Indholdsfortegnelse[Skjule][At vise]
Verden, som vi kender denne, kan ændre sig som følge af kunstig intelligens (AI). Med hensyn til forbedringer i semi-autonome systemer, bruger Tesla dem i høj grad.
Derudover hævder Elon Musk, at det med tiden vil blive anvendt på andre områder. For sin fulde selvkørende teknologi og autopilotsystem,
Tesla bruger computersyn, machine learningog kunstig intelligens (FSD).
I dette stykke vil vi diskutere, hvad der gør Tesla til et teknologifirma, og hvordan det bruger kunstig intelligens, computersyn, big data og andre teknologier til at udvikle selvkørende biler. Lad os begynde.
Vi skal først undersøge, hvordan Tesla er et teknologifirma.
Hvorfor er Tesla blevet betragtet som en teknologivirksomhed?
Tesla producerer en betydelig mængde software. Teslas karakteristiske infotainmentsystem, brugergrænseflade, og autonome kørselsfunktioner er alle baseret på software.
Mens andre bilproducenter først nu begynder at eksperimentere med over-the-air opgraderinger, har Tesla gjort det i årevis. Tesla-medarbejdere har skabt og forbedrer løbende operativsystemerne til Tesla-biler.
Tesla producerer også en række andre teknologiske produkter, herunder solpaneler, solpaneler på taget, flere typer batterier, ladestationer, computere og vigtige computerkomponenter (til Tesla-biler).
Selvom både Nokia og Blackberry havde software, havde iPhone en afbalanceret kombination af begge, hvilket er grunden til, at den erobrede mobiltelefonbranchen og ændrede, hvordan vi i øjeblikket bruger vores telefoner.
Det er, hvad Tesla gør for bilbranchen. Teslaer er køretøjer, ja (og SUV'er og snart pickup trucks, semi-trucks og ATV'er). Men disse køretøjer inkorporerer software til hverdagsbrug, der blev skabt af Tesla internt eller indbygget i Teslas system.
Mens du er parkeret, har Tesla introduceret underholdningsmuligheder, herunder TRAX, Caraoke og adskillige spil (og måske en dag under transport). Sikkerhedssystemet Sentry Mode, som kombinerer Teslas hardware og software, har hjulpet retshåndhævelsen med at løse forbrydelser som hærværk. Din smartphone fungerer som din Teslas nøgle.
Ved hjælp af din telefon kan du ringe til din Tesla for at komme til dig. Derudover vil bilen give din telefon besked, hvis der er en væsentlig begivenhed takket være Teslas unikke Sentry Mode-teknologi.
Da Tesla vil bruge de data, den har indsamlet om Tesla-chaufførers faktiske kørevaner (dataindsamling er et nøgleelement i teknologien, især når det er direkte som dette og ikke udføres gennem markedsundersøgelser), vil Teslas forsikring også være en udvidelse af den tekniske side.
Hvilken teknologi bruger Tesla til autopilot?
De skaber og bruger autonomi i stor skala i maskiner som robotter og biler. De hævder, at den eneste metode, der kan give et omfattende svar for fuldt ud autonom kørsel og derudover er en, der er afhængig af banebrydende AI til planlægning og vision, suppleret med effektiv hardware til slutninger.
Tesla FSD-chip
Tesla-systemer kommer med to AI-processorer for forbedret ydeevne og trafiksikkerhed. Tesla-systemet sigter mod fejlfri drift. På grund af backup-strøm og datainputkilder kan bilen fortsætte med at køre, selvom en enhed fejler.
Tesla tager disse yderligere forholdsregler for at sikre, at køretøjerne er velforberedte for at forhindre styrt i tilfælde af en uventet fejl.
Den eneste enhed, der kan udføre flere operationer i sekundet end den nye Tesla-mikroprocessor, er den menneskelige hjerne (1 kvadrillion operationer pr. sek.). Det er omkring 21 gange stærkere end de tidligere brugte Tesla Nvidia-mikrochips.
Byg AI-inferensprocessorer til at drive deres Full Self-Driving-software, idet du tager højde for hver eneste lille arkitektoniske og mikroarkitektoniske forbedring, mens du maksimerer siliciumydelsen pr. watt.
Selvom Tesla utvivlsomt er førende på markedet for helt autonome lokomotiver, er der stadig langt fra at udvikle et banebrydende autopilotkøretøj.
