Talaan ng nilalaman[Tago][Ipakita]
Ang mundo tulad ng alam natin ay maaaring magbago bilang resulta ng artificial intelligence (AI). Sa pagsasaalang-alang sa mga pagpapabuti sa mga semi-autonomous system, labis na ginagamit ng Tesla ang mga ito.
Bilang karagdagan, iginiit ni Elon Musk na sa kalaunan ay mailalapat ito sa ibang mga larangan. Para sa Full Self-Driving na teknolohiya at Autopilot system,
Gumagamit si Tesla ng computer vision, machine learning, at artificial intelligence (FSD).
Sa bahaging ito, tatalakayin natin kung bakit ang Tesla ay isang tech firm at kung paano ito gumagamit ng AI, computer vision, malaking data, at iba pang mga teknolohiya upang bumuo ng mga self-driving na kotse. Magsimula tayo.
Susuriin muna natin kung paano ang Tesla ay isang tech firm.
Bakit itinuturing na isang tech na kumpanya ang Tesla?
Tesla ay gumagawa ng malaking halaga ng software. Ang natatanging sistema ng infotainment ng Tesla, user interface, at ang mga autonomous na function sa pagmamaneho ay nakabatay lahat sa software.
Habang ang iba pang mga automaker ay nagsisimula pa lamang na mag-eksperimento sa mga over-the-air na pag-upgrade, ginagawa ito ni Tesla sa loob ng maraming taon. Ang mga empleyado ng Tesla ay nilikha at patuloy na pinapabuti ang mga operating system para sa mga sasakyan ng Tesla.
Gumagawa din ang Tesla ng iba't ibang mga teknolohikal na produkto, kabilang ang mga solar panel, rooftop solar tile, ilang uri ng baterya, charging station, computer, at pangunahing bahagi ng computer (para sa mga sasakyan ng Tesla).
Bagama't parehong may software ang Nokia at Blackberry, ang iPhone ay may balanseng kumbinasyon ng pareho, kaya naman nasakop nito ang negosyo ng mobile phone at binago kung paano namin kasalukuyang ginagamit ang aming mga telepono.
Ito ang ginagawa ni Tesla para sa negosyo ng kotse. Ang mga Tesla ay mga sasakyan, oo (at mga SUV at sa lalong madaling panahon mga pickup truck, semi-truck, at ATV). Ngunit ang mga sasakyang ito ay nagsasama ng software para sa pang-araw-araw na paggamit na nilikha ng Tesla sa loob o isinama sa sistema ng Tesla.
Habang nakaparada ka, ipinakilala ni Tesla ang mga pagpipilian sa entertainment kabilang ang TRAX, Caraoke, at maraming laro (at maaaring balang araw habang nasa transit). Ang Security System Sentry Mode, na pinagsasama ang Tesla hardware at software, ay tumulong sa pagpapatupad ng batas sa paglutas ng mga krimen tulad ng vandalism. Ang iyong smartphone ay nagsisilbing susi ng iyong Tesla.
Gamit ang iyong telepono, maaari mong tawagan ang iyong Tesla para pumunta sa iyo. Bukod pa rito, aabisuhan ng kotse ang iyong telepono kung mayroong makabuluhang kaganapan salamat sa natatanging teknolohiya ng Sentry Mode ng Tesla.
Dahil gagamitin ni Tesla ang data na nakalap nito sa aktwal na mga gawi sa pagmamaneho ng mga driver ng Tesla (ang pangangalap ng data ay isang mahalagang elemento ng tech, lalo na kapag ito ay direktang tulad nito at hindi ginawa sa pamamagitan ng mga survey sa pananaliksik sa merkado), ang insurance ng Tesla ay magiging isang extension din. ng tech side.
Anong teknolohiya ang ginagamit ni Tesla para sa Autopilot?
Lumilikha at gumagamit sila ng awtonomiya sa malaking sukat sa mga makina tulad ng mga robot at kotse. Ipinagtanggol nila na ang tanging paraan na maaaring magbigay ng komprehensibong sagot para sa ganap autonomous na pagmamaneho at higit pa ay isa na umaasa sa makabagong AI para sa pagpaplano at pangitain, na kinukumpleto ng epektibong hardware para sa hinuha.
Tesla FSD Chip
Ang mga Tesla system ay may dalawang AI processor para sa pinahusay na performance at kaligtasan sa kalsada. Ang Tesla system ay naglalayon sa walang error na operasyon. Dahil sa backup na power at data input sources, ang kotse ay maaaring magpatuloy sa pagtakbo kahit na ang isang unit ay hindi gumagana.
Ginagawa ni Tesla ang mga karagdagang pag-iingat na ito upang matiyak na ang mga sasakyan ay nakahanda nang husto upang maiwasan ang mga pag-crash kung sakaling magkaroon ng hindi inaasahang pagkabigo.
Ang tanging device na makakapagsagawa ng mas maraming operasyon kada segundo kaysa sa bagong Tesla microprocessor ay ang utak ng tao (1 quadrillion operations per sec). Iyon ay humigit-kumulang 21 beses na mas malakas kaysa sa dating ginamit na Tesla Nvidia microchips.
Bumuo ng mga processor ng inference ng AI upang paganahin ang kanilang Full Self-Driving software, na isinasaalang-alang ang bawat maliit na pagpapahusay ng arkitektura at micro-architectural habang pina-maximize ang performance-per-watt ng silicon.
Bagama't walang alinlangan na nangunguna si Tesla sa merkado para sa ganap na autonomous na mga lokomotibo, malayo pa ito mula sa pagbuo ng isang cutting-edge na autopilot na sasakyan.
Tesla Dojo Chip
Inihayag ni Tesla ang Tesla D1, isang bagong processor na may 362 TFLOP na kapangyarihan sa BF16/CFP8 na nilikha partikular para sa artificial intelligence. Ito ay isiniwalat sa isang kamakailang Tesla AI Araw na pagtatanghal.
Ang isang malaking chip ay nilikha sa pamamagitan ng pagkonekta ng isang network ng mga functional unit na tinatawag na isang network ng mga functional unit, kung saan ang Tesla D1 ay nagdaragdag ng kabuuang 354 na mga node sa pagsasanay. Ang bawat functional unit ay may quad-core, 64-bit ISA CPU na may pasadya, espesyal na disenyo para sa link traversal, broadcast, at transposition. Ang superscalar na pagpapatupad ay ginagamit ng CPU na ito (4-wide scalar at 2-wide vector pipelines).
Ang bagong Tesla silicon na ito ay mas maliit kaysa sa GA100 GPU na makikita sa NVIDIA A100 accelerator, na 826 mm square ang laki. Ginagawa ito gamit ang isang 7nm na proseso, mayroong 50,000 milyong transistor sa pangkalahatan, at sumasakop sa isang 645 mm square area.
Sinasabi ng Tesla na ang Dojo chip nito ay magpoproseso ng data ng computer vision nang apat na beses na mas mabilis kaysa sa mga kasalukuyang system, na magbibigay-daan sa kumpanya na ganap na i-automate ang self-driving system nito.
Gayunpaman, ang dalawang pinaka-mapaghamong teknolohikal na tagumpay, katulad ng tile-to-tile interconnect at software, ay hindi pa nagagawa ng Tesla.
Ang mga top-grade networking switch ay hindi maaaring makipagkumpitensya sa panlabas na bandwidth ng anumang tile. Upang magawa ito, lumikha si Tesla ng mga natatanging interconnect.
Sistema ng Dojo
Lumikha ng Dojo system, mula sa mga mataas na antas ng software API upang kontrolin ito hanggang sa mga interface ng silicon firmware. Gumamit ng makabagong high-power na paghahatid at mga teknolohiya sa pagpapalamig upang malutas ang mga mapaghamong sitwasyon, at lumikha ng mga scalable na control loop at monitoring software.
Gamitin ang buong kadalubhasaan ng kanilang mga mechanical, thermal, at electrical engineering team para bumuo ng susunod na henerasyon ng machine learning compute para magamit sa mga Tesla datacenter. Ang tanging paghihigpit ay ang iyong imahinasyon.
Makipagtulungan sa bawat bahagi ng disenyo ng sistema. Bumuo ng API na nakaharap sa publiko na gagawing naa-access ng sinuman ang Dojo, at makipagtulungan sa pag-aaral ng fleet ng Tesla upang maghatid ng mga workload ng pagsasanay gamit ang kanilang napakalaking dataset.
Autonomy Algorithm
Gumawa ng isang high-fidelity na modelo ng mundo at i-plot ang trajectory sa espasyong iyon para bumuo ng mga pangunahing algorithm na nagpapatakbo ng sasakyan.
