Hotline usługi
Felietonista
Felietonista
Kluczowe punkty interpretacji rozwiązania autonomicznej jazdy FSD Tesli
2024-05-15
2252
Wizyta Elona Muska w Pekinie: przełamanie lodów z FSD China
Krótko po wizycie Muska w Pekinie Chińskie Stowarzyszenie Producentów Samochodów i Krajowe Centrum Koordynacji Reagowania Kryzysowego Sieci Komputerowej wydały zawiadomienie w sprawie testowania czterech wymagań bezpieczeństwa dotyczących przetwarzania danych samochodowych. Tesla, jako przedsiębiorstwo finansowane z zagranicy, jako jedna z pierwszych firm samochodowych spełniła wszystkie cztery wymagania. W FSD V12 Tesla wprowadziła znaczące ulepszenia w algorytmach nawigacji i planowania tras. Nowa wersja systemu nawigacji potrafi inteligentnie planować trasy jazdy, biorąc pod uwagę różne czynniki, takie jak warunki na drodze, zmiany dróg i preferencje kierowcy. Dodatkowo nowa wersja FSD ma lepsze możliwości analizy ruchu w czasie rzeczywistym, co pozwala na dostosowywanie tras w oparciu o rzeczywiste warunki, zapewniając płynniejszą jazdę. Chociaż chińskie firmy samochodowe pozostają w tyle pod względem technologii pojazdów autonomicznych, mają przewagę w zakresie ekologii i łańcuchów dostaw. Oczekuje się, że wraz z rozwojem infrastruktury inteligentnego transportu będą integrować bardziej konkurencyjne produkty.
Dzięki kompleksowej technologii jazdy autonomicznej osiągniętej przez FