Innehållsförteckning[Dölj][Visa]
Världen som vi känner denna kan förändras som ett resultat av artificiell intelligens (AI). När det gäller förbättringar i semi-autonoma system använder Tesla dem hårt.
Dessutom hävdar Elon Musk att det så småningom kommer att tillämpas inom andra områden. För sin fullständiga självkörande teknik och autopilotsystem,
Tesla använder datorseende, maskininlärningoch artificiell intelligens (FSD).
I det här stycket kommer vi att diskutera vad som gör Tesla till ett teknikföretag och hur det använder AI, datorseende, big data och andra tekniker för att utveckla självkörande bilar. Låt oss börja.
Vi ska först undersöka hur Tesla är ett teknikföretag.
Varför har Tesla ansetts vara ett teknikföretag?
Tesla producerar en betydande mängd mjukvara. Teslas distinkta infotainmentsystem, användargränssnitt, och autonoma körfunktioner är alla baserade på mjukvara.
Medan andra biltillverkare först nu börjar experimentera med luftuppgraderingar, har Tesla gjort det i flera år. Tesla-anställda skapade och förbättrar kontinuerligt operativsystemen för Tesla-bilar.
Tesla producerar också en mängd andra tekniska produkter, inklusive solpaneler, solpaneler på taket, flera typer av batterier, laddningsstationer, datorer och viktiga datorkomponenter (för Tesla-bilar).
Även om både Nokia och Blackberry hade programvara, hade iPhone en balanserad kombination av båda, vilket är anledningen till att den erövrade mobiltelefonbranschen och förändrade hur vi för närvarande använder våra telefoner.
Detta är vad Tesla gör för bilbranschen. Teslas är fordon, ja (och stadsjeepar och snart pickupbilar, semi-lastbilar och terränghjulingar). Men dessa fordon innehåller mjukvara för dagligt bruk som skapades av Tesla internt eller införlivades i Teslas system.
Medan du är parkerad har Tesla introducerat underhållningsalternativ, inklusive TRAX, Caraoke och många spel (och kanske någon gång under transporten). Säkerhetssystemet Sentry Mode, som kombinerar Teslas hårdvara och mjukvara, har hjälpt brottsbekämpning med att lösa brott som vandalism. Din smartphone fungerar som din Teslas nyckel.
Med din telefon kan du ringa din Tesla för att komma till dig. Dessutom kommer bilen att meddela din telefon om det inträffar en betydande händelse tack vare Teslas unika Sentry Mode-teknik.
Eftersom Tesla kommer att använda den data den har samlat in om Tesla-förares faktiska körvanor (datainsamling är en nyckelkomponent i tekniken, särskilt när det är direkt så här och inte görs genom marknadsundersökningar), kommer Teslas försäkring också att vara en förlängning från den tekniska sidan.
Vilken teknik använder Tesla för autopilot?
De skapar och använder autonomi i stor skala i maskiner som robotar och bilar. De hävdar att den enda metoden som kan ge ett heltäckande svar för fullt autonom körning och bortom är en som förlitar sig på banbrytande AI för planering och vision, kompletterad med effektiv hårdvara för slutledning.
Tesla FSD-chip
Teslas system kommer med två AI-processorer för förbättrad prestanda och trafiksäkerhet. Tesla-systemet syftar till felfri drift. På grund av reservkraften och indatakällorna kan bilen fortsätta att köras även om en enhet inte fungerar.
Tesla vidtar dessa ytterligare försiktighetsåtgärder för att säkerställa att fordonen är väl förberedda för att förhindra krascher i händelse av ett oväntat fel.
Den enda enheten som kan utföra fler operationer per sekund än den nya Tesla-mikroprocessorn är den mänskliga hjärnan (1 kvadriljon operationer per sek). Det är cirka 21 gånger kraftfullare än de tidigare använda Tesla Nvidia-mikrochippen.
Bygg AI-inferensprocessorer för att driva deras Full Self-Driving-programvara, med hänsyn till varje liten arkitektonisk och mikroarkitektonisk förbättring samtidigt som du maximerar kiselprestanda per watt.
Även om Tesla utan tvekan leder marknaden för helt autonoma lokomotiv, är det fortfarande långt ifrån att utveckla ett banbrytande autopilotfordon.
Tesla Dojo Chip
Tesla presenterade Tesla D1, en ny processor med 362 TFLOPs kraft i BF16/CFP8 som skapades speciellt för artificiell intelligens. Detta avslöjades nyligen Tesla AI Dagspresentation.
Ett enormt chip skapas genom att ansluta ett nätverk av funktionella enheter som kallas ett nätverk av funktionella enheter, till vilket Tesla D1 lägger till totalt 354 träningsnoder. Varje funktionell enhet har en fyrkärnig, 64-bitars ISA-processor med en skräddarsydd, specialiserad design för länktraversering, sändningar och transpositioner. Den superskalära implementeringen används av denna CPU (4-wide scalar och 2-wide vector pipelines).
Detta nya Tesla-kisel är mindre än GA100 GPU:n som finns i NVIDIA A100-acceleratorn, som är 826 mm i kvadrat. Den tillverkas med en 7nm-process, har totalt 50,000 645 miljoner transistorer och upptar en XNUMX mm kvadratisk yta.
Tesla hävdar att dess Dojo-chip kommer att bearbeta datasyndata fyra gånger snabbare än nuvarande system, vilket gör det möjligt för företaget att helt automatisera sitt självkörande system.
De två mest utmanande tekniska bedrifterna, nämligen sammankopplingen mellan kakel och mjukvara, har dock ännu inte uppnåtts av Tesla.
Nätverksswitchar av högsta kvalitet kan inte konkurrera med den externa bandbredden för någon bricka. För att göra detta skapade Tesla unika sammankopplingar.
Dojo System
Skapa Dojo-systemet, från mjukvaru-API:erna på hög nivå för att styra det till gränssnitten för kiselfirmware. Använd banbrytande högeffektsleverans- och kylningsteknik för att lösa utmanande situationer och skapa skalbara kontrollslingor och övervakningsprogramvara.
Använd hela expertisen hos deras mekanik-, värme- och elteknikteam för att utveckla nästa generations maskininlärningsberäkningar för användning i Teslas datacenter. Den enda begränsningen är din fantasi.
Arbeta med varje komponent av systemdesign. Utveckla ett API för allmänheten som gör Dojo tillgängligt för alla, och samarbeta med Teslas fleet learning för att leverera träningsbelastningar med hjälp av deras enorma datamängder.
Autonomialgoritmer
Skapa en högtrogen världsmodell och rita en bana i det utrymmet för att utveckla nyckelalgoritmerna som driver bilen.
Genom att aggregera data från bilens sensorer över plats och tid kan en algoritm tillhandahålla exakta och omfattande marksanningsdata som kan användas för att träna neurala nätverk att förutse dessa representationer.
De konstruerar starka planering och beslutsfattande system med hjälp av banbrytande metoder som kan fungera i utmanande verkliga scenarier med osäkerhet.
Att analysera algoritmerna på nivån för hela Tesla-flottan är fördelaktigt.
Neurala nätverk
Djupa neurala nätverk kan tränas i frågor som sträcker sig från perception till kontroll genom att använda spetsforskning. För att åstadkomma semantisk segmentering, objektidentifiering och monokulär djupuppskattning undersöker deras nätverk per kamera råa bilder.
Deras fågelperspektiv-nätverk använder bilder från alla kameror för att generera top-down-perspektivet av väglayouten, statisk infrastruktur och 3D-objekt.
Deras nätverk matas ständigt med data från deras flotta på cirka 1 miljon bilar, vilket inkluderar de mest komplexa och varierande omständigheterna i världen.
De 48 nätverken som utgör hela konstruktionen av autopilotens neurala nätverk behöver 70,000 1,000 GPU-timmar för att träna. Vid varje tidssteg producerar de XNUMX XNUMX olika tensorer (förutsägelser) tillsammans.
Infrastrukturutvärdering
De har också skapat infrastruktur och bedömningsverktyg för öppen och sluten krets av hårdvara i slingan i stor skala för att påskynda innovationshastigheten, övervaka prestandaförbättringar och stoppa regressioner.
De använder sin flottas anonymiserade karaktäristiska klipp och införlivar dem i många testscenarier. Skriv kod som simulerar deras faktiska miljö och genererar otroligt verklighetstrogna bilder och annan sensordata för deras autopilotprogram att använda för automatiserad testning eller live-felsökning.
