科技浪｜中國AI已經主宰開源市場，但即將變天？特斯拉Robotaxi進軍灣區！何時才能拔掉安全駕駛？

本集探討了兩個主要的科技趨勢：中國 AI 在開源市場的主導地位，以及 Tesla Robotaxi 在加州的擴張與面臨的法規挑戰。主持人首先討論了中國 AI 新創公司智譜 AI 及其強大的 GLM4.5 模型，強調中國企業透過技術開源、訓練數據優勢和算力限制下的創新，已在開源 AI 領域取得領先地位。接著，文章深入分析了 Tesla Robotaxi 服務從德州擴展至灣區的進度，並對比了德州與加州在自駕車法規上的巨大差異，指出 Tesla 在加州仍處於有安全駕駛員的測試階段，並面臨著嚴格的安全性和接管率審查門檻。

本集重點整理：

1. 智譜（Zhipu AI）與 GLM4.5 模型展示中國在開源 AI 市場的主導地位：中國的 AI 新創公司智譜 AI 推出了強大的開源模型 GLM4.5，再次成為 AI 界的頭條新聞。該模型擁有 355 億參數，採用了混合專家（MoE）架構。在智譜自行設計的綜合評比中（涵蓋 12 個基準測試，主要類別包括 Agentic 工具使用、推理能力和編程），GLM4.5 排名第三，僅次於 Grok-4 和 OpenAI 4o3，超越了 Claude Opus 和 Gemini 2.5 Pro 等西方主流模型。這反映出中國 AI 公司已完全主宰了開源 AI 市場，業界實際使用數據（如 Open Router 排名）也顯示 DeepSeek 和 Qwen 等中國模型佔據了開源模型使用量的前列。中國模型的優勢源於開放原始碼環境促進技術快速進步、較少智慧財產權問題導致訓練資料取得容易，以及算力資源瓶頸促使他們進行更多創新，例如在模型架構上進行取捨。

2. GLM4.5 模型的「高而窄」創新架構：GLM4.5 在模型架構上採用了獨特的設計選擇，即「降低寬度、增加高度」的 MoE 架構。降低寬度是指減少專家數量（MoE 中的專家數）和隱藏狀態（hidden state）的維度。隱藏狀態的維度被降至約 5,000 個，這通常被認為會削弱模型理解資料的抽象空間能力，使模型性能變差。然而，智譜透過將層數（transformer layer 數量）堆疊得更多，增加了模型的高度。這種「變窄但變高」的取捨，最終被發現可以讓模型的推理能力變得更強。這項發現是中國 AI 企業在有限算力預算下，為追求更強推理能力而進行的架構創新。

3. 智譜在強化學習（RL）領域的 SlimRL 架構創新：智譜 AI 在 RL 方面推出了創新的架構，稱為 SlimRL，這明顯是他們較為自豪的部分。SlimRL 專門為訓練 AI Agent 設計，核心特色是採用同步與非同步的混合式訓練。由於訓練 AI Agent 時，推論過程（Policy Rollout，如模擬訂機票操作）耗時較久，若採用傳統同步訓練會造成 GPU 閒置浪費算力。SlimRL 則透過非同步方式，讓部分 GPU 持續進行 Rollout 收集資料，另一邊的訓練 GPU 則持續不斷地更新權重，兩者透過資料緩衝區連接。雖然西方頂尖實驗室很可能也使用類似優化方式，但 SlimRL 是智譜將該架構完全開源，對學術界和開源世界而言是一項新穎且實用的工具。

4. 特斯拉 Robotaxi 在加州面臨嚴格的監管挑戰：特斯拉的 Robotaxi 服務在德州（奧斯丁）快速擴張營運範圍，但在加州灣區的擴張卻引發爭議。這主要是因為加州法規極為嚴格，目前特斯拉的服務（官方稱為 Supervised Ride-hailing）必須有安全駕駛員坐在駕駛座上。相較之下，德州目前的法規幾乎沒有嚴格要求，甚至理論上可允許完全無人的 Robotaxi 營運。在加州，自動駕駛服務需通過 DMV（車管局，管轄安全性與人員配置）和 CPUC（公共事業委員會，管轄營運與收費）兩大機關審查。特斯拉目前正處於 DMV 的第一階段（有人測試階段），因此不能使用「Robotaxi」或「driverless」等詞彙，僅能稱其為一般的載客服務。

5. 特斯拉在加州實現無人測試的門檻預估：特斯拉若要在加州從有人測試（第一關）進階到無人測試（第二關），必須達到 DMV 要求的安全標準，主要指標是接管次數與接管率。參考 Waymo 的經驗，他們從有人測試進入無人測試階段時，提交了約 120 萬英里的總里程數，接管率約為每 1,000 英里 0.09 次。如果假設 120 萬英里是門檻，且特斯拉若部署 100 輛測試車，可以在兩個月內達到此里程數。然而，最關鍵的挑戰在於接管率。主持人坦言，雖然特斯拉具備快速擴張車輛數量的優勢，但其目前的接管率尚未達到 Waymo 當年的 0.09 標準。要達到低接管率，特斯拉需修復目前遇到的許多「容易修復」（easy fix）的邊緣案例（edge case）和新功能相關的故障。