अनुक्रमणिका[लपवा][दाखवा]
आर्टिफिशियल इंटेलिजन्स (AI) च्या परिणामी हे जग बदलू शकते हे आपल्याला माहीत आहे. अर्ध-स्वायत्त प्रणालींमधील सुधारणांच्या संदर्भात, टेस्ला त्यांचा मोठ्या प्रमाणावर वापर करत आहे.
याव्यतिरिक्त, एलोन मस्क यांनी असे प्रतिपादन केले की ते शेवटी इतर क्षेत्रांमध्ये लागू केले जाईल. त्याच्या पूर्ण स्वयं-ड्रायव्हिंग तंत्रज्ञान आणि ऑटोपायलट प्रणालीसाठी,
टेस्ला संगणक दृष्टी वापरते, मशीन शिक्षण, आणि कृत्रिम बुद्धिमत्ता (FSD).
या भागामध्ये, आम्ही टेस्लाला एक टेक फर्म कशामुळे बनवते आणि सेल्फ-ड्रायव्हिंग कार विकसित करण्यासाठी ते एआय, संगणक दृष्टी, मोठा डेटा आणि इतर तंत्रज्ञान कसे वापरते याबद्दल चर्चा करू. चला सुरवात करूया.
टेस्ला ही टेक कंपनी कशी आहे हे आपण प्रथम तपासू.
टेस्ला ही टेक कंपनी का मानली जाते?
टेस्ला लक्षणीय प्रमाणात सॉफ्टवेअर तयार करत आहे. टेस्लाची विशिष्ट इन्फोटेनमेंट प्रणाली, वापरकर्ता इंटरफेस, आणि स्वायत्त ड्रायव्हिंग कार्ये सर्व सॉफ्टवेअरवर आधारित आहेत.
इतर ऑटोमेकर्स आता ओव्हर-द-एअर अपग्रेडसह प्रयोग करू लागले आहेत, टेस्ला अनेक वर्षांपासून ते करत आहे. टेस्ला कर्मचार्यांनी टेस्ला ऑटोमोबाईलसाठी ऑपरेटिंग सिस्टम तयार केले आणि सतत सुधारत आहेत.
टेस्ला सौर पॅनेल, छतावरील सौर टाइल्स, अनेक प्रकारच्या बॅटरी, चार्जिंग स्टेशन, संगणक आणि प्रमुख संगणक घटक (टेस्ला कारसाठी) यासह इतर विविध तांत्रिक उत्पादनांचे उत्पादन देखील करते.
नोकिया आणि ब्लॅकबेरी या दोघांमध्ये सॉफ्टवेअर असले तरी, आयफोनमध्ये दोन्हीचे समतोल संयोजन होते, त्यामुळेच त्याने मोबाइल फोन व्यवसायावर विजय मिळवला आणि आम्ही सध्या आमचे फोन कसे वापरतो ते बदलले.
टेस्ला कार व्यवसायासाठी हेच करत आहे. टेस्ला ही वाहने आहेत, होय (आणि एसयूव्ही आणि लवकरच पिकअप ट्रक, अर्ध ट्रक आणि एटीव्ही). परंतु या वाहनांमध्ये टेस्लाने अंतर्गत तयार केलेले किंवा टेस्लाच्या सिस्टीममध्ये अंतर्भूत केलेले दैनंदिन वापरासाठीचे सॉफ्टवेअर समाविष्ट केले आहे.
तुम्ही पार्क केलेले असताना, Tesla ने TRAX, Caraoke आणि असंख्य गेम (आणि कदाचित ट्रांझिटमध्ये असताना) यासह मनोरंजन पर्याय सादर केले आहेत. सुरक्षा प्रणाली सेंट्री मोड, जी टेस्ला हार्डवेअर आणि सॉफ्टवेअर एकत्र करते, कायद्याच्या अंमलबजावणीला तोडफोडीसारख्या गुन्ह्यांचे निराकरण करण्यात मदत करते. तुमचा स्मार्टफोन तुमच्या Tesla चा किल्ली म्हणून काम करतो.
