Innholdsfortegnelse[Gjemme seg][Forestilling]
Verden slik vi kjenner denne kan endre seg som et resultat av kunstig intelligens (AI). Når det gjelder forbedringer i semi-autonome systemer, bruker Tesla dem i stor grad.
I tillegg hevder Elon Musk at det etter hvert vil bli brukt på andre felt. For sin fulle selvkjørende teknologi og autopilotsystem,
Tesla bruker datasyn, maskinlæring, og kunstig intelligens (FSD).
I dette stykket skal vi diskutere hva som gjør Tesla til et teknologiselskap og hvordan det bruker AI, datasyn, big data og andre teknologier for å utvikle selvkjørende biler. La oss begynne.
Vi skal først undersøke hvordan Tesla er et teknologifirma.
Hvorfor har Tesla blitt ansett som et teknologiselskap?
Tesla produserer en betydelig mengde programvare. Teslas karakteristiske infotainmentsystem, brukergrensesnitt, og autonome kjørefunksjoner er alle basert på programvare.
Mens andre bilprodusenter først nå begynner å eksperimentere med luftoppgraderinger, har Tesla gjort det i årevis. Tesla-ansatte opprettet og forbedrer kontinuerlig operativsystemene for Tesla-biler.
Tesla produserer også en rekke andre teknologiske produkter, inkludert solcellepaneler, solcelleplater på taket, flere typer batterier, ladestasjoner, datamaskiner og viktige datamaskinkomponenter (for Tesla-biler).
Selv om både Nokia og Blackberry hadde programvare, hadde iPhone en balansert kombinasjon av begge, og det er grunnen til at den erobret mobiltelefonbransjen og endret hvordan vi bruker telefonene våre for øyeblikket.
Dette er hva Tesla gjør for bilbransjen. Teslaer er kjøretøy, ja (og SUV-er og snart pickup-biler, semi-lastebiler og ATV-er). Men disse kjøretøyene inneholder programvare for daglig bruk som ble laget av Tesla internt eller integrert i Teslas system.
Mens du er parkert, har Tesla introdusert underholdningsvalg inkludert TRAX, Caraoke og en rekke spill (og kanskje en dag mens du er på reise). Sikkerhetssystemet Sentry Mode, som kombinerer Tesla-maskinvare og programvare, har hjulpet politi med å løse forbrytelser som hærverk. Smarttelefonen din fungerer som din Teslas nøkkel.
Ved å bruke telefonen din kan du ringe Teslaen din for å komme til deg. I tillegg vil bilen varsle telefonen din hvis det er en betydelig hendelse takket være Teslas unike Sentry Mode-teknologi.
Siden Tesla vil bruke dataene den har samlet om de faktiske kjørevanene til Tesla-sjåfører (datainnsamling er et nøkkelelement i teknologien, spesielt når det er direkte slik og ikke gjort gjennom markedsundersøkelser), vil Teslas forsikring også være en utvidelse av den tekniske siden.
Hvilken teknologi bruker Tesla for autopilot?
De skaper og bruker autonomi i stor skala i maskiner som roboter og biler. De hevder at den eneste metoden som kan gi et omfattende svar for fullt autonom kjøring og utover er en som er avhengig av banebrytende AI for planlegging og visjon, supplert med effektiv maskinvare for slutninger.
Tesla FSD-brikke
Tesla-systemer kommer med to AI-prosessorer for forbedret ytelse og trafikksikkerhet. Tesla-systemet tar sikte på feilfri drift. På grunn av reservestrøm og datainngangskilder, kan bilen fortsette å kjøre selv om en enhet svikter.
Tesla tar disse ekstra forholdsreglene for å sikre at kjøretøyene er godt forberedt for å forhindre krasj i tilfelle en uventet feil.
Den eneste enheten som kan utføre flere operasjoner per sekund enn den nye Tesla-mikroprosessoren er den menneskelige hjernen (1 kvadrillion operasjoner per sekund). Det er rundt 21 ganger kraftigere enn de tidligere brukte Tesla Nvidia-mikrobrikkene.
Bygg AI-inferensprosessorer for å drive deres Full Self-Driving-programvare, og ta hensyn til hver eneste lille arkitektoniske og mikroarkitektoniske forbedring mens du maksimerer silisiumytelsen per watt.
Selv om Tesla utvilsomt leder markedet for helt autonome lokomotiver, er det fortsatt et stykke unna å utvikle et banebrytende autopilotkjøretøy.