Sa pamamagitan ng pagsasama-sama ng data mula sa mga sensor ng kotse sa buong lugar at oras, ang isang algorithm ay makakapagbigay ng tumpak at malawak na ground truth data na magagamit para sanayin neural network upang mahulaan ang mga representasyong ito.
Bumubuo sila ng malakas na pagpaplano at sistema ng paggawa ng desisyon gamit ang mga cutting-edge na pamamaraan na maaaring gumana sa mga mapaghamong sitwasyon sa totoong mundo nang walang katiyakan.
Ang pagsusuri sa mga algorithm sa antas ng buong Tesla fleet ay kapaki-pakinabang.
Mga Neural Network
Ang mga malalim na neural network ay maaaring sanayin sa mga isyu mula sa perception hanggang sa kontrol sa pamamagitan ng paggamit ng makabagong pananaliksik. Para magawa ang semantic segmentation, object identification, at monocular depth estimation, sinusuri ng kanilang per-camera network ang mga raw na larawan.
Gumagamit ang kanilang bird's-eye-view network ng footage mula sa lahat ng camera para makabuo ng top-down na pananaw ng layout ng kalsada, static na imprastraktura, at mga 3D na bagay.
Ang kanilang mga network ay patuloy na pinapakain ng data mula sa kanilang fleet na humigit-kumulang 1M na mga kotse, na kinabibilangan ng mga pinakakumplikado at iba't ibang mga pangyayari sa mundo.
Ang 48 network na bumubuo sa buong construct ng Autopilot neural network ay nangangailangan ng 70,000 GPU na oras para sanayin. Sa bawat timestep, gumagawa sila ng 1,000 iba't ibang tensor (mga hula) nang sama-sama.
Pagsusuri sa Imprastraktura
Gumawa rin sila ng imprastraktura at open- at closed-loop na hardware-in-the-loop na mga tool sa pagtatasa sa sukat upang mapabilis ang bilis ng pagbabago, subaybayan ang mga pagpapahusay ng pagganap, at ihinto ang mga regression.
Ginagamit nila ang hindi nakikilalang mga clip ng kanilang fleet at isinasama ang mga ito sa maraming mga senaryo ng pagsubok. Sumulat ng code na ginagaya ang kanilang aktwal na kapaligiran, na bumubuo ng mga hindi kapani-paniwalang parang buhay na visual at iba pang data ng sensor para sa kanilang Autopilot program na gagamitin para sa awtomatikong pagsubok o live na pag-debug.
Paano ginagamit ng Tesla ang Big Data, Artificial Intelligence at Machine Learning?
Big Data
Ang malaking data ay hindi lamang ginagamit ng Tesla upang matugunan ang mga isyu; ginagamit din ito upang itaas ang kaligayahan ng mamimili. Nakakakuha sila ng impormasyon mula sa mga online na komunidad ng kanilang mga kliyente, at ginagamit nila ito upang mapahusay ang kanilang kasunod na pagmamanupaktura. Ang ganitong uri ng pakikipag-ugnayan ng kliyente ay hindi naririnig sa negosyo.
Sinusuportahan ng malaking data ang mga pagsisikap ni Tesla na makatipid ng mga gastos, maghanap ng mga bagong merkado, pasayahin ang mga mamimili, lumikha ng mga bagong produkto, at pagandahin ang mga sasakyan nito.
Ginagamit ang impormasyon upang lumikha ng mga mapa na napakakapal ng data na nagpapakita ng anumang bagay mula sa lokasyon ng mga panganib na pumipilit sa mga driver na kumilos sa average na pagtaas ng bilis ng trapiko sa isang partikular na kahabaan ng kalsada.
Edge computing tinutukoy kung anong aksyon ang dapat gawin ng bawat indibidwal na sasakyan ngayon, habang pinangangasiwaan ng machine learning sa cloud ang pagsasanay sa buong fleet.
Bukod pa rito, mayroong ikatlong antas ng paggawa ng desisyon, kung saan maaaring kumonekta ang mga sasakyan sa mga karatig na sasakyan ng Tesla upang bumuo ng mga network at magbahagi ng kaalaman tungkol sa lugar.
Malamang na makikipag-ugnayan din ang mga network na ito sa mga sasakyang ginawa ng iba pang mga manufacturer pati na rin sa iba pang mga system tulad ng mga traffic camera, ground-based na sensor, o mga telepono sa isang malapit na hinaharap na mundo kung saan ang mga autonomous na sasakyan ay karaniwan.
