Tesla estas usona veturilo-produkta kompanio fondita de Elon Musk en 2003.
La firmao estas plej konata pro siaj elektraj aŭtoj kaj pro specialiĝo pri sunpaneloj kaj litiojona bateria energistokado.
Tesla-aŭtoj havas multajn revoluciajn funkciojn inkluzive de superŝargado, aliro al ŝlosilkarto kaj aŭtopilota reĝimo.
La aŭtopilota reĝimo estis ebla pro ideoj de Artefarita Inteligenteco (AI) kaj La progresinta Neŭrala Reto-arkitekturo de Tesla.
Ni diskutu la arkitekturon de Tesla Neŭral Network detale.
Kio estas Neŭralaj Retoj?
Neŭralaj retoj, aŭ NNoj, estas serio de algoritmoj modeligitaj post la biologia agado de la homa cerbo. Neŭralaj Retoj konsistas el nodoj, ankaŭ nomataj neŭronoj. Kolekto de vertikalaj nodoj estas konata kiel tavoloj.
Ĉiu tavolo konsistas el nodoj, ankaŭ nomataj neŭronoj, kie okazas la kalkuloj. La nodoj de unu tavolo estas ligitaj al la venonta tavolo tra transmisilinioj kiel vidite malsupre.
En la sekva diagramo, la cirkloj reprezentas la nodojn kaj la vertikala kolekto de nodoj reprezentas la tavolojn. Estas tri tavoloj en ĉi tiu modelo.
Kiel ili lernas?
Datenoj estas provizitaj al la modelo unu ento samtempe kune kun etikedo. La datumoj estas dividitaj en pecojn kaj trapasitaj tra ĉiu nodo de la modelo.
Nodoj faras matematikajn operaciojn sur ĉi tiuj pecoj. Post serio de kalkuloj en unu tavolo, datumoj pasas al la sekva tavolo kaj tiel plu.
Post kiam finite, nia modelo antaŭdiras la datenetikedon ĉe la eliga tavolo. La modelo tiam daŭrigas kompari tiun antaŭviditan valoron kun tiu de la fakta etikedvaloro.
Se la valoroj kongruas, nia modelo prenos la sekvan enigaĵon sed se la valoroj malsamas la modelo kalkulos la diferencon inter ambaŭ valoroj, nomata perdo, kaj alĝustigos nodkalkulojn por produkti kongruajn etikedojn venontfoje.
La Neŭrala Reto-Arkitekturo de Tesla
Tesla uzas avangardan esploradon por trejni profundajn neŭralajn retojn pri problemoj, kiuj iras de percepto ĝis kontrolo.
La po-fotilaj retoj de Tesla analizas krudajn bildojn por elfari semantikan segmentadon, objektodetekton, kaj unuokula profundo-takso.
La Datumaroj
La Neŭralaj Retoj estas trejnitaj sur krudaj bildoj, kiuj estas ĉerpitaj de vidbendoj prenitaj de bird-okulaj retaj fotiloj, kiuj eligas la vojaranĝon, senmovan infrastrukturon kaj 3D-objektojn rekte en la desupra vido.
Datumaj bildoj estas neetikeditaj kaj kovras multajn diversajn scenarojn tra la mondo kaj konsistas el unu miliono da veturiloj en reala tempo.
Kiel ĝi funkcias?
La reto konsistas el 70,000 Grafikaj Pretigaj Unuoj (GPUoj), kiuj trejnas 48 profunda lernado modeloj.
La aparataj komponantoj de la aŭto, inkluzive de fotiloj kaj sensiloj, provizas nekontrolitajn datumojn, kiuj trapasas la reto de ĉi tiuj modeloj.
La aŭto lernas pri eblaj objektoj en medio, kiel piediranto, arbo ktp de la donitaj datumoj.
La arkitekturo ankaŭ konsistas el du AI-blatoj kiuj uzas la principojn de profunda lernado. Ĉi tiuj blatoj helpas fari realtempajn decidojn por la aŭto, kiel kiam kaj kiel turni, dum veturado.
La Neŭrala Reto-arkitekturo inkluzivas multajn potencajn aparatojn kaj konceptojn, kiuj kontribuas al sia funkciado, inkluzive:
FSD-blato
Plena memveturado (FSD) blatoj estas AI-inferencaj blatoj kiuj prizorgas la aŭtomatan programon de Tesla. Ĉi tiuj blatoj estis desegnitaj kun mikro-arkitekturaj plibonigoj, kiuj premas la maksimuman silician rendimenton-po-vato.
FSD-oj efektivigas planplanadon, tempigon kaj potencan analizon dum verkado de fortikaj testoj kaj poenttabuloj por kontroli la funkciecon kaj efikecon de AI.
Doĵo Blatoj kaj Sistemoj
Doĵo estas la superkomputila sistemo de Tesla, kiu solvas malfacilajn problemojn per altnivela teknologio por altforta livero kaj malvarmigo.
Dojo-blatoj inkluzivas la AI, kiu funkciigas ĉi tiujn sistemojn kaj estas dezajnitaj por maksimuma rendimento, trairo kaj bendolarĝo ĉe ĉiu granulareco.
Kune, la blatoj kaj sistemoj estas uzataj por optimumigi potencon kaj rendimenton por la NN de Tesla.
Aŭtonomaj Algoritmoj
Aŭtonomaj algoritmoj estas la kernaj algoritmoj, kiuj veturas la aŭton kreante altfidelecan reprezentadon de la mondo kaj planante trajektoriojn en antaŭfiksita spaco.
Al trejni neŭralaj retoj por antaŭdiri tiajn reprezentadojn, Tesla algoritme kreas precizajn kaj grandskalajn grundoverajn datumojn kombinante informojn de la sensiloj de la aŭto tra spaco kaj tempo.
Ĉi tiuj algoritmoj uzas altnivelajn teknikojn por konstrui fortikan planadon kaj decidan sistemon, kiu funkcias en komplikaj realmondaj situacioj sub necerteco.
Taksado-Infrastrukturo
La taksada infrastrukturo de Tesla inkluzivas taksajn ilojn kaj infrastrukturojn je skalo malfermitaj, fermitaj kaj aparataj en la buklo.
Ĉi tiu infrastrukturo permesas al AI spuri rendimentajn plibonigojn kaj malhelpi regresojn.
Ĉefaj Trajtoj de NN de Tesla
- Fotiloj, ultrasonaj sensiloj kaj radaro perceptas la medion
- Radaro mezuras la distancon ĉirkaŭ la aŭto
- Ultraviolaj teknikoj mezuras proksimecon kaj pasiva vidbendo rekonas objektojn ĉirkaŭ la aŭto
- Uzas du AI-fritojn konstruitajn sur principoj de profundaj neŭralaj retoj
- AI-blatoj konsistantaj el 6 miliardoj da transistoroj
- 21 fojojn pli rapide ol Nvidia blatoj
- AI-blatoj havas 32 megabajtojn da altrapida SRAM-memoro
- Konsistas el 48 Profunda Lernado-modeloj
- Enhavas 70,000 Grafikaj Pretigaj Unuoj (GPUoj)
- Eligas 1000 apartajn tensorojn (antaŭdirojn) ĉe ĉiu tempopaŝo
konkludo
La avangardo de Tesla Neŭralaj Retoj kaj AI-arkitekturo realigis la ideon de memveturaj aŭtoj.
Ĉi tiu sukceso de la ĉefa fabrikisto de aŭtoj bazitaj en AI estas rezulto de sia progresinta FSD-blatoj, Dojo-blatoj, aŭtonomiaj algoritmoj, taksada infrastrukturo kaj pli.
Se vi volas lerni pli pri AI, Profunda Lernado kaj la plej novaj teknologiaj tendencoj, rigardu niajn aliajn interesajn artikolojn.
Lasi Respondon