Tesla ជាក្រុមហ៊ុនផលិតរថយន្តរបស់អាមេរិកដែលត្រូវបានបង្កើតឡើងដោយ លោក Elon Musk ក្នុង 2003 ។
ក្រុមហ៊ុននេះត្រូវបានគេស្គាល់ថាល្អបំផុតសម្រាប់រថយន្តអគ្គិសនីរបស់ខ្លួន និងសម្រាប់ជំនាញផ្នែកបន្ទះស្រូបពន្លឺព្រះអាទិត្យ និងការផ្ទុកថាមពលថ្ម lithium-ion ។
រថយន្ត Tesla ភ្ជាប់មកជាមួយមុខងារបដិវត្តន៍ជាច្រើន រួមទាំងការបញ្ចូលថាមពលថ្មខ្លាំង ការចូលប្រើកាតគ្រាប់ចុច និងរបៀបបើកបរដោយស្វ័យប្រវត្តិ។
មុខងារ autopilot គឺអាចធ្វើទៅបានដោយសារតែគំនិតពី Artificial Intelligence (AI) និង ស្ថាបត្យកម្ម Neural Network កម្រិតខ្ពស់របស់ក្រុមហ៊ុន Tesla ។
ចូរពិភាក្សាលម្អិតអំពីស្ថាបត្យកម្ម Tesla Neural Network ។
តើបណ្តាញសរសៃប្រសាទគឺជាអ្វី?
បណ្តាញសរសៃប្រសាទ ឬ NNs គឺជាស៊េរីនៃក្បួនដោះស្រាយដែលត្រូវបានយកគំរូតាមសកម្មភាពជីវសាស្រ្តនៃ ខួរក្បាលរបស់មនុស្ស. បណ្តាញសរសៃប្រសាទ មានថ្នាំងដែលត្រូវបានគេហៅថាណឺរ៉ូនផងដែរ។ ការប្រមូលផ្តុំនៃថ្នាំងបញ្ឈរត្រូវបានគេស្គាល់ថាជាស្រទាប់។
ស្រទាប់នីមួយៗមានថ្នាំងដែលហៅថាណឺរ៉ូនដែលការគណនាកើតឡើង។ ថ្នាំងនៃស្រទាប់មួយត្រូវបានភ្ជាប់ទៅស្រទាប់បន្ទាប់តាមរយៈខ្សែបញ្ជូន ដូចដែលបានឃើញខាងក្រោម។
នៅក្នុងដ្យាក្រាមខាងក្រោម រង្វង់តំណាងឱ្យថ្នាំង ហើយបណ្តុំថ្នាំងបញ្ឈរតំណាងឱ្យស្រទាប់។ ម៉ូដែលនេះមានបីស្រទាប់។
តើពួកគេរៀនដោយរបៀបណា?
ទិន្នន័យត្រូវបានបញ្ចូលទៅអង្គភាពគំរូមួយក្នុងពេលតែមួយ រួមជាមួយនឹងស្លាកមួយ។ ទិន្នន័យត្រូវបានបំបែកជាកំណាត់ៗ ហើយឆ្លងកាត់ថ្នាំងនីមួយៗនៃគំរូ។
ថ្នាំងអនុវត្តប្រតិបត្តិការគណិតវិទ្យាលើកំណាត់ទាំងនេះ។ បន្ទាប់ពីការគណនាជាបន្តបន្ទាប់ក្នុងស្រទាប់មួយ ទិន្នន័យឆ្លងទៅស្រទាប់បន្ទាប់ហើយបន្តទៀត។
នៅពេលបញ្ចប់ គំរូរបស់យើងព្យាករណ៍ស្លាកទិន្នន័យនៅស្រទាប់លទ្ធផល។ បន្ទាប់មក គំរូបន្តដើម្បីប្រៀបធៀបតម្លៃដែលបានព្យាករណ៍នេះជាមួយនឹងតម្លៃស្លាកពិតប្រាកដ។
ប្រសិនបើតម្លៃត្រូវគ្នា ម៉ូដែលរបស់យើងនឹងយកធាតុបញ្ចូលបន្ទាប់ ប៉ុន្តែប្រសិនបើតម្លៃខុសគ្នា ម៉ូដែលនឹងគណនាភាពខុសគ្នារវាងតម្លៃទាំងពីរ ហៅថា ការបាត់បង់ និងកែតម្រូវការគណនាថ្នាំងដើម្បីបង្កើតស្លាកដែលត្រូវគ្នានៅពេលក្រោយ។
ស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទរបស់ក្រុមហ៊ុន Tesla
Tesla ប្រើប្រាស់ការស្រាវជ្រាវទំនើបៗ ដើម្បីបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទយ៉ាងស៊ីជម្រៅលើបញ្ហាចាប់ពីការយល់ឃើញរហូតដល់ការគ្រប់គ្រង។
បណ្តាញកាមេរ៉ានីមួយៗរបស់ក្រុមហ៊ុន Tesla វិភាគរូបភាពឆៅ ដើម្បីអនុវត្តការបែងចែកតាមន័យធៀប ការរកឃើញវត្ថុ និង ការប៉ាន់ស្មានជម្រៅ monocular.