Hur utnyttjar Tesla Big Data, Artificiell Intelligens och Machine Learning?
Stora data
Big data används inte bara av Tesla för att lösa problem; det används också för att öka konsumenternas lycka. De skaffar information från sina kunders online-communities och de använder den för att förbättra sin efterföljande tillverkning. Den här typen av kundinteraktion är ovanlig i affärer.
Big data stödjer Teslas ansträngningar att spara kostnader, hitta nya marknader, glädja konsumenterna, skapa nya produkter och förbättra sina fordon.
Informationen används för att skapa extremt datatäta kartor som visar allt från placeringen av risker som tvingar förare att vidta åtgärder till den genomsnittliga ökningen av trafikhastigheten över en viss vägsträcka.
Edge computing bestämmer vilken åtgärd varje enskild bil måste vidta just nu, medan maskininlärning i molnet sköter utbildningen av hela flottan.
Dessutom finns det en tredje nivå av beslutsfattande, där bilar kan ansluta till närliggande Tesla-fordon för att bygga nätverk och dela kunskap om området.
Dessa nätverk kommer troligen också att kommunicera med fordon tillverkade av andra tillverkare samt andra system som trafikkameror, markbaserade sensorer eller telefoner i en nära framtidsvärld där autonoma bilar är vardagligt.
Artificiell intelligens
För att kunna köra på egen hand utvärderar autonoma bilar kontinuerligt data från sina sensorer och maskinseendekameror. De fattar sedan beslut baserat på denna information.
De använder AI för att förstå och förutse rörelserna hos cyklar, fotgängare och bilar. De kan göra bedömningar på en del av en sekund och snabbt planera sina aktiviteter med hjälp av denna kunskap.
Ska bilen stanna i den fil den är i nu, eller ska den ändras? Ska den fortsätta som den är eller kör om bilen framför dem? När ska bilen sakta ner eller accelerera?
För att göra bilar helt autonoma måste Tesla samla in nödvändig data för att träna algoritmerna och mata sina AI:er. Mer träningsdata kommer alltid att leda till bättre prestanda, och Tesla utmärker sig i detta avseende.
Tesla har en konkurrensfördel eftersom den samlar in all sin data från de hundratusentals Tesla-fordon som nu är på väg. Interna och externa sensorer håller koll på hur Teslas fungerar under olika förhållanden.
Dessutom observerar de hur förare beter sig, inklusive deras reaktioner på olika situationer och hur ofta de rör vid ratten eller instrumentbrädan. De har ett mycket sofistikerat spårningssystem.
Till exempel registrerar Tesla ett ögonblick i tiden, lägger till det i datainsamlingen och använder sedan färgade former för att skapa en abstrakt bild av miljön från vilken det neurala nätverket kan lära sig.
Detta inträffar när ett Tesla-fordon gör ett felaktigt antagande om hur en bil eller cykel skulle bete sig.
Maskininlärning
Med användningen av interna och exteriöra sensorer som till och med kan fånga upp information om förarens hand på kontrollerna och hur de fortsätter att användas, samlar Teslas maskininlärning fram en del av sina nyckeldata från alla sina fordon såväl som deras förare.
Informationen används också för att skapa mycket datatäta kartor som visar allt från den genomsnittliga ökningen av trafikhastigheten under en viss längd av vägen till förekomsten av faror och till och med uppmana förare att vidta åtgärder.
Medan en del av kanten beräkning på varje enskild bil avgör vilken åtgärd bilen måste vidta just nu, är Teslas molnbaserade maskininlärning ansvarig för att träna hela flottan.
För att utbyta några av de lokala insikterna och informationen kan bilar nätverka med vissa andra Tesla-fordon i närheten.
Slutsats
Tesla har alltid varit ett företag som producerar datainsamling och analys som är det mest kraftfulla verktyget för vad det än gör. De gjorde inga undantag när de designade sina processorer.
Utvecklingen av autonoma fordon och företagets analys av statistiska data har gjort det möjligt att helt förändra vårt sätt att köra på tack vare artificiell intelligens, dataanalys, big data, maskininlärning, datorseende, neurala nätverk, FSD-chip och många andra algoritmer.
Kommentera uppropet