तुमचा फोन वापरून, तुम्ही तुमच्या टेस्लाला तुमच्याकडे येण्यासाठी कॉल करू शकता. याव्यतिरिक्त, टेस्लाच्या अद्वितीय सेंट्री मोड तंत्रज्ञानामुळे एखादी महत्त्वाची घटना घडल्यास कार तुमच्या फोनला सूचित करेल.
टेस्ला ड्रायव्हर्सच्या वास्तविक ड्रायव्हिंग सवयींवर गोळा केलेला डेटा वापरणार असल्याने (डेटा गोळा करणे हा तंत्रज्ञानाचा एक महत्त्वाचा घटक आहे, विशेषत: जेव्हा ते थेट यासारखे असते आणि बाजार संशोधन सर्वेक्षणांद्वारे केले जात नाही), टेस्लाचा विमा देखील एक विस्तार असेल. तंत्रज्ञानाच्या बाजूने.
टेस्ला ऑटोपायलटसाठी कोणते तंत्रज्ञान वापरते?
ते रोबोट आणि कार यांसारख्या मशीनमध्ये मोठ्या प्रमाणावर स्वायत्तता तयार करतात आणि वापरतात. त्यांचे म्हणणे आहे की एकच पद्धत संपूर्णपणे सर्वसमावेशक उत्तर देऊ शकते स्वायत्त वाहन चालविणे आणि त्यापलीकडे नियोजन आणि दृष्टीसाठी अत्याधुनिक AI वर अवलंबून आहे, अनुमानासाठी प्रभावी हार्डवेअरद्वारे पूरक आहे.
टेस्ला एफएसडी चिप
टेस्ला प्रणाली वर्धित कार्यप्रदर्शन आणि रस्ता सुरक्षेसाठी दोन एआय प्रोसेसरसह येतात. टेस्ला प्रणालीचे उद्दिष्ट त्रुटी-मुक्त ऑपरेशनकडे आहे. बॅकअप पॉवर आणि डेटा इनपुट स्त्रोतांमुळे, एक युनिट खराब झाले तरीही कार चालू राहू शकते.
अनपेक्षित बिघाड झाल्यास अपघात टाळण्यासाठी वाहने चांगल्या प्रकारे तयार आहेत याची खात्री करण्यासाठी टेस्ला ही अतिरिक्त खबरदारी घेते.
नवीन टेस्ला मायक्रोप्रोसेसरपेक्षा प्रति सेकंद जास्त ऑपरेशन्स करू शकणारे एकमेव उपकरण म्हणजे मानवी मेंदू (प्रति सेकंद 1 क्वाड्रिलियन ऑपरेशन्स). ते पूर्वी वापरलेल्या टेस्ला एनव्हीडिया मायक्रोचिपपेक्षा सुमारे २१ पट अधिक शक्तिशाली आहे.
सिलिकॉन कार्यप्रदर्शन-प्रति-वॅट जास्तीत जास्त करताना प्रत्येक लहान वास्तू आणि सूक्ष्म-आर्किटेक्चरल सुधारणा लक्षात घेऊन त्यांचे पूर्ण स्वयं-ड्रायव्हिंग सॉफ्टवेअर सक्षम करण्यासाठी AI अनुमान प्रोसेसर तयार करा.
जरी टेस्ला पूर्णपणे स्वायत्त लोकोमोटिव्हच्या बाजारपेठेत निर्विवादपणे आघाडीवर असले तरी, अत्याधुनिक ऑटोपायलट वाहन विकसित करण्यापासून ते अद्याप लांब आहे.
