只花了传统硬件不到10的训练时间下，实现了相同的结果。
好了，两个例子讲完了。