Turinys[Slėpti][Rodyti]
Pasaulis, kaip mes žinome, gali pasikeisti dėl dirbtinio intelekto (DI). Kalbant apie pusiau autonominių sistemų patobulinimus, Tesla jas labai naudoja.
Be to, Elonas Muskas tvirtina, kad galiausiai jis bus pritaikytas ir kitose srityse. Dėl visiškai savarankiško vairavimo technologijos ir autopiloto sistemos,
Tesla naudoja kompiuterinį regėjimą, mašininis mokymasis, ir dirbtinis intelektas (FSD).
Šiame straipsnyje aptarsime, kas daro „Tesla“ technologijų įmone ir kaip ji naudoja dirbtinį intelektą, kompiuterinę viziją, didelius duomenis ir kitas technologijas kurdama savarankiškai važiuojančius automobilius. Pradėkime.
Pirmiausia išnagrinėsime, kaip „Tesla“ yra technologijų įmonė.
Kodėl „Tesla“ buvo laikoma technologijų įmone?
Tesla gamina daug programinės įrangos. Išskirtinė Tesla informacinė ir pramogų sistema, vartotojo sąsajao autonominio vairavimo funkcijos yra pagrįstos programine įranga.
Nors kiti automobilių gamintojai tik dabar pradeda eksperimentuoti su atnaujinimais belaidžiu būdu, Tesla tai daro jau daugelį metų. „Tesla“ darbuotojai kūrė ir nuolat tobulina „Tesla“ automobilių operacines sistemas.
„Tesla“ taip pat gamina įvairius kitus technologinius produktus, įskaitant saulės baterijas, stogo saulės kolektorius, kelių tipų baterijas, įkrovimo stoteles, kompiuterius ir pagrindinius kompiuterių komponentus („Tesla“ automobiliams).
Nors ir „Nokia“, ir „Blackberry“ turėjo programinę įrangą, „iPhone“ turėjo subalansuotą jų derinį, todėl jis užkariavo mobiliųjų telefonų verslą ir pakeitė tai, kaip šiuo metu naudojame savo telefonus.
Štai ką Tesla daro automobilių versle. Teslos yra transporto priemonės, taip (ir visureigiai, o netrukus ir pikapai, sunkvežimiai ir keturračiai). Tačiau šiose transporto priemonėse yra kasdieniniam naudojimui skirta programinė įranga, kurią Tesla sukūrė viduje arba įtraukė į Tesla sistemą.
Kol stovite, Tesla pristatė pramogų pasirinkimą, įskaitant TRAX, Caraoke ir daugybę žaidimų (o galbūt kada nors keliaujant). Apsaugos sistema „Sentry Mode“, jungianti „Tesla“ aparatinę ir programinę įrangą, padėjo teisėsaugai išaiškinti tokius nusikaltimus kaip vandalizmas. Jūsų išmanusis telefonas tarnauja kaip jūsų Tesla raktas.
Naudodami telefoną galite paskambinti Tesla, kad atvyktų pas jus. Be to, dėl unikalios Tesla Sentry Mode technologijos automobilis praneš jūsų telefonui, jei įvyks reikšmingas įvykis.
Kadangi „Tesla“ naudos surinktus duomenis apie tikrus „Tesla“ vairuotojų vairavimo įpročius (duomenų rinkimas yra pagrindinis technologijų elementas, ypač kai tai vyksta tiesiogiai, o ne rinkos tyrimų metu), „Tesla“ draudimas taip pat bus pratęsimas. iš techninės pusės.
Kokią technologiją „Tesla“ naudoja autopilotui?
Jie sukuria ir dideliu mastu naudoja autonomiją tokiose mašinose kaip robotai ir automobiliai. Jie teigia, kad tai vienintelis metodas, galintis pateikti išsamų atsakymą autonominis vairavimas ir ne tik yra tas, kuris remiasi pažangiausiu AI planavimui ir vizijai, kurį papildo veiksminga aparatinė įranga išvadoms daryti.
