在现阶段不可能做到完全离开电网独立运行，其必然需要电网的支持才能完全满足用户的充电需求。而不靠公共电网，那么超级充电站必须配备储能电池，这样的化，其超级充电站造价必会大幅上升。
四月中下旬以来，受特斯拉[微博]在中国大陆首批ModelS交付客户，总裁ElonMusk访华并与公众见面沟通等事件的刺激，特斯拉一直处于舆论的焦点，受到了包括公众、传媒、政府、产业界、学术界等各方面的广泛关注。
以“特斯拉创始人中国首秀，承诺加大在华投资，未来三四年实现国产化”，“特斯拉在华充电网络审批受限建设难”，“特斯拉欲独立于电网建立分布式光伏充电站”等为主题的报道见诸各大媒体。
特斯拉在宣传活动中为人们描绘了一幅美好的前景，遍布各地的超级充电站可以在40分钟内为用户的Model S跑车补充80%的电能，而这些电能都来自于安装在超级充电站顶棚或者周边建筑屋顶的光伏发电组件。从而，特斯拉似乎能够为用户提供免费、绿色、快速、方便的电能补给。
可以看到，在特斯拉的充电解决方案中，光伏发电组件扮演了至关重要的角色。那么，真的如特斯拉所言，光伏发电能够完全满足特斯拉用户们每天的电能需求呢，实现独立供电吗？
笔者作为一名电力工作者，以自身对当前光伏发电的认识进行了简要计算，目前，超级充电站采用CIGS(铜铟镓硒)薄膜太阳能光伏技术，其组件发电每平方米155峰瓦，特斯拉超级充电站一般包括150m²光伏组件，约10个乘用车停车位的面积，最大发电23千瓦。
以上海为例，光伏发电年均可利用日照峰值时间984小时，那么，超级充电站年发电量22632千瓦时，折合日均发电量62千瓦时。光伏组件光电转换效率还存在一定的衰减性(25年衰减不超过20%)，25年运营期内日均发电量降为56千瓦时，而这点电量仅能支持一辆ModelS行驶不到300公里。所以，特斯拉超级充电站仅靠宣传的用光伏就能满足充电需要显然不现实。
此外，由于光伏发电固有的特性，其发电受日照影响，功率波动大，超级充电站若不配备储能电池，就无法提供稳定的电流给电动汽车充电，在阴雨天、夜晚无太阳光，根本发不出电。如果要实现稳定供电，而不靠公共电网，那么超级充电站必须配备储能电池，这样的化，其超级充电站造价必会大幅上升。
因此，在现阶段不可能做到完全离开电网独立运行，其必然需要电网的支持才能完全满足用户的充电需求。
事实上，特斯拉光伏超级充电站被误读，陷入了“理想很丰满，现实很骨感”的窘境。正如特斯拉日前公开的位于浦东金桥的首座充电站并不完全依赖于光伏发电组件，另有一条来自电网的线路为其供电。特斯拉也在宣传活动中强调了其充电站仍然需要与电网相连。
这一做法的目的恐怕不仅仅是“用以将多余的电能售卖给电网”，而是需要借助电网的支持来平衡光伏发电的供给和汽车充电的需求，特别是弥补其光伏电能供给不足的短板。
电能是一种特殊的商品，其生产与消费需要在一瞬间内同时完成。在人类找到安全、廉价、方便、环保的储能设施之前，广泛互联的大电网是确保电力生产与消费平衡的唯一途径。
就在前不久，美国电科院(EPRI)针对当前分布式能源无序发展的现状，提出了将分布式能源整合进大电网的规划、建设、调度、运行等各个环节的“集成式电网(IntegratedGrid)”计划。这一计划的核心观点就是能源的分布式开发和消费必须要与大电网结合，得到大电网的支持才能取得成功。
发展电动汽车对于改善环境，消除“雾霾”，产业升级等各个方面都有巨大的促进作用。头顶“汽车界苹果”等耀眼光环的特斯拉公司入华之后，极大的提升了国内各界对于电动汽车的关注度，也将促进电动汽车行业的快速发展。
充电网络等基础设施的建设，是支持和推动电动汽车快速发展的基础。这是一个规模巨大的系统工程，恐怕不能靠特斯拉公司一家或几家之力就能够完全做好的。建设发展充电网络，全社会都应该参与进来，本着合作共赢的原则，以商业模式的创新来破解当前充电设施建设进度缓慢的难题。
文/新浪财经专栏作家 刘永东
(本文作者介绍：中国电力企业联合会标准化中心副主任，能源行业电动汽车充电设施标委会秘书长。)
今日，特斯拉宣布前 Open AI 研究员、斯坦福大学博士生 Andrej Karpathy 担任特斯拉人工智能和自动驾驶视觉总监（Director of AI and Autopilot Vision），直接向 Elon Musk 负责。Andrej Karpathy 博士生期间就已声名鹊起，此次加盟特斯拉更是受到了极大的关注。比较有趣的是，从 Open AI 招揽研究员，特斯拉也算是近水楼台啊（Elon Musk 与他人共同创立了 Open AI）。
本文为机器之心编译
刚刚得到的消息，科技汽车公司特斯拉宣布计算机视觉著名学者 Andrej Karpathy 加盟，他已成为该公司自动驾驶研究部门的一员。在此之前，Karpathy 是伊隆·马斯克旗下的人工智能研究机构 OpenAI 的研究者。这位毕业于斯坦福大学的计算机视觉专家拥有人工智能领域的丰富履历，他在博士期间曾师从于著名学者李飞飞，研究卷积/循环神经网络架构与计算机视觉应用。
在学习期间，Andrej Karpathy 还共同构建了斯坦福大学最受尊敬的深度学习教程，他在斯坦福大学的研究着重于构建一个神经网络系统，通过识别图像中离散的特征点用自然语言对图片进行标注。此外，他还构建了一个反向系统，通过用户描述的自然语言（如「白色网球鞋」）来搜索图片库中的图像。