टेस्ला डोजो चिप
Tesla ने Tesla D1 चे अनावरण केले, BF362/CFP16 मध्ये 8 TFLOPs पॉवर असलेला नवीन प्रोसेसर जो विशेषतः यासाठी तयार करण्यात आला होता. कृत्रिम बुद्धिमत्ता. नुकत्याच झालेल्या एका कार्यक्रमात हा खुलासा झाला टेस्ला एआय दिवसाचे सादरीकरण.
फंक्शनल युनिट्सच्या नेटवर्कला जोडून एक प्रचंड चिप तयार केली जाते ज्याला फंक्शनल युनिट्सचे नेटवर्क म्हणतात, ज्यामध्ये टेस्ला डी1 एकूण 354 प्रशिक्षण नोड जोडते. प्रत्येक फंक्शनल युनिटमध्ये क्वाड-कोर, 64-बिट ISA CPU आहे ज्यामध्ये बेस्पोक, लिंक ट्रॅव्हर्सल, ब्रॉडकास्ट आणि ट्रान्सपोझिशनसाठी विशेष डिझाइन आहे. सुपरस्केलर अंमलबजावणी या CPU (4-वाइड स्केलर आणि 2-वाइड वेक्टर पाइपलाइन) द्वारे वापरली जाते.
हा नवीन टेस्ला सिलिकॉन NVIDIA A100 प्रवेगक मध्ये सापडलेल्या GA100 GPU पेक्षा लहान आहे, ज्याचा आकार 826 मिमी चौरस आहे. हे 7nm प्रक्रिया वापरून तयार केले जाते, एकूण 50,000 दशलक्ष ट्रान्झिस्टर आहेत आणि 645 मिमी चौरस क्षेत्र व्यापलेले आहे.
टेस्लाचा दावा आहे की त्याची डोजो चिप सध्याच्या सिस्टीमपेक्षा चारपट वेगाने संगणक व्हिजन डेटावर प्रक्रिया करेल, ज्यामुळे कंपनीला स्वतःची स्वयं-ड्रायव्हिंग सिस्टम पूर्णपणे स्वयंचलित करता येईल.
तथापि, दोन सर्वात आव्हानात्मक तांत्रिक पराक्रम, म्हणजे टाइल-टू-टाइल इंटरकनेक्ट आणि सॉफ्टवेअर, अद्याप टेस्लाने पूर्ण केलेले नाहीत.
टॉप-ग्रेड नेटवर्किंग स्विचेस कोणत्याही टाइलच्या बाह्य बँडविड्थशी स्पर्धा करू शकत नाहीत. हे करण्यासाठी, टेस्लाने अद्वितीय इंटरकनेक्ट्स तयार केले.
डोजो सिस्टम
उच्च-स्तरीय सॉफ्टवेअर API पासून ते सिलिकॉन फर्मवेअर इंटरफेसवर नियंत्रित करण्यासाठी डोजो सिस्टम तयार करा. आव्हानात्मक परिस्थिती सोडवण्यासाठी अत्याधुनिक उच्च पॉवर वितरण आणि कूलिंग तंत्रज्ञानाचा वापर करा आणि स्केलेबल कंट्रोल लूप आणि मॉनिटरिंग सॉफ्टवेअर तयार करा.
टेस्ला डेटासेंटर्समध्ये वापरण्यासाठी मशीन लर्निंग कंप्यूटची पुढील पिढी विकसित करण्यासाठी त्यांच्या यांत्रिक, थर्मल आणि इलेक्ट्रिकल अभियांत्रिकी संघांचे संपूर्ण कौशल्य वापरा. फक्त निर्बंध तुमची कल्पनाशक्ती आहे.
च्या प्रत्येक घटकासह कार्य करा सिस्टम डिझाइन. एक सार्वजनिक-फेसिंग API विकसित करा जे Dojo कोणालाही प्रवेशयोग्य बनवेल आणि त्यांच्या प्रचंड डेटासेटचा वापर करून प्रशिक्षण वर्कलोड वितरीत करण्यासाठी टेस्ला फ्लीट लर्निंगसह सहयोग करेल.