សំណុំទិន្នន័យ
បណ្តាញសរសៃប្រសាទត្រូវបានបណ្តុះបណ្តាលលើរូបភាពឆៅដែលត្រូវបានដកស្រង់ចេញពីវីដេអូដែលថតចេញពីកាមេរ៉ាបណ្តាញមើលសត្វស្លាប ដែលបង្ហាញប្លង់ផ្លូវ ហេដ្ឋារចនាសម្ព័ន្ធឋិតិវន្ត និងវត្ថុ 3D ដោយផ្ទាល់នៅក្នុងទិដ្ឋភាពពីលើចុះក្រោម។
រូបភាពទិន្នន័យមិនមានស្លាកសញ្ញា និងគ្របដណ្តប់លើសេណារីយ៉ូចម្រុះជាច្រើនជុំវិញពិភពលោក និងមានរថយន្តមួយលានគ្រឿងក្នុងពេលជាក់ស្តែង។
តើវាដំណើរការយ៉ាងដូចម្តេច?
បណ្តាញនេះមាន 70,000 Graphical Processing Units (GPUs) ដែលបណ្តុះបណ្តាល 48 ការរៀនសូត្រជ្រៅ គំរូ។
សមាសធាតុផ្នែករឹងរបស់រថយន្ត រួមទាំងកាមេរ៉ា និងឧបករណ៍ចាប់សញ្ញា ផ្តល់ទិន្នន័យដែលមិនមានការត្រួតពិនិត្យដែលត្រូវបានឆ្លងកាត់បណ្តាញនៃម៉ូដែលទាំងនេះ។
រថយន្តរៀនអំពីវត្ថុដែលអាចកើតមាននៅក្នុងបរិយាកាស ដូចជាអ្នកថ្មើរជើង ដើមឈើជាដើម។ ពីទិន្នន័យដែលបានផ្តល់ឱ្យ។
ស្ថាបត្យកម្មក៏មានបន្ទះ AI ពីរដែលប្រើគោលការណ៍នៃ ការរៀនសូត្រជ្រៅ. បន្ទះសៀគ្វីទាំងនេះជួយធ្វើការសម្រេចចិត្តក្នុងពេលវេលាជាក់ស្តែងសម្រាប់រថយន្ត ដូចជាពេលណា និងរបៀបបត់ ខណៈពេលកំពុងបើកបរ។
ស្ថាបត្យកម្ម Neural Network រួមមានឧបករណ៍ និងគំនិតដ៏មានអានុភាពជាច្រើន ដែលរួមចំណែកដល់ការងាររបស់វា រួមមានៈ
បន្ទះឈីប FSD
ការបើកបរដោយខ្លួនឯងពេញលេញ (អេ។ អេ។ ឌី។ អេ) បន្ទះឈីបគឺជាបន្ទះឈីប AI inference ដែលដំណើរការកម្មវិធី autopilot របស់ក្រុមហ៊ុន Tesla ។ បន្ទះសៀគ្វីទាំងនេះត្រូវបានរចនាឡើងជាមួយនឹងការធ្វើឱ្យប្រសើរឡើងនូវស្ថាបត្យកម្មខ្នាតតូចដែលច្របាច់ដំណើរការស៊ីលីកុនអតិបរមាក្នុងមួយវ៉ាត់។
FSDs អនុវត្តការធ្វើផែនការជាន់លើ ពេលវេលា និងការវិភាគថាមពល ខណៈពេលដែលកំពុងសរសេរការធ្វើតេស្ត និងតារាងពិន្ទុដ៏រឹងមាំ ដើម្បីផ្ទៀងផ្ទាត់មុខងារ និងដំណើរការរបស់ AI ។
Dojo Chips និងប្រព័ន្ធ
ដាវ គឺជាប្រព័ន្ធកុំព្យូទ័រទំនើបរបស់ក្រុមហ៊ុន Tesla ដែលដោះស្រាយបញ្ហាលំបាកជាមួយនឹងបច្ចេកវិជ្ជាទំនើបសម្រាប់ការចែកចាយថាមពលខ្ពស់ និងការធ្វើឱ្យត្រជាក់។
Dojo Chips រួមបញ្ចូល AI ដែលផ្តល់ថាមពលដល់ប្រព័ន្ធទាំងនេះ ហើយត្រូវបានរចនាឡើងសម្រាប់ដំណើរការអតិបរមា កម្រិតបញ្ជូន និងកម្រិតបញ្ជូននៅគ្រប់កម្រិតនីមួយៗ។
រួមគ្នា បន្ទះសៀគ្វី និងប្រព័ន្ធត្រូវបានប្រើដើម្បីបង្កើនប្រសិទ្ធភាពថាមពល និងដំណើរការសម្រាប់ NN របស់ក្រុមហ៊ុន Tesla ។