Tesla Dojo Chip
Tesla afslørede Tesla D1, en ny processor med 362 TFLOPs strøm i BF16/CFP8, der blev skabt specielt til kunstig intelligens. Dette blev afsløret under en nylig Tesla AI Dagspræsentation.
En enorm chip skabes ved at forbinde et netværk af funktionelle enheder kaldet et netværk af funktionelle enheder, hvortil Tesla D1 tilføjer i alt 354 træningsknuder. Hver funktionel enhed har en quad-core, 64-bit ISA CPU med et skræddersyet, specialiseret design til linkgennemgang, udsendelser og transpositioner. Den superskalære implementering bruges af denne CPU (4-brede skalarer og 2-brede vektorpipelines).
Dette nye Tesla silicium er mindre end GA100 GPU'en, der findes i NVIDIA A100 acceleratoren, som er 826 mm kvadratisk. Den er produceret ved hjælp af en 7nm-proces, har 50,000 millioner transistorer i alt og optager et 645 mm kvadratisk areal.
Tesla hævder, at deres Dojo-chip vil behandle computersynsdata fire gange hurtigere end nuværende systemer, hvilket gør det muligt for virksomheden at automatisere sit selvkørende system fuldt ud.
De to mest udfordrende teknologiske bedrifter, nemlig flise-til-flise-sammenkoblingen og software, er endnu ikke blevet gennemført af Tesla.
Topkvalitets netværksswitches kan ikke konkurrere med den eksterne båndbredde af nogen flise. For at gøre dette skabte Tesla unikke forbindelser.
Dojo system
Opret Dojo-systemet, fra software-API'erne på højt niveau til at styre det til siliciumfirmwaregrænseflader. Brug banebrydende højeffektleverings- og køleteknologier til at løse udfordrende situationer, og skab skalerbare kontrolsløjfer og overvågningssoftware.
Udnyt hele ekspertisen fra deres mekaniske, termiske og elektriske ingeniørteams til at udvikle den næste generation af maskinlæringsberegninger til brug i Teslas datacentre. Den eneste begrænsning er din fantasi.
Arbejd med hver komponent af system design. Udvikl en offentligt vendt API, der vil gøre Dojo tilgængelig for alle, og samarbejd med Teslas flådelæring for at levere træningsbelastninger ved at bruge deres enorme datasæt.
Autonomi algoritmer
Skab en high-fidelity verdensmodel og plot bane i det rum for at udvikle de vigtigste algoritmer, der driver bilen.
Ved at samle data fra bilens sensorer på tværs af sted og tid kan en algoritme give præcise og omfattende jordsandhedsdata, der kan bruges til at træne neurale netværk at foregribe disse repræsentationer.
De konstruerer et stærkt planlægnings- og beslutningssystem ved hjælp af banebrydende metoder, der kan fungere i udfordrende scenarier i den virkelige verden med usikkerhed.
Det er en fordel at analysere algoritmerne på niveau med hele Tesla-flåden.
Neurale netværk
Dybe neurale netværk kan trænes i spørgsmål lige fra perception til kontrol ved at bruge banebrydende forskning. For at opnå semantisk segmentering, objektidentifikation og monokulær dybdeestimering undersøger deres per-kamera netværk rå billeder.
Deres netværk med fugleperspektiv bruger optagelser fra alle kameraer til at generere top-down perspektivet af vejlayout, statisk infrastruktur og 3D-objekter.
Deres netværk tilføres konstant data fra deres flåde på omkring 1 mio. biler, som omfatter de mest komplekse og varierede omstændigheder i verden.
De 48 netværk, der udgør hele konstruktionen af Autopilots neurale netværk, har brug for 70,000 GPU-timer for at træne. På hvert tidstrin producerer de 1,000 forskellige tensorer (forudsigelser) i fællesskab.
Evaluering af infrastruktur
De har også skabt infrastruktur og open- og closed-loop hardware-in-the-loop-vurderingsværktøjer i stor skala for at fremskynde innovationshastigheden, overvåge ydeevneforbedringer og stoppe regressioner.
De bruger deres flådes anonymiserede karakteristiske klip og inkorporerer dem i mange testscenarier. Skriv kode, der simulerer deres faktiske miljø, og genererer utrolig naturtro billeder og andre sensordata, som deres autopilot-program kan bruge til automatisk test eller live debugging.
Hvordan udnytter Tesla Big Data, Artificial Intelligence og Machine Learning?