स्वायत्तता अल्गोरिदम
ऑटोमोबाईल चालविणारे प्रमुख अल्गोरिदम विकसित करण्यासाठी उच्च-विश्वस्त जागतिक मॉडेल तयार करा आणि त्या जागेत मार्गक्रमण करा.
कारच्या सेन्सरमधून ठिकाण आणि वेळेनुसार डेटा एकत्रित करून, एक अल्गोरिदम अचूक आणि विस्तृत ग्राउंड सत्य डेटा प्रदान करू शकतो ज्याचा वापर प्रशिक्षणासाठी केला जाऊ शकतो न्यूरल नेटवर्क या प्रतिनिधित्वांची अपेक्षा करण्यासाठी.
ते अत्याधुनिक पद्धती वापरून मजबूत नियोजन आणि निर्णय घेण्याची प्रणाली तयार करतात जी अनिश्चिततेसह आव्हानात्मक वास्तविक-जगातील परिस्थितींमध्ये कार्य करू शकतात.
संपूर्ण टेस्ला फ्लीटच्या पातळीवर अल्गोरिदमचे विश्लेषण करणे फायदेशीर आहे.
मज्जासंस्था नेटवर्क
अत्याधुनिक संशोधनाचा वापर करून आकलनापासून ते नियंत्रणापर्यंतच्या मुद्द्यांवर डीप न्यूरल नेटवर्कला प्रशिक्षण दिले जाऊ शकते. सिमेंटिक सेगमेंटेशन, ऑब्जेक्ट आयडेंटिफिकेशन आणि मोनोक्युलर डेप्थ अंदाज पूर्ण करण्यासाठी, त्यांचे प्रति-कॅमेरा नेटवर्क कच्च्या चित्रांचे परीक्षण करतात.
त्यांचे बर्ड्स-आय-व्ह्यू नेटवर्क रस्त्याच्या लेआउट, स्थिर पायाभूत सुविधा आणि 3D ऑब्जेक्ट्सचा टॉप-डाउन दृष्टीकोन निर्माण करण्यासाठी सर्व कॅमेर्यातील फुटेज वापरतात.
त्यांच्या नेटवर्कला त्यांच्या सुमारे 1M कारच्या ताफ्यातून सतत डेटा दिला जातो, ज्यामध्ये जगातील सर्वात जटिल आणि विविध परिस्थितींचा समावेश आहे.
ऑटोपायलट न्यूरल नेटवर्कची संपूर्ण रचना तयार करणाऱ्या 48 नेटवर्कना प्रशिक्षण देण्यासाठी 70,000 GPU तास लागतात. प्रत्येक टाइमस्टेपवर, ते एकत्रितपणे 1,000 भिन्न टेन्सर (अंदाज) तयार करतात.
पायाभूत सुविधांचे मूल्यांकन
त्यांनी पायाभूत सुविधा आणि ओपन- आणि क्लोज-लूप हार्डवेअर-इन-द-लूप असेसमेंट टूल्स देखील तयार केले आहेत ज्यामुळे नावीन्यतेचा वेग वाढला आहे, कार्यप्रदर्शन सुधारणांवर नजर ठेवली आहे आणि प्रतिगमन थांबवले आहे.
ते त्यांच्या फ्लीटच्या अनामित वैशिष्ट्यपूर्ण क्लिपचा वापर करतात आणि त्यांना अनेक चाचणी परिस्थितींमध्ये समाविष्ट करतात. स्वयंचलित चाचणी किंवा थेट डीबगिंगसाठी वापरण्यासाठी त्यांच्या ऑटोपायलट प्रोग्रामसाठी अविश्वसनीयपणे जिवंत व्हिज्युअल आणि इतर सेन्सर डेटा तयार करून, त्यांच्या वास्तविक वातावरणाचे अनुकरण करणारे कोड लिहा.