Tesla FSD lustas
„Tesla“ sistemose yra du AI procesoriai, užtikrinantys didesnį našumą ir saugumą kelyje. „Tesla“ sistema siekia veikti be klaidų. Dėl atsarginės energijos ir duomenų įvesties šaltinių automobilis gali toliau važiuoti net ir sugedus vienam įrenginiui.
„Tesla“ imasi šių papildomų atsargumo priemonių, siekdama užtikrinti, kad transporto priemonės būtų gerai paruoštos ir išvengtų avarijų netikėto gedimo atveju.
Vienintelis įrenginys, galintis atlikti daugiau operacijų per sekundę nei naujasis Tesla mikroprocesorius, yra žmogaus smegenys (1 kvadrilijonas operacijų per sekundę). Tai yra maždaug 21 kartą galingesnis nei anksčiau naudotos Tesla Nvidia mikroschemos.
Sukurkite AI išvadų procesorius, kad jie veiktų visiškai savarankiško valdymo programinėje įrangoje, atsižvelgdami į kiekvieną nedidelį architektūrinį ir mikroarchitektūros patobulinimą ir maksimaliai padidindami silicio našumą vatui.
Nors „Tesla“ neabejotinai pirmauja visiškai autonominių lokomotyvų rinkoje, jai dar toli iki pažangiausios autopiloto transporto priemonės sukūrimo.
Tesla Dojo lustas
Tesla pristatė Tesla D1 – naują procesorių su 362 TFLOP galios BF16/CFP8, kuris buvo sukurtas specialiai dirbtinis intelektas. Tai buvo atskleista neseniai Tesla AI Dienos pristatymas.
Didžiulis lustas sukuriamas sujungiant funkcinių vienetų tinklą, vadinamą funkcinių vienetų tinklu, prie kurio Tesla D1 iš viso prideda 354 mokymo mazgus. Kiekvienas funkcinis blokas turi keturių branduolių, 64 bitų ISA procesorių su specialiai pritaikytu, nuorodų perėjimui, transliavimui ir perkėlimui skirtu dizainu. Šis centrinis procesorius naudoja superskaliarinį įgyvendinimą (4 pločio skaliariniai ir 2 pločių vektoriniai vamzdynai).
Šis naujasis Tesla silicis yra mažesnis nei GA100 GPU, esantis NVIDIA A100 greitintuve, kuris yra 826 mm kvadratinio dydžio. Jis gaminamas naudojant 7 nm procesą, iš viso turi 50,000 645 milijonų tranzistorių ir užima XNUMX mm kvadratinį plotą.
„Tesla“ teigia, kad jos „Dojo“ lustas apdoros kompiuterinio matymo duomenis keturis kartus greičiau nei dabartinės sistemos, todėl įmonė galės visiškai automatizuoti savarankiško vairavimo sistemą.
Tačiau dviejų sudėtingiausių technologinių žygdarbių, būtent sujungimo tarp plytelių ir programinės įrangos, Tesla dar neįvykdė.
Aukščiausios klasės tinklo jungikliai negali konkuruoti su jokios plytelės išoriniu pralaidumu. Siekdama tai padaryti, Tesla sukūrė unikalius tarpusavio ryšius.
Dojo sistema
Sukurkite Dojo sistemą nuo aukšto lygio programinės įrangos API, kad ją valdytumėte, iki silicio programinės įrangos sąsajų. Naudokite pažangiausias didelės galios tiekimo ir aušinimo technologijas, kad išspręstumėte sudėtingas situacijas, ir sukurkite keičiamo dydžio valdymo kilpas bei stebėjimo programinę įrangą.
Pasinaudokite visa savo mechanikos, šiluminės ir elektros inžinierių komandų patirtimi, kad sukurtumėte naujos kartos mašininio mokymosi skaičiavimus, skirtus naudoti Tesla duomenų centruose. Vienintelis apribojimas yra jūsų vaizduotė.
Dirbkite su kiekvienu komponentu sistemos projektavimas. Sukurkite visuomenei skirtą API, kuri padarys „Dojo“ prieinamą visiems, ir bendradarbiaukite su „Tesla“ flotilės mokymo programa, kad atliktumėte mokymo darbo krūvį, naudodami didžiulius duomenų rinkinius.