从斯坦福毕业后，Karpathy 曾在谷歌研究院、DeepMind 等公司和机构实习，他的研究专注于深度学习。他在计算机视觉领域的专长显然被特斯拉视为巨大的财富——这家著名公司一直试图打造面向未来的自动驾驶技术。
Andrej Karpathy 在特斯拉的新职位是：人工智能和自动驾驶视觉总监（Director of AI and Autopilot Vision），特斯拉表示，Karpathy 将直接向马斯克负责，但同时也会与特斯拉副总裁、负责自动驾驶硬件与软件工程的 Jim Keller 共同工作。
特斯拉宣布 Andrej Karpathy 加盟的声明如下：
Andrej Karpathy，世界一流的计算机视觉和深度学习专家之一，现在已经以人工智能和无人驾驶视觉总监的身份加入了特斯拉，可以向 Elon Musk 直接进行汇报。Andrej 曾经通过对 ImageNet 的研发给予计算机以视觉，通过对生成模型的开发给予计算机以想象力，并且通过强化学习给予其浏览互联网的能力。
Andrej 在斯坦福大学拿到了他的计算机视觉博士学位，在那里他就可以应用深度神经网络来推导出图像的复合形式。比如，不仅仅能简单地识别图片里有一只猫，还能识别出这是一个「橙色斑点」猫，正骑在一个棕色木板和红色轮子制成的滑板上。他也创办并且教授了「用于视觉识别的卷积神经网络」（「Convolutional Neural Networks for Visual Recognition」）这门课程，这是斯坦福大学的第一个深度学习课程，直到现在仍然处于业内领先地位。
Andrej 将会和 Jim Keller 紧密配合，后者现在已经全权负责无人驾驶的硬件和软件开发。
Karpathy 的个人简历时间线
个人简介：Andrej Karpathy 是深度学习计算机视觉领域、生成式模型与强化学习领域的研究员。博士期间师从李飞飞研究卷积／循环神经网络架构，以及它们在计算机视觉、自然语言处理以及二者交叉领域的应用。在读博期间，两次在谷歌实习，研究在 Youtube 视频上的大规模特征学习，2015 年在 DeepMind 实习，研究深度强化学习。与李飞飞一起工作时，设计、教授了新的斯坦福课程《卷积网络进行视觉识别（CS231n）》。博士毕业论文为《CONNECTING IMAGES AND NATURAL LANGUAGE》。
论文：连接图像与自然语言（CONNECTING IMAGES AND NATURAL LANGUAGE）
审核导师
摘要：人工智能领域的一个长期目标是开发能够感知和理解我们周围丰富的视觉世界，并能使用自然语言与我们进行关于其的交流的代理。由于近些年来计算基础设施、数据收集和算法的发展，人们在这一目标的实现上已经取得了显著的进步。这些进步在视觉识别上尤为迅速——现在计算机已能以可与人类媲美的表现对图像进行分类，甚至在一些情况下超越人类，比如识别狗的品种。但是，尽管有许多激动人心的进展，但大部分视觉识别方面的进步仍然是在给一张图像分配一个或多个离散的标签（如，人、船、键盘等等）方面。
在这篇学位论文中，我们开发了让我们可以将视觉数据领域和自然语言话语领域连接起来的模型和技术，从而让我们可以实现两个领域中元素的互译。具体来说，首先我们引入了一个可以同时将图像和句子嵌入到一个共有的多模态嵌入空间（multi-modal embedding space）中的模型。然后这个空间让我们可以识别描绘了一个任意句子描述的图像，而且反过来我们还可以找出描述任意图像的句子。其次，我们还开发了一个图像描述模型（image captioning model），该模型可以根据输入其的图像直接生成一个句子描述——该描述并不局限于人工编写的有限选择集合。最后，我们描述了一个可以定位和描述图像中所有显著部分的模型。我们的研究表明这个模型还可以反向使用：以任意描述（如：白色网球鞋）作为输入，然后有效地在一个大型的图像集合中定位其所描述的概念。我们认为这些模型、它们内部所使用的技术以及它们可以带来的交互是实现人工智能之路上的一块垫脚石，而且图像和自然语言之间的连接也能带来许多实用的益处和马上就有价值的应用。
从建模的角度来看，我们的贡献不在于设计和展现了能以复杂的处理流程处理图像和句子的明确算法，而在于卷积和循环神经网络架构的混合设计，这种设计可以在一个单个网络中将视觉数据和自然语言话语连接起来。因此，图像、句子和关联它们的多模态嵌入结构的计算处理会在优化损失函数的过程中自动涌现，该优化考虑网络在图像及其描述的训练数据集上的参数。这种方法享有许多神经网络的优点，其中包括简单的均质计算的使用，这让其易于在硬件上实现并行；以及强大的性能——由于端到端训练（end-to-end training）可以将这个问题表示成单个优化问题，其中该模型的所有组件都具有一个相同的最终目标。我们的研究表明我们的模型在需要图像和自然语言的联合处理的任务中推进了当前最佳的表现，而且我们可以一种能促进对该网络的预测的可解读视觉检查的方式来设计这一架构。