टेस्ला बिग डेटा, आर्टिफिशियल इंटेलिजन्स आणि मशीन लर्निंगचा कसा फायदा घेते?
मोठी माहिती
बिग डेटा टेस्लाद्वारे फक्त समस्या सोडवण्यासाठी वापरला जात नाही; याचा वापर ग्राहक आनंद वाढवण्यासाठी देखील केला जातो. ते त्यांच्या क्लायंटच्या ऑनलाइन समुदायांकडून माहिती घेतात आणि ते त्यांचा पुढील उत्पादन वाढविण्यासाठी वापरतात. या प्रकारचा क्लायंट परस्परसंवाद व्यवसायात ऐकला नाही.
खर्च वाचवण्यासाठी, नवीन बाजारपेठा शोधण्यासाठी, ग्राहकांना कृपया, नवीन उत्पादने तयार करण्यासाठी आणि त्यांची वाहने वाढवण्यासाठी टेस्लाच्या प्रयत्नांना मोठा डेटा समर्थन देतो.
माहितीचा वापर अत्यंत डेटा-सघन नकाशे तयार करण्यासाठी केला जातो जे जोखमीच्या स्थानावरून काहीही दर्शविते जे ड्रायव्हर्सना रस्त्याच्या ठराविक भागावरील वाहतुकीच्या वेगात सरासरी वाढ करण्यासाठी कारवाई करण्यास भाग पाडते.
एज संगणन क्लाउडमध्ये मशीन लर्निंग संपूर्ण ताफ्याला प्रशिक्षण देत असताना, प्रत्येक कारने आत्ता कोणती कारवाई केली पाहिजे हे निर्धारित करते.
याव्यतिरिक्त, निर्णय घेण्याचा तिसरा स्तर आहे, ज्याद्वारे ऑटोमोबाईल्स शेजारच्या टेस्ला वाहनांशी नेटवर्क तयार करण्यासाठी आणि क्षेत्राबद्दलचे ज्ञान सामायिक करण्यासाठी कनेक्ट होऊ शकतात.
हे नेटवर्क कदाचित इतर उत्पादकांनी बनवलेल्या वाहनांशी तसेच ट्रॅफिक कॅमेरे, ग्राउंड-बेस्ड सेन्सर किंवा फोन यांसारख्या इतर सिस्टीमशी देखील संवाद साधतील जिथे स्वायत्त कार सामान्य आहेत.
कृत्रिम बुद्धिमत्ता
स्वत: चालवण्यास सक्षम होण्यासाठी, स्वायत्त कार त्यांच्या सेन्सर्स आणि मशीन व्हिजन कॅमेर्यांकडून डेटाचे सतत मूल्यांकन करतात. त्यानंतर ते या माहितीच्या आधारे निर्णय घेतात.
ते सायकल, पादचारी आणि कार यांच्या हालचाली समजून घेण्यासाठी आणि त्याचा अंदाज घेण्यासाठी AI चा वापर करतात. ते स्प्लिट-सेकंड निर्णय घेऊ शकतात आणि हे ज्ञान वापरून त्यांच्या क्रियाकलापांची त्वरेने योजना करू शकतात.
कार आता ज्या लेनमध्ये आहे त्याच लेनमध्ये राहावी की बदलली पाहिजे? ती आहे तशी चालत राहायची की त्यांच्या समोरून गाडी ओव्हरटेक करायची? गाडीचा वेग कधी कमी किंवा वेग वाढवावा?
कार पूर्णपणे स्वायत्त बनवण्यासाठी, टेस्लाने अल्गोरिदम प्रशिक्षित करण्यासाठी आणि त्याच्या एआय फीड करण्यासाठी आवश्यक डेटा गोळा करणे आवश्यक आहे. अधिक प्रशिक्षण डेटा नेहमीच चांगली कामगिरी करेल आणि टेस्ला या बाबतीत उत्कृष्ट आहे.