Tesla Dojo Chip
Tesla avduket Tesla D1, en ny prosessor med 362 TFLOPs kraft i BF16/CFP8 som ble laget spesielt for kunstig intelligens. Dette ble avslørt under en nylig Tesla AI Dagspresentasjon.
En enorm brikke skapes ved å koble til et nettverk av funksjonelle enheter kalt et nettverk av funksjonelle enheter, som Tesla D1 legger til totalt 354 treningsnoder. Hver funksjonell enhet har en firekjerner, 64-biters ISA CPU med en skreddersydd, spesialisert design for koblingsgjennomgang, kringkastinger og transposisjoner. Den superskalære implementeringen brukes av denne CPU (4-brede skalarer og 2-brede vektorrørledninger).
Dette nye Tesla-silisiumet er mindre enn GA100 GPU-en som finnes i NVIDIA A100-akseleratoren, som er 826 mm kvadratisk. Den er produsert ved hjelp av en 7nm-prosess, har totalt 50,000 645 millioner transistorer og opptar et XNUMX mm kvadratisk areal.
Tesla hevder at Dojo-brikken deres vil behandle datasynsdata fire ganger raskere enn dagens systemer, noe som gjør det mulig for selskapet å fullt ut automatisere det selvkjørende systemet.
Imidlertid er de to mest utfordrende teknologiske bragdene, nemlig sammenkoblingen mellom fliser og programvare, ennå ikke oppnådd av Tesla.
Toppkvalitets nettverkssvitsjer kan ikke konkurrere med den eksterne båndbredden til noen fliser. For å gjøre dette skapte Tesla unike sammenkoblinger.
Dojo-system
Lag Dojo-systemet, fra høynivå programvare-API-er for å kontrollere det til silisiumfastvaregrensesnittene. Bruk banebrytende teknologier for levering og kjøling med høy effekt for å løse utfordrende situasjoner, og lag skalerbare kontrollsløyfer og overvåkingsprogramvare.
Bruk hele ekspertisen til deres mekaniske, termiske og elektrotekniske team for å utvikle neste generasjon maskinlæringsdatamaskiner for bruk i Teslas datasentre. Den eneste begrensningen er fantasien din.
Arbeid med hver komponent av system design. Utvikle et offentlig-vendt API som vil gjøre Dojo tilgjengelig for alle, og samarbeid med Teslas flåtelæring for å levere treningsbelastninger ved å bruke deres enorme datasett.
Autonomialgoritmer
Lag en høykvalitets verdensmodell og plott bane i det området for å utvikle nøkkelalgoritmene som driver bilen.
Ved å samle data fra bilens sensorer på tvers av sted og tid, kan en algoritme gi presise og omfattende bakkesannhetsdata som kan brukes til å trene nevrale nettverk å forutse disse representasjonene.
De konstruerer et sterkt planleggings- og beslutningssystem ved å bruke banebrytende metoder som kan fungere i utfordrende scenarier i den virkelige verden med usikkerhet.
Å analysere algoritmene på nivå med hele Tesla-flåten er fordelaktig.
Nevrale nettverk
Dype nevrale nettverk kan trenes på spørsmål som spenner fra persepsjon til kontroll ved å bruke banebrytende forskning. For å oppnå semantisk segmentering, objektidentifikasjon og monokulær dybdeestimering, undersøker deres per-kamera-nettverk rå bilder.
Deres fugleperspektiv-nettverk bruker opptak fra alle kameraer for å generere ovenfra-og-ned-perspektivet til veioppsettet, statisk infrastruktur og 3D-objekter.
Nettverkene deres mates kontinuerlig med data fra flåten på rundt 1 million biler, som inkluderer de mest komplekse og varierte omstendighetene i verden.
De 48 nettverkene som utgjør hele konstruksjonen av Autopilot-nevrale nettverk trenger 70,000 1,000 GPU-timer for å trene. Ved hvert tidstrinn produserer de XNUMX forskjellige tensorer (prediksjoner) samlet.
Evaluering av infrastruktur
De har også laget infrastruktur og åpen og lukket sløyfe-hardware-in-the-loop-vurderingsverktøy i stor skala for å fremskynde innovasjonshastigheten, overvåke ytelsesforbedringer og stoppe regresjoner.
De bruker flåtens anonymiserte karakteristiske klipp og inkorporerer dem i mange testscenarier. Skriv kode som simulerer deres faktiske miljø, og genererer utrolig naturtro bilder og andre sensordata for autopilotprogrammet deres til bruk for automatisert testing eller live debugging.
