Indholdsfortegnelse[Skjule][At vise]
Tesla er et amerikansk køretøjsfabrikant grundlagt af Elon Musk i 2003.
Virksomheden er bedst kendt for sine elbiler og for at specialisere sig i solpaneler og lithium-ion batteri energilagring.
Tesla-biler kommer med en masse revolutionerende funktioner, herunder superopladning, nøglekortadgang og en autopilottilstand.
Autopilottilstanden har været mulig på grund af ideer fra kunstig intelligens (AI) og Teslas avancerede neurale netværksarkitektur.
Lad os diskutere Teslas neurale netværksarkitektur i detaljer.
Hvad er neurale netværk?
Neurale netværk, eller NN'er, er en række algoritmer modelleret efter den biologiske aktivitet af menneskelige hjerne. Neurale netværk består af noder, også kaldet neuroner. En samling af lodrette noder er kendt som lag.
Hvert lag består af noder, også kaldet neuroner, hvor beregningerne finder sted. Noderne i et lag er forbundet med det næste lag gennem transmissionslinjer som vist nedenfor.
I det følgende diagram repræsenterer cirklerne noderne, og den lodrette samling af noder repræsenterer lagene. Der er tre lag i denne model.
Hvordan lærer de?
Data føres til modellen én enhed ad gangen sammen med en etiket. Dataene opdeles i bidder og føres gennem hver knude i modellen.
Noder udfører matematiske operationer på disse bidder. Efter en række beregninger i et lag, overføres data til det næste lag og så videre.
Når den er afsluttet, forudsiger vores model dataetiketten på outputlaget. Modellen fortsætter derefter med at sammenligne denne forudsagte værdi med værdien for den faktiske etiketværdi.
Hvis værdierne matcher, vil vores model tage det næste input, men hvis værdierne er forskellige, vil modellen beregne forskellen mellem begge værdier, kaldet tab, og justere nodeberegninger for at producere matchende etiketter næste gang.
Teslas neurale netværksarkitektur
Tesla bruger banebrydende forskning til at træne dybe neurale netværk i problemer lige fra perception til kontrol.
Teslas per-kamera netværk analyserer rå billeder for at udføre semantisk segmentering, objektdetektion og monokulær dybdeestimering.
Datasættene
De neurale netværk trænes på råbilleder, der er udtrukket fra videoer taget fra netværkskameraer med fugleperspektiv, som udsender vejlayout, statisk infrastruktur og 3D-objekter direkte i top-down-visningen.
Databilleder er umærkede og dækker en masse forskellige scenarier rundt om i verden og består af en million køretøjer i realtid.
Hvordan virker det?
Netværket består af 70,000 Graphical Processing Units (GPU'er), der træner 48 dyb læring modeller.
Bilens hardwarekomponenter, herunder kameraer og sensorer, giver uovervågede data, der sendes gennem netværket af disse modeller.
Bilen lærer om mulige genstande i et miljø, såsom en fodgænger, et træ osv. fra de givne data.
Arkitekturen består også af to AI-chips, der bruger principperne for dyb læring. Disse chips hjælper med at træffe beslutninger i realtid for bilen, f.eks. hvornår og hvordan man drejer, mens man kører.
Den neurale netværksarkitektur inkluderer mange kraftfulde enheder og koncepter, der bidrager til dens funktion, herunder:
FSD-chip
Fuld selvkørende (FSD) chips er AI-inferenschips, der kører Teslas autopilotsoftware. Disse chips er designet med mikroarkitektoniske forbedringer, der presser den maksimale siliciumydelse pr. watt.
FSD'er implementerer gulvplanlægning, timing og effektanalyse, mens de skriver robuste tests og resultattavler for at verificere AI's funktionalitet og ydeevne.
Dojo-chips og -systemer
Dojo er Teslas supercomputersystem, der løser hårde problemer med avanceret teknologi til høj-effekt levering og køling.
Dojo-chips inkluderer AI, der driver disse systemer og er designet til maksimal ydeevne, gennemløb og båndbredde ved enhver granularitet.
Sammen bruges chipsene og systemerne til at optimere kraften og ydeevnen til Teslas NN.
Autonomi algoritmer
Autonomialgoritmer er de centrale algoritmer, der driver bilen ved at skabe en højfidelitetsrepræsentation af verden og planlægge baner i et givet rum.
Til træne neurale netværk For at forudsige sådanne repræsentationer skaber Tesla algoritmisk nøjagtige og store sandhedsdata ved at kombinere information fra bilens sensorer på tværs af rum og tid.
Disse algoritmer bruger avancerede teknikker til at bygge et robust planlægnings- og beslutningssystem, der fungerer i komplicerede virkelige situationer under usikkerhed.
Evalueringsinfrastruktur
Teslas evalueringsinfrastruktur inkluderer open-loop, closed-loop og hardware-in-the-loop evalueringsværktøjer og infrastruktur i stor skala.
Denne infrastruktur giver AI mulighed for at spore præstationsforbedringer og forhindre regression.
Nøglefunktioner ved Teslas NN
- Kameraer, ultralydssensorer og radar opfatter omgivelserne
- En radar måler afstanden omkring bilen
- Ultraviolette teknikker måler nærhed, og passiv video genkender genstande omkring bilen
- Bruger to AI-chips bygget på principper for dybe neurale netværk
- AI-chips, der består af 6 milliarder transistorer
- 21 gange hurtigere end Nvidia-chips
- AI-chips har 32 megabyte højhastigheds SRAM-hukommelse
- Består af 48 Deep Learning-modeller
- Indeholder 70,000 Graphical Processing Units (GPU'er)
- Udsender 1000 forskellige tensorer (forudsigelser) på hvert tidstrin
Konklusion
Teslas banebrydende Neurale netværk og AI-arkitektur har gjort ideen om selvkørende biler til virkelighed.
Denne succes for den førende AI-baserede bilproducent er et resultat af dens avancerede FSD-chips, Dojo-chips, autonomialgoritmer, evalueringsinfrastruktur og mere.
Hvis du vil lære mere om AI, Deep Learning og de nyeste teknologitrends, så tjek vores andre interessante artikler.
Giv en kommentar