टेस्लाला स्पर्धात्मक धार आहे कारण ती आता रस्त्यावर असलेल्या शेकडो हजारो टेस्ला वाहनांमधून त्याचा सर्व डेटा संकलित करते. अंतर्गत आणि बाह्य सेन्सर टेस्लास विविध परिस्थितींमध्ये कसे कार्य करतात यावर टॅब ठेवतात.
याव्यतिरिक्त, ते विविध परिस्थितींवरील त्यांच्या प्रतिक्रिया आणि स्टीयरिंग व्हील किंवा डॅशबोर्डला किती वेळा स्पर्श करतात यासह चालक कसे वागतात याचे निरीक्षण करतात. त्यांच्याकडे अतिशय अत्याधुनिक ट्रॅकिंग सिस्टम आहे.
उदाहरणार्थ, टेस्ला वेळेत एक झटपट रेकॉर्ड करते, डेटा संग्रहामध्ये जोडते आणि नंतर रंगीत फॉर्म वापरते ज्यामुळे न्यूरल नेटवर्क शिकू शकते अशा वातावरणाची अमूर्त प्रतिमा तयार करते.
जेव्हा टेस्ला वाहन कार किंवा सायकल कशी वागेल याबद्दल चुकीची गृहीत धरते तेव्हा हे घडते.
मशीन लर्निंग
अंतर्गत आणि बाह्य सेन्सर्सच्या वापरासह जे नियंत्रणांवर ड्रायव्हरच्या हाताचे स्थान आणि ते कसे चालवले जात आहेत याबद्दल माहिती देखील घेऊ शकतात, टेस्ला मशीन लर्निंग त्याच्या सर्व वाहनांमधून तसेच त्यांच्या काही प्रमुख डेटाचा यशस्वीरित्या क्राउडसोर्स करते. चालक
माहितीचा उपयोग अतिशय डेटा-डेन्स नकाशे तयार करण्यासाठी देखील केला जातो जो रस्त्याच्या एका विशिष्ट लांबीच्या दरम्यान वाहतुकीच्या वेगात सरासरी वाढीपासून धोक्याची उपस्थिती आणि अगदी ड्रायव्हर्सना कारवाई करण्यास तत्परतेपर्यंत सर्वकाही दर्शवितो.
भाग असताना एज कंप्यूटिंग प्रत्येक वैयक्तिक कारवर कारने आत्ता कोणती कारवाई करायची हे ठरवते, टेस्लाचे क्लाउड-आधारित मशीन लर्निंग संपूर्ण ताफ्याला प्रशिक्षण देण्याचे काम करते.
काही स्थानिक अंतर्दृष्टी आणि माहितीची देवाणघेवाण करण्यासाठी, ऑटोमोबाईल्स जवळील काही टेस्ला वाहनांसह नेटवर्क करण्यास सक्षम आहेत.
निष्कर्ष
टेस्ला हा नेहमीच एक असा व्यवसाय आहे जो डेटा संकलन आणि विश्लेषण तयार करतो जे ते जे काही करते त्यासाठी सर्वात शक्तिशाली साधन आहे. त्यांनी त्यांचे CPU डिझाइन करताना कोणताही अपवाद केला नाही.
चा विकास स्वायत्त वाहने आणि कॉर्पोरेशनच्या सांख्यिकीय डेटाच्या विश्लेषणामुळे कृत्रिम बुद्धिमत्ता, डेटा विश्लेषण, बिग डेटा, मशीन लर्निंग, कॉम्प्युटर व्हिजन, न्यूरल नेटवर्क्स, FSD चिप आणि इतर अनेक अल्गोरिदममुळे आम्ही गाडी चालवण्याचा मार्ग पूर्णपणे बदलणे शक्य केले आहे.
प्रत्युत्तर द्या