Hvordan utnytter Tesla Big Data, Artificial Intelligence og Machine Learning?
Store data
Big data brukes ikke bare av Tesla for å løse problemer; det brukes også til å øke forbrukernes lykke. De skaffer seg informasjon fra kundenes nettsamfunn, og de bruker den til å forbedre sin påfølgende produksjon. Denne typen kundeinteraksjon er uhørt i virksomheten.
Big data støtter Teslas innsats for å spare kostnader, finne nye markeder, glede forbrukere, lage nye produkter og forbedre kjøretøyene.
Informasjonen brukes til å lage ekstremt datatette kart som viser alt fra plassering av risikoer som tvinger sjåfører til å handle til gjennomsnittlig økning i trafikkhastighet over en bestemt veistrekning.
Edge computing bestemmer hvilken handling hver enkelt bil må ta akkurat nå, mens maskinlæring i skyen håndterer opplæring av hele flåten.
I tillegg er det et tredje nivå for beslutningstaking, der biler kan koble seg til nabo Tesla-kjøretøyer for å bygge nettverk og dele kunnskap om området.
Disse nettverkene vil sannsynligvis også kommunisere med kjøretøy laget av andre produsenter, så vel som andre systemer som trafikkkameraer, bakkebaserte sensorer eller telefoner i en nær fremtidig verden hvor autonome biler er vanlig.
Kunstig intelligens
For å kunne kjøre på egenhånd, evaluerer autonome biler kontinuerlig data fra sine sensorer og maskinsynskameraer. De tar deretter beslutninger basert på denne informasjonen.
De bruker kunstig intelligens for å forstå og forutse bevegelsene til sykler, fotgjengere og biler. De kan foreta brudd på et sekund og raskt planlegge aktivitetene sine ved å bruke denne kunnskapen.
Skal bilen holde seg i det kjørefeltet den står i nå, eller bør den endres? Skal den fortsette som den er eller kjøre forbi bilen foran dem? Når skal bilen bremse eller akselerere?
For å gjøre bilene fullt autonome, må Tesla samle inn de nødvendige dataene for å trene algoritmene og mate sine AI-er. Mer treningsdata vil alltid føre til bedre ytelse, og Tesla utmerker seg i denne forbindelse.
Tesla har et konkurransefortrinn siden den samler inn all data fra de hundretusenvis av Tesla-kjøretøyer som nå er på veien. Interne og eksterne sensorer holder oversikt over hvordan Teslaer fungerer under ulike forhold.
I tillegg observerer de hvordan sjåfører oppfører seg, inkludert deres reaksjoner på ulike situasjoner og hvor ofte de berører rattet eller dashbordet. De har et veldig sofistikert sporingssystem.
For eksempel registrerer Tesla et øyeblikk i tid, legger det til datainnsamlingen, og bruker deretter fargede former for å generere et abstrakt bilde av miljøet som det nevrale nettverket kan lære av.
Dette skjer når et Tesla-kjøretøy gjør en unøyaktig antagelse om hvordan en bil eller sykkel vil oppføre seg.
Maskinlæring
Med bruk av interne og utvendige sensorer som til og med kan fange opp informasjon om førerens håndplassering på kontrollene og hvordan de fortsetter å betjenes, samler Teslas maskinlæring vellykket noen av nøkkeldataene fra alle kjøretøyene sine sjåfører.
Informasjonen brukes også til å lage svært datatette kart som viser alt fra den gjennomsnittlige økningen i trafikkhastighet i løpet av en bestemt veilengde til tilstedeværelsen av farer og til og med ber sjåførene om å iverksette tiltak.
Mens en del av kanten beregning på hver enkelt bil bestemmer hvilken handling bilen må ta akkurat nå, er Teslas skybaserte maskinlæring ansvarlig for opplæring av hele flåten.
For å utveksle noe av den lokale innsikten og informasjonen, er biler i stand til å koble seg sammen med visse andre Tesla-kjøretøyer i nærheten.
konklusjonen
Tesla har alltid vært en virksomhet som produserer datainnsamling og analyse som er det kraftigste verktøyet for hva den gjør. De gjorde ingen unntak mens de designet CPU-ene sine.
Utviklingen av autonome kjøretøyer og analysen av statistiske data fra selskapet har gjort det mulig å fullstendig endre måten vi kjører på takket være kunstig intelligens, dataanalyse, big data, maskinlæring, datasyn, nevrale nettverk, FSD-brikke og mange andre algoritmer.
Legg igjen en kommentar