Artipisyal na Talino
Upang makapagmaneho nang mag-isa, patuloy na sinusuri ng mga autonomous na sasakyan ang data mula sa kanilang mga sensor at machine vision camera. Pagkatapos ay gagawa sila ng mga desisyon batay sa impormasyong ito.
Gumagamit sila ng AI para maunawaan at mahulaan ang mga galaw ng mga bisikleta, pedestrian, at mga sasakyan. Maaari silang gumawa ng mga split-second na paghuhusga at mabilis na magplano ng kanilang mga aktibidad gamit ang kaalamang ito.
Dapat bang manatili ang kotse sa lane na kinaroroonan nito ngayon, o dapat ba itong magbago? Dapat ba itong magpatuloy sa kung ano ito o mag-overtake sa kotse sa harap nila? Kailan dapat bumagal o bumilis ang sasakyan?
Upang gawing ganap na autonomous ang mga kotse, dapat kolektahin ng Tesla ang kinakailangang data upang sanayin ang mga algorithm at pakainin ang mga AI nito. Ang mas maraming data ng pagsasanay ay palaging hahantong sa mas mahusay na pagganap, at ang Tesla ay nangunguna sa bagay na ito.
May competitive edge si Tesla dahil kinokolekta nito ang lahat ng data nito mula sa daan-daang libong Tesla na sasakyan na nasa kalsada na ngayon. Ang mga panloob at panlabas na sensor ay nagbabantay sa kung paano gumagana ang Teslas sa ilalim ng iba't ibang kundisyon.
Bukod pa rito, inoobserbahan nila kung paano kumilos ang mga driver, kabilang ang kanilang mga reaksyon sa iba't ibang sitwasyon at kung gaano kadalas nila hinawakan ang manibela o dashboard. Mayroon silang napaka sopistikadong sistema ng pagsubaybay.
Halimbawa, nagre-record si Tesla ng isang instant sa oras, idinaragdag ito sa koleksyon ng data, at pagkatapos ay gumagamit ng mga kulay na form upang bumuo ng abstract na imahe ng kapaligiran kung saan maaaring matuto ang neural network.
Nangyayari ito kapag ang isang sasakyan ng Tesla ay gumawa ng hindi tumpak na palagay tungkol sa kung paano kumilos ang isang kotse o bisikleta.
Pag-aaral ng Machine
Sa paggamit ng mga panloob at panlabas na sensor na maaaring kumuha ng impormasyon tungkol sa lokasyon ng kamay ng isang driver sa mga kontrol at kung paano sila patuloy na pinapatakbo, matagumpay na na-crowdsource ng Tesla machine learning ang ilan sa mga pangunahing data nito mula sa lahat ng mga sasakyan nito pati na rin ang kanilang mga driver.
Ang impormasyon ay ginagamit din upang lumikha ng napaka-data-dense na mga mapa na nagpapakita ng lahat mula sa average na pagtaas ng bilis ng trapiko sa kabuuan ng isang partikular na haba ng kalsada hanggang sa pagkakaroon ng mga panganib at maging ang pag-udyok sa mga driver na kumilos.
Habang bahagi ng gilid ng computing sa bawat indibidwal na kotse ay tumutukoy kung anong aksyon ang dapat gawin ng kotse sa ngayon, ang cloud-based na machine learning ng Tesla ay namamahala sa pagsasanay sa buong fleet.
Upang makipagpalitan ng ilan sa mga lokal na insight at impormasyon, nagagawa ng mga sasakyan na makipag-network sa ilang iba pang mga sasakyang Tesla sa malapit.
Konklusyon
Ang Tesla ay palaging isang negosyo na gumagawa ng pagkolekta at pagsusuri ng data na pinakamakapangyarihang tool para sa anumang ginagawa nito. Wala silang ginawang eksepsiyon habang nagdidisenyo ng kanilang mga CPU.
Ang pagpapaunlad ng mga autonomous na sasakyan at ang pagsusuri ng istatistikal na data ng korporasyon ay naging posible na ganap na baguhin ang paraan ng pagmamaneho namin salamat sa artificial intelligence, data analysis, big data, machine learning, computer vision, neural Networks, FSD chip, at marami pang ibang algorithm.
Mag-iwan ng Sagot