ក្បួនដោះស្រាយស្វ័យភាព
ក្បួនដោះស្រាយស្វ័យភាពគឺជាក្បួនដោះស្រាយស្នូលដែលជំរុញរថយន្តដោយបង្កើតតំណាងនៃភាពស្មោះត្រង់ខ្ពស់នៃពិភពលោក និងរៀបចំផែនការគន្លងក្នុងចន្លោះដែលបានផ្តល់ឱ្យ។
ទៅ បណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ ដើម្បីទស្សន៍ទាយតំណាងបែបនេះ Tesla algorithm បង្កើតទិន្នន័យការពិតក្នុងទ្រង់ទ្រាយធំត្រឹមត្រូវ និងធំដោយរួមបញ្ចូលគ្នានូវព័ត៌មានពីឧបករណ៍ចាប់សញ្ញារថយន្តឆ្លងកាត់ចន្លោះ និងពេលវេលា។
ក្បួនដោះស្រាយទាំងនេះប្រើបច្ចេកទេសកម្រិតខ្ពស់ដើម្បីកសាងផែនការដ៏រឹងមាំ និងប្រព័ន្ធធ្វើការសម្រេចចិត្តដែលដំណើរការក្នុងស្ថានភាពជាក់ស្តែងដ៏ស្មុគស្មាញក្រោមភាពមិនច្បាស់លាស់។
រចនាសម្ព័ន្ធវាយតម្លៃ
ហេដ្ឋារចនាសម្ព័ន្ធវាយតម្លៃរបស់ក្រុមហ៊ុន Tesla រួមមាន Open-loop, closed-loop និង hardware-in-the-loop ឧបករណ៍វាយតម្លៃ និងហេដ្ឋារចនាសម្ព័ន្ធតាមខ្នាត។
ហេដ្ឋារចនាសម្ព័ន្ធនេះអនុញ្ញាតឱ្យ AI តាមដានការកែលម្អការអនុវត្ត និងការពារការថយក្រោយ។
លក្ខណៈសំខាន់ៗនៃ NN របស់ក្រុមហ៊ុន Tesla
- កាមេរ៉ា ឧបករណ៍ចាប់សញ្ញា ultrasonic និងរ៉ាដាយល់ឃើញពីបរិស្ថាន
- រ៉ាដាវាស់ចម្ងាយជុំវិញរថយន្ត
- បច្ចេកទេសអ៊ុលត្រាវីយូឡេវាស់ចម្ងាយជិត ហើយវីដេអូអកម្មសម្គាល់វត្ថុជុំវិញឡាន
- ប្រើបន្ទះឈីប AI ពីរដែលបង្កើតឡើងនៅលើគោលការណ៍នៃបណ្តាញសរសៃប្រសាទជ្រៅ
- បន្ទះឈីប AI បង្កើតបាន 6 ពាន់លាន transistors
- 21 ដងលឿនជាងបន្ទះឈីប Nvidia
- បន្ទះឈីប AI មានអង្គចងចាំ SRAM ល្បឿនលឿន 32 មេកាបៃ
- មាន 48 គំរូសិក្សាជ្រៅ
- មាន 70,000 អង្គដំណើរការក្រាហ្វិក (GPUs)
- លទ្ធផល 1000 tensors ផ្សេងគ្នា (ការទស្សន៍ទាយ) នៅគ្រប់ជំហាន
សន្និដ្ឋាន
ទំនើបកម្មរបស់ក្រុមហ៊ុន Tesla បណ្តាញសរសៃប្រសាទ និងស្ថាបត្យកម្ម AI បានធ្វើឱ្យគំនិតនៃរថយន្តបើកបរដោយខ្លួនឯងក្លាយជាការពិត។
ភាពជោគជ័យរបស់ក្រុមហ៊ុនផលិតរថយន្តដែលមានមូលដ្ឋានលើ AI ឈានមុខគេនេះ គឺជាលទ្ធផលនៃភាពជឿនលឿនរបស់វា។ បន្ទះសៀគ្វី FSDបន្ទះសៀគ្វី Dojo ក្បួនដោះស្រាយស្វ័យភាព ហេដ្ឋារចនាសម្ព័ន្ធវាយតម្លៃ និងច្រើនទៀត។
ប្រសិនបើអ្នកចង់ស្វែងយល់បន្ថែមអំពី AI, Deep Learning និងនិន្នាការបច្ចេកវិទ្យាចុងក្រោយបំផុត សូមពិនិត្យមើលអត្ថបទគួរឱ្យចាប់អារម្មណ៍ផ្សេងទៀតរបស់យើង។
សូមផ្ដល់យោបល់