Big data
Big data bruges ikke kun af Tesla til at løse problemer; det bruges også til at øge forbrugernes lykke. De får information fra deres kunders online-fællesskaber, og de bruger dem til at forbedre deres efterfølgende produktion. Denne type klientinteraktion er uhørt i erhvervslivet.
Big data understøtter Teslas bestræbelser på at spare omkostninger, finde nye markeder, glæde forbrugerne, skabe nye produkter og forbedre sine køretøjer.
Oplysningerne bruges til at lave ekstremt datatætte kort, der viser alt fra placeringen af risici, der tvinger bilisterne til at handle, til den gennemsnitlige stigning i trafikhastigheden over en bestemt vejstrækning.
edge computing bestemmer, hvilken handling hver enkelt bil skal tage lige nu, mens maskinlæring i skyen håndterer træning af hele flåden.
Derudover er der et tredje niveau af beslutningstagning, hvor biler kan forbindes med nabokøretøjer fra Tesla for at bygge netværk og dele viden om området.
Disse netværk vil sandsynligvis også kommunikere med køretøjer lavet af andre producenter såvel som andre systemer som trafikkameraer, jordbaserede sensorer eller telefoner i en nær fremtidig verden, hvor autonome biler er almindelige.
Kunstig intelligens
For at kunne køre på egen hånd, evaluerer autonome biler løbende data fra deres sensorer og maskinsynskameraer. De træffer derefter beslutninger baseret på disse oplysninger.
De bruger kunstig intelligens til at forstå og forudse bevægelserne af cykler, fodgængere og biler. De kan foretage en vurdering på et splitsekund og hurtigt planlægge deres aktiviteter ved hjælp af denne viden.
Skal bilen blive i den vognbane, den står i nu, eller skal den ændres? Skal den blive ved, som den er eller overhaler bilen foran dem? Hvornår skal bilen sætte farten ned eller accelerere?
For at gøre biler helt autonome skal Tesla indsamle de nødvendige data for at træne algoritmerne og fodre sine AI'er. Flere træningsdata vil altid føre til bedre ydeevne, og Tesla udmærker sig i denne henseende.
Tesla har en konkurrencefordel, da den indsamler alle sine data fra de hundredtusindvis af Tesla-køretøjer, der nu er på vejen. Interne og eksterne sensorer holder styr på, hvordan Teslaer fungerer under forskellige forhold.
Derudover observerer de, hvordan bilister opfører sig, herunder deres reaktioner på forskellige situationer, og hvor ofte de rører ved rattet eller instrumentbrættet. De har et meget sofistikeret sporingssystem.
For eksempel registrerer Tesla et øjeblik i tiden, føjer det til dataindsamlingen og bruger derefter farvede former til at generere et abstrakt billede af miljøet, som det neurale netværk kan lære af.
Dette sker, når et Tesla-køretøj gør en unøjagtig antagelse om, hvordan en bil eller cykel ville opføre sig.
Maskinelæring
Med brugen af interne og udvendige sensorer, der endda kan opfange information om en førers hånds placering på kontrollerne, og hvordan de fortsætter med at blive betjent, har Teslas maskinlæring succesfuldt crowdsourcet nogle af sine nøgledata fra alle sine køretøjer såvel som deres køretøjer. chauffører.
Oplysningerne bruges også til at skabe meget datatætte kort, der viser alt fra den gennemsnitlige stigning i trafikhastighed i løbet af en bestemt vejlængde til tilstedeværelsen af farer og endda tilskynder bilisterne til at handle.
Mens en del af kant computing på hver enkelt bil bestemmer, hvilken handling bilen skal tage lige nu, er Teslas cloud-baserede maskinlæring ansvarlig for at træne hele flåden.
For at udveksle nogle af de lokale indsigter og informationer, er biler i stand til at netværke med visse andre Tesla-køretøjer i nærheden.
Konklusion
Tesla har altid været en virksomhed, der producerer dataindsamling og analyse, som er det mest kraftfulde værktøj til, hvad end den gør. De gjorde ingen undtagelser, mens de designet deres CPU'er.
Udviklingen af autonome køretøjer og virksomhedens analyse af statistiske data har gjort det muligt fuldstændigt at ændre den måde, vi kører på takket være kunstig intelligens, dataanalyse, big data, maskinlæring, computersyn, neurale netværk, FSD-chip og mange andre algoritmer.
Giv en kommentar