Autonomijos algoritmai
Sukurkite didelio tikslumo pasaulio modelį ir nubrėžkite trajektoriją toje erdvėje, kad sukurtumėte pagrindinius algoritmus, kuriais valdomas automobilis.
Apibendrindamas duomenis iš automobilio jutiklių pagal vietą ir laiką, algoritmas gali pateikti tikslius ir išsamius pagrindinius tiesos duomenis, kurie gali būti naudojami treniruotėms. neuroniniai tinklai numatyti šias reprezentacijas.
Jie sukuria tvirtą planavimo ir sprendimų priėmimo sistemą, naudodami pažangiausias metodikas, kurios gali veikti sudėtinguose realaus pasaulio scenarijuose su neapibrėžtumu.
Naudinga analizuoti algoritmus viso Tesla parko lygiu.
Neuroniniai tinklai
Naudojant pažangiausius tyrimus, gilieji neuroniniai tinklai gali būti mokomi įvairiais klausimais – nuo suvokimo iki valdymo. Norėdami atlikti semantinį segmentavimą, objektų identifikavimą ir monokulinio gylio įvertinimą, jų tinklai, skirti vienam fotoaparatui, tiria neapdorotas nuotraukas.
Jų tinklai iš paukščio skrydžio naudoja filmuotą medžiagą iš visų kamerų, kad sukurtų kelio išdėstymo iš viršaus į apačią perspektyvą, statinę infrastruktūrą ir 3D objektus.
Jų tinklai nuolat tiekiami iš maždaug 1 mln. automobilių parko, kuris apima sudėtingiausias ir įvairiausias aplinkybes pasaulyje.
48 tinklams, kurie sudaro visą „Autopilot“ neuroninių tinklų konstrukciją, treniruoti reikia 70,000 1,000 GPU valandų. Kiekvienu laiko žingsniu jie kartu sukuria XNUMX skirtingų tenzorių (prognozių).
Infrastruktūros įvertinimas
Jie taip pat sukūrė infrastruktūrą ir atvirojo bei uždarojo ciklo techninės įrangos vertinimo įrankius, kad pagreitintų naujovių diegimą, stebėtų našumo patobulinimus ir sustabdytų regresijas.
Jie naudoja savo parko anoniminius būdingus klipus ir įtraukia juos į daugelį bandymų scenarijų. Rašykite kodą, imituojantį jų tikrąją aplinką, generuodami neįtikėtinai tikroviškus vaizdus ir kitus jutiklių duomenis, skirtus jų programai „Autopilot“, kad būtų galima atlikti automatinį testavimą arba tiesioginį derinimą.
Kaip „Tesla“ naudoja didžiuosius duomenis, dirbtinį intelektą ir mašininį mokymąsi?
Dideliu duomenų kiekiu
Didžiuosius duomenis Tesla naudoja ne tik problemoms spręsti; jis taip pat naudojamas vartotojų laimei didinti. Jie gauna informaciją iš savo klientų internetinių bendruomenių ir naudoja ją tolesnei gamybai tobulinti. Tokio tipo klientų sąveika yra negirdėta versle.
Dideli duomenys palaiko Tesla pastangas taupyti išlaidas, rasti naujų rinkų, įtikti vartotojams, kurti naujus produktus ir tobulinti savo transporto priemones.
Informacija naudojama kuriant itin daug duomenų turinčius žemėlapius, kuriuose rodoma viskas – nuo rizikos, verčiančios vairuotojus imtis veiksmų, vietos iki vidutinio eismo greičio padidėjimo tam tikroje kelio atkarpoje.
Krašto skaičiavimas nustato, kokių veiksmų dabar turi imtis kiekvienas atskiras automobilis, o mašininis mokymasis debesyje apmoko visą automobilių parką.
Be to, yra trečiasis sprendimų priėmimo lygis, pagal kurį automobiliai gali prisijungti prie kaimyninių „Tesla“ transporto priemonių, kad sukurtų tinklus ir dalintųsi žiniomis apie vietovę.
