Բառը[Թաքցնել][Ցուցադրում]
Աշխարհը, ինչպես մենք գիտենք, դա կարող է փոխվել արհեստական ինտելեկտի (AI) արդյունքում: Ինչ վերաբերում է կիսաինքնավար համակարգերի բարելավմանը, Tesla-ն մեծապես օգտագործում է դրանք:
Բացի այդ, Իլոն Մասկը պնդում է, որ այն ի վերջո կկիրառվի այլ ոլորտներում։ Իր ամբողջական ինքնակառավարման տեխնոլոգիայի և Ավտոպիլոտի համակարգի համար,
Tesla-ն օգտագործում է համակարգչային տեսողություն, Machine Learningև արհեստական ինտելեկտ (FSD):
Այս հոդվածում մենք կքննարկենք, թե ինչն է Tesla-ին դարձնում տեխնոլոգիական ընկերություն և ինչպես է այն օգտագործում AI, համակարգչային տեսլականը, մեծ տվյալները և այլ տեխնոլոգիաներ՝ ինքնակառավարվող մեքենաներ մշակելու համար: Եկեք սկսենք.
Մենք նախ կուսումնասիրենք, թե ինչպես է Tesla-ն տեխնոլոգիական ընկերություն:
Ինչո՞ւ է Tesla-ն համարվում տեխնոլոգիական ընկերություն:
Tesla արտադրում է զգալի քանակությամբ ծրագրային ապահովում: Tesla-ի տարբերվող տեղեկատվական-ժամանցային համակարգը, օգտագործողի ինտերֆեյս, և ինքնավար վարելու գործառույթները հիմնված են ծրագրային ապահովման վրա:
Մինչ մյուս ավտոարտադրողները միայն հիմա են սկսել փորձարկել օդային արդիականացումները, Tesla-ն դա անում է տարիներ շարունակ: Tesla-ի աշխատակիցները ստեղծել և շարունակաբար կատարելագործում են Tesla ավտոմեքենաների օպերացիոն համակարգերը:
Tesla-ն նաև արտադրում է մի շարք այլ տեխնոլոգիական արտադրանքներ, այդ թվում՝ արևային մարտկոցներ, տանիքի արևային սալիկներ, մի քանի տեսակի մարտկոցներ, լիցքավորման կայաններ, համակարգիչներ և հիմնական համակարգչային բաղադրիչներ (Tesla մեքենաների համար):
Թեև և՛ Nokia-ն, և՛ Blackberry-ն ունեին ծրագրային ապահովում, iPhone-ն ուներ երկուսի հավասարակշռված համադրություն, այդ իսկ պատճառով այն նվաճեց բջջային հեռախոսների բիզնեսը և փոխեց, թե մենք ներկայումս օգտագործում ենք մեր հեռախոսները:
Ահա թե ինչ է անում Tesla-ն ավտոմեքենաների բիզնեսի համար: Տեսլաները տրանսպորտային միջոցներ են, այո (և ամենագնացներ և շուտով պիկապ բեռնատարներ, կիսաբեռնատարներ և ATV-ներ): Սակայն այս մեքենաները ներառում են ամենօրյա օգտագործման համար նախատեսված ծրագրակազմ, որը ստեղծվել է Tesla-ի կողմից ներսում կամ ներառված Tesla-ի համակարգում:
Մինչ դուք կայանված եք, Tesla-ն ներկայացրել է զվարճանքի տարբերակներ՝ ներառյալ TRAX-ը, Caraoke-ն և բազմաթիվ խաղեր (և միգուցե երբևէ տրանսպորտում): Անվտանգության Sentry Mode համակարգը, որը համատեղում է Tesla-ի սարքավորումներն ու ծրագրակազմը, օգնել է իրավապահներին բացահայտել այնպիսի հանցագործություններ, ինչպիսիք են վանդալիզմը: Ձեր սմարթֆոնը ծառայում է որպես ձեր Tesla-ի բանալին:
Օգտագործելով ձեր հեռախոսը, դուք կարող եք զանգահարել ձեր Tesla-ին, որպեսզի գա ձեզ մոտ: Բացի այդ, Tesla-ի եզակի Sentry Mode տեխնոլոգիայի շնորհիվ մեքենան կտեղեկացնի ձեր հեռախոսին, եթե որևէ կարևոր իրադարձություն լինի:
Քանի որ Tesla-ն կօգտագործի իր հավաքած տվյալները Tesla-ի վարորդների իրական վարման սովորությունների վերաբերյալ (տվյալների հավաքումը տեխնոլոգիայի հիմնական տարրն է, հատկապես, երբ դա ուղղակիորեն նման է և չի արվում շուկայական հետազոտությունների միջոցով), Tesla-ի ապահովագրությունը կլինի նաև տեխնոլոգիական կողմի ընդլայնում:
Ի՞նչ տեխնոլոգիա է օգտագործում Tesla-ն Autopilot-ի համար:
Նրանք ստեղծում և օգտագործում են ինքնավարությունը մեծ մասշտաբով այնպիսի մեքենաներում, ինչպիսիք են ռոբոտները և մեքենաները: Նրանք պնդում են, որ միակ մեթոդը, որը կարող է լիարժեք պատասխան տալ ինքնավար վարում և դրանից դուրս մեկն է, որը հենվում է արդի AI-ի վրա պլանավորման և տեսլականի համար, որը լրացվում է եզրակացության համար արդյունավետ ապարատով:
Tesla FSD չիպ
Tesla համակարգերը հագեցած են AI-ի երկու պրոցեսորներով՝ կատարելագործված արդյունավետության և ճանապարհային անվտանգության համար: Tesla համակարգը նպատակաուղղված է առանց սխալների աշխատանքի: Պահուստային էներգիայի և տվյալների մուտքագրման աղբյուրների պատճառով մեքենան կարող է շարունակել աշխատել, նույնիսկ եթե մեկ միավորը անսարք է:
Tesla-ն ձեռնարկում է այս լրացուցիչ նախազգուշական միջոցները՝ համոզվելու համար, որ մեքենաները լավ պատրաստված են՝ կանխելու վթարները չնախատեսված խափանումների դեպքում:
Միակ սարքը, որը կարող է վայրկյանում ավելի շատ գործողություններ կատարել, քան Tesla-ի նոր միկրոպրոցեսորը, մարդու ուղեղն է (վայրկյանում 1 կվադրիլիոն գործողություն): Դա մոտ 21 անգամ ավելի հզոր է, քան նախկինում օգտագործված Tesla Nvidia միկրոչիպերը:
Կառուցեք AI եզրակացության պրոցեսորներ՝ իրենց Full Self-Driving ծրագրակազմը հզորացնելու համար՝ հաշվի առնելով յուրաքանչյուր փոքրիկ ճարտարապետական և միկրոճարտարապետական բարելավումը՝ միաժամանակ առավելագույնի հասցնելով սիլիցիումի արդյունավետությունը մեկ վտ-ի դիմաց:
Թեև Tesla-ն, անկասկած, գլխավորում է ամբողջովին ինքնավար լոկոմոտիվների շուկան, այն դեռ շատ հեռու է նորագույն ավտոպիլոտային մեքենայի մշակումից:
Tesla Dojo Chip
Tesla-ն ներկայացրել է Tesla D1-ը, BF362/CFP16-ում 8 TFLOP հզորությամբ նոր պրոցեսոր, որը ստեղծվել է հատուկ Արհեստական բանականություն. Այս մասին բացահայտվել է վերջերս տեղի ունեցած հանդիպման ժամանակ Tesla AI Օրվա ներկայացում.
Հսկայական չիպ է ստեղծվում՝ միացնելով ֆունկցիոնալ միավորների ցանցը, որը կոչվում է ֆունկցիոնալ միավորների ցանց, որին Tesla D1-ն ավելացնում է ընդհանուր առմամբ 354 ուսումնական հանգույց։ Յուրաքանչյուր ֆունկցիոնալ միավոր ունի քառամիջուկ, 64-բիթանոց ISA պրոցեսոր՝ պատվիրված, մասնագիտացված դիզայնով հղումների անցման, հեռարձակումների և փոխադրումների համար: Superscalar իրականացումն օգտագործվում է այս CPU-ի կողմից (4 լայնածավալ սկալյար և 2 լայնությամբ վեկտորային խողովակաշարեր):
Այս նոր Tesla սիլիցիումը ավելի փոքր է, քան GA100 GPU-ն, որը հայտնաբերված է NVIDIA A100 արագացուցչում, որն ունի 826 մմ քառակուսի չափ: Այն արտադրվում է 7 նմ պրոցեսի միջոցով, ընդհանուր առմամբ ունի 50,000 միլիոն տրանզիստոր և զբաղեցնում է 645 մմ քառակուսի տարածք:
Tesla-ն պնդում է, որ իր Dojo չիպը կմշակի համակարգչային տեսողության տվյալները չորս անգամ ավելի արագ, քան ներկայիս համակարգերը, ինչը թույլ կտա ընկերությանը լիովին ավտոմատացնել իր ինքնակառավարվող համակարգը:
Այնուամենայնիվ, երկու ամենադժվար տեխնոլոգիական սխրանքները՝ սալիկից սալիկ փոխկապակցումը և ծրագրակազմը, դեռևս չեն իրականացվել Tesla-ի կողմից:
Բարձրակարգ ցանցային անջատիչները չեն կարող մրցակցել ցանկացած սալիկի արտաքին թողունակության հետ: Դա անելու համար Tesla-ն ստեղծեց յուրահատուկ փոխկապակցումներ:
Դոջո համակարգ
Ստեղծեք Dojo համակարգը՝ սկսած բարձր մակարդակի ծրագրային API-ներից՝ այն կառավարելու համար մինչև սիլիկոնային որոնվածային միջերեսներ: Դժվար իրավիճակները լուծելու համար օգտագործեք բարձր էներգիայի մատակարարման և հովացման գերժամանակակից տեխնոլոգիաներ և ստեղծեք մասշտաբային կառավարման օղակներ և մոնիտորինգի ծրագրակազմ:
Օգտագործեք իրենց մեխանիկական, ջերմային և էլեկտրատեխնիկական թիմերի ողջ փորձը՝ զարգացնելու մեքենայական ուսուցման հաջորդ սերնդի հաշվարկները՝ Tesla տվյալների կենտրոններում օգտագործելու համար: Միակ սահմանափակումը ձեր երևակայությունն է։
Աշխատեք յուրաքանչյուր բաղադրիչի հետ համակարգի նախագծում. Մշակեք հանրային առջև API, որը Dojo-ն հասանելի կդարձնի բոլորի համար և կհամագործակցի Tesla նավատորմի հետ, որը սովորում է ուսուցման ծանրաբեռնվածություն մատուցել՝ օգտագործելով իրենց տվյալների հսկայական հավաքածուները:
Ինքնավարության ալգորիթմներ
Ստեղծեք բարձր հավատարմության աշխարհի մոդել և գծեք հետագիծ այդ տարածքում՝ մեքենան շահագործող հիմնական ալգորիթմները մշակելու համար:
Մեքենայի սենսորներից տվյալներ հավաքելով վայրի և ժամանակի վրա՝ ալգորիթմը կարող է ապահովել ճշգրիտ և ընդարձակ գետնի ճշմարտության տվյալներ, որոնք կարող են օգտագործվել մարզելու համար: նյարդային ցանցեր կանխատեսել այս ներկայացումները:
Նրանք կառուցում են պլանավորման և որոշումների կայացման ուժեղ համակարգ՝ օգտագործելով առաջադեմ մեթոդոլոգիաներ, որոնք կարող են գործել անորոշությամբ վիճարկվող իրական աշխարհի սցենարներում:
Ալգորիթմների վերլուծությունը Tesla-ի ամբողջ նավատորմի մակարդակով շահավետ է:
Նյարդային ցանցեր
Խորը նեյրոնային ցանցերը կարող են ուսուցանվել ընկալումից մինչև վերահսկողության հարցերի շուրջ՝ օգտագործելով առաջադեմ հետազոտություններ: Իմաստային սեգմենտավորման, օբյեկտների նույնականացման և միաձույլ խորության գնահատումն իրականացնելու համար նրանց մեկ տեսախցիկի ցանցերը ուսումնասիրում են չմշակված նկարները:
Նրանց թռչնատեսության ցանցերն օգտագործում են բոլոր տեսախցիկների կադրերը՝ ճանապարհի դասավորության, ստատիկ ենթակառուցվածքի և 3D օբյեկտների վերևից ներքև տեսանկյուն ստեղծելու համար:
Նրանց ցանցերը մշտապես սնվում են տվյալների շուրջ 1 մլն մեքենաներից բաղկացած իրենց պարկի տվյալներից, որոնք ներառում են աշխարհի ամենաբարդ և բազմազան հանգամանքները:
48 ցանցերը, որոնք կազմում են Autopilot նեյրոնային ցանցերի ամբողջ կառուցվածքը, մարզվելու համար անհրաժեշտ է 70,000 GPU ժամ: Յուրաքանչյուր ժամանակային քայլում նրանք միասին արտադրում են 1,000 տարբեր տենզորներ (կանխատեսումներ):
Ենթակառուցվածքի գնահատում
Նրանք նաև ստեղծել են ենթակառուցվածք և բաց և փակ ապարատային ապարատային հանգույցի գնահատման գործիքներ՝ արագացնելու նորարարության արագությունը, վերահսկելու կատարողականի բարելավումը և դադարեցնելու հետընթացը:
Նրանք օգտագործում են իրենց նավատորմի անանուն բնորոշ տեսահոլովակները և դրանք ներառում են բազմաթիվ թեստային սցենարների մեջ: Գրեք կոդ, որը մոդելավորում է նրանց իրական միջավայրը՝ ստեղծելով աներևակայելի իրական վիզուալներ և այլ սենսորային տվյալներ իրենց Autopilot ծրագրի համար՝ օգտագործելու ավտոմատ թեստավորման կամ ուղիղ կարգաբերման համար:
Ինչպե՞ս է Tesla-ն օգտագործում մեծ տվյալները, արհեստական ինտելեկտը և մեքենայական ուսուցումը:
Մեծ Data
Մեծ տվյալները Tesla-ն օգտագործում է ոչ միայն խնդիրները լուծելու համար. այն նաև օգտագործվում է սպառողների երջանկությունը բարձրացնելու համար: Նրանք տեղեկատվություն են ձեռք բերում իրենց հաճախորդների առցանց համայնքներից և այն օգտագործում են իրենց հետագա արտադրությունը բարելավելու համար: Հաճախորդների հետ փոխգործակցության այս տեսակը բիզնեսում չլսված չէ:
Մեծ տվյալները աջակցում են Tesla-ի ջանքերին՝ խնայելու ծախսերը, գտնել նոր շուկաներ, գոհացնել սպառողներին, ստեղծել նոր ապրանքներ և բարելավել իր մեքենաները:
Տեղեկատվությունն օգտագործվում է տվյալների չափազանց խիտ քարտեզներ ստեղծելու համար, որոնք ցույց են տալիս ամեն ինչ՝ սկսած ռիսկերի տեղակայությունից, որոնք ստիպում են վարորդներին քայլեր ձեռնարկել մինչև ճանապարհի որոշակի հատվածում երթևեկության արագության միջին աճը:
Եզրային հաշվարկ որոշում է, թե ինչ գործողություններ պետք է ձեռնարկի յուրաքանչյուր առանձին մեքենա հենց հիմա, մինչդեռ ամպի վրա մեքենայական ուսուցումն իրականացնում է ամբողջ նավատորմի մարզումը:
Բացի այդ, կա որոշումների կայացման երրորդ մակարդակ, որտեղ ավտոմեքենաները կարող են միանալ հարևան Tesla-ի մեքենաներին՝ ցանցեր կառուցելու և տարածքի մասին գիտելիքները կիսելու համար:
Այս ցանցերը, հավանաբար, կհաղորդակցվեն նաև այլ արտադրողների կողմից արտադրված մեքենաների, ինչպես նաև այլ համակարգերի հետ, ինչպիսիք են երթևեկության տեսախցիկները, ցամաքային սենսորները կամ հեռախոսները մոտ ապագայում, որտեղ ինքնավար մեքենաները սովորական են:
Արհեստական բանականություն
Որպեսզի կարողանան ինքնուրույն վարել, ինքնավար մեքենաները շարունակաբար գնահատում են իրենց սենսորների և մեքենայատեսության տեսախցիկների տվյալները: Այնուհետեւ նրանք որոշումներ են կայացնում՝ հիմնվելով այս տեղեկատվության վրա:
Նրանք օգտագործում են AI-ն՝ հասկանալու և կանխատեսելու հեծանիվների, հետիոտների և մեքենաների շարժումները: Նրանք կարող են մի քանի վայրկյանի ընթացքում դատողություններ անել և արագ պլանավորել իրենց գործունեությունը, օգտագործելով այս գիտելիքները:
Արդյո՞ք մեքենան պետք է մնա այն գոտում, որով այժմ գտնվում է, թե՞ պետք է փոխվի: Արդյո՞ք այն պետք է շարունակի ընթանալ այնպես, ինչպես կա, թե՞ շրջանցել է դիմացի մեքենան: Ե՞րբ պետք է մեքենան դանդաղի կամ արագացնի:
Մեքենաները լիովին ինքնավար դարձնելու համար Tesla-ն պետք է հավաքի անհրաժեշտ տվյալներ՝ ալգորիթմները վարժեցնելու և իր AI-ները կերակրելու համար: Ավելի շատ ուսուցման տվյալները միշտ կհանգեցնեն ավելի լավ կատարողականի, և Tesla-ն այս առումով գերազանցում է:
Tesla-ն մրցակցային առավելություն ունի, քանի որ հավաքում է իր բոլոր տվյալները հարյուր հազարավոր Tesla մեքենաներից, որոնք այժմ ճանապարհին են: Ներքին և արտաքին սենսորները ստուգում են, թե ինչպես է Teslas-ը աշխատում տարբեր պայմաններում:
Բացի այդ, նրանք հետևում են, թե ինչպես են վարորդներն իրենց պահում, ներառյալ նրանց արձագանքը տարբեր իրավիճակներին և որքան հաճախ են նրանք դիպչում ղեկին կամ վահանակին: Նրանք ունեն շատ բարդ հետևելու համակարգ:
Օրինակ, Tesla-ն գրանցում է ժամանակի մի ակնթարթ, այն ավելացնում է տվյալների հավաքագրման մեջ, այնուհետև օգտագործում է գունավոր ձևեր՝ ստեղծելու միջավայրի վերացական պատկեր, որից նեյրոնային ցանցը կարող է սովորել:
Դա տեղի է ունենում, երբ Tesla մեքենան սխալ ենթադրություն է անում այն մասին, թե ինչպես կվարվեն մեքենան կամ հեծանիվը:
Machine Learning
Ներքին և արտաքին սենսորների օգտագործմամբ, որոնք կարող են նույնիսկ տեղեկատվություն ստանալ կառավարիչների վրա վարորդի ձեռքի գտնվելու վայրի և դրանց շահագործման մասին, Tesla-ի մեքենայական ուսուցումը հաջողությամբ հավաքում է իր հիմնական տվյալների մի մասը իր բոլոր մեքենաներից, ինչպես նաև նրանց վարորդներից:
Տեղեկատվությունն օգտագործվում է նաև տվյալների խտությամբ քարտեզներ ստեղծելու համար, որոնք ցույց են տալիս ամեն ինչ՝ սկսած ճանապարհի որոշակի երկարության ընթացքում երթևեկության միջին արագությունից մինչև վտանգների առկայություն և նույնիսկ վարորդներին հուշում են քայլեր ձեռնարկել:
Մինչդեռ մի մասը եզրային հաշվարկ Յուրաքանչյուր առանձին մեքենայի վրա որոշում է, թե ինչ գործողություններ պետք է կատարի մեքենան հենց հիմա, Tesla-ի ամպի վրա հիմնված մեքենայական ուսուցումը պատասխանատու է ամբողջ նավատորմի մարզման համար:
Տեղական որոշ պատկերացումներ և տեղեկատվություն փոխանակելու համար մեքենաները կարող են ցանցի մեջ մտնել մոտակայքում գտնվող Tesla-ի որոշ այլ մեքենաների հետ:
Եզրափակում
Tesla-ն միշտ եղել է բիզնես, որն արտադրում է տվյալների հավաքագրում և վերլուծություն, որն ամենահզոր գործիքն է այն ամենի համար, ինչ անում է: Նրանք բացառություններ չեն արել իրենց պրոցեսորները նախագծելիս:
Զարգացումը ինքնավար տրանսպորտային միջոցներ և կորպորացիայի կողմից վիճակագրական տվյալների վերլուծությունը թույլ է տվել ամբողջովին փոխել մեր վարելու ուղին արհեստական ինտելեկտի, տվյալների վերլուծության, մեծ տվյալների, մեքենայական ուսուցման, համակարգչային տեսողության, նեյրոնային ցանցերի, FSD չիպի և շատ այլ ալգորիթմների շնորհիվ:
Թողնել գրառում