Šie tinklai tikriausiai taip pat bendraus su kitų gamintojų transporto priemonėmis, taip pat su kitomis sistemomis, tokiomis kaip eismo kameros, antžeminiai jutikliai ar telefonai netolimoje ateityje, kur autonominiai automobiliai yra įprasti.
Dirbtinis intelektas
Kad galėtų važiuoti savarankiškai, autonominiai automobiliai nuolat vertina savo jutiklių ir mašininio vaizdo kamerų duomenis. Tada jie priima sprendimus, remdamiesi šia informacija.
Jie naudoja dirbtinį intelektą, kad suprastų ir numatytų dviračių, pėsčiųjų ir automobilių judėjimą. Remdamiesi šiomis žiniomis, jie gali priimti sprendimus per sekundės dalį ir greitai planuoti savo veiklą.
Ar automobilis turi likti toje juostoje, kurioje yra dabar, ar pakeisti? Ar jis turėtų važiuoti taip, kaip yra, ar aplenkti priešais važiuojantį automobilį? Kada automobilis turėtų sulėtinti ar įsibėgėti?
Kad automobiliai būtų visiškai autonomiški, „Tesla“ turi rinkti reikiamus duomenis, kad galėtų išmokyti algoritmus ir maitinti savo AI. Daugiau treniruočių duomenų visada pagerins našumą, o „Tesla“ šiuo atžvilgiu išsiskiria.
„Tesla“ turi konkurencinį pranašumą, nes renka visus savo duomenis iš šimtų tūkstančių dabar važinėjančių „Tesla“ transporto priemonių. Vidiniai ir išoriniai jutikliai stebi, kaip „Teslas“ veikia įvairiomis sąlygomis.
Be to, jie stebi, kaip elgiasi vairuotojai, įskaitant jų reakciją į įvairias situacijas ir kaip dažnai jie liečia vairą ar prietaisų skydelį. Jie turi labai sudėtingą sekimo sistemą.
Pavyzdžiui, „Tesla“ įrašo akimirką, prideda jį prie duomenų rinkinio ir tada naudoja spalvotas formas, kad sukurtų abstraktų aplinkos, iš kurios neuroninis tinklas gali mokytis, vaizdą.
Taip nutinka, kai Tesla transporto priemonė daro netikslią prielaidą, kaip elgsis automobilis ar dviratis.
Mašininis mokymasis
Naudodama vidinius ir išorinius jutiklius, kurie netgi gali atpažinti informaciją apie vairuotojo rankos vietą ant valdiklių ir kaip jie toliau valdomi, Tesla mašininis mokymasis sėkmingai sutelkia kai kuriuos svarbiausius duomenis iš visų savo transporto priemonių ir jų vairuotojai.
Informacija taip pat naudojama kuriant labai daug duomenų turinčius žemėlapius, kuriuose rodoma viskas – nuo vidutinio eismo greičio padidėjimo tam tikro kelio ilgio metu iki pavojų ir netgi skatinančių vairuotojus imtis veiksmų.
Nors dalis kraštinių skaičiavimų Kiekviename atskirame automobilyje nustatoma, kokių veiksmų automobilis turi imtis dabar, Tesla debesies pagrindu sukurtas mašininis mokymasis yra atsakingas už viso transporto parko mokymą.
Siekdami pasikeisti vietinėmis įžvalgomis ir informacija, automobiliai gali prisijungti prie tam tikrų kitų netoliese esančių „Tesla“ transporto priemonių.
Išvada
„Tesla“ visada buvo verslas, renkantis ir analizuojantis duomenis, o tai yra galingiausias įrankis bet kokiai veiklai. Kurdami savo procesorius jie nepadarė išimčių.
Plėtros autonominės transporto priemonės ir korporacijos atlikta statistinių duomenų analizė leido visiškai pakeisti mūsų vairavimo būdą dėl dirbtinio intelekto, duomenų analizės, didelių duomenų, mašininio mokymosi, kompiuterinio matymo, neuroninių tinklų, FSD lusto ir daugelio kitų algoritmų.
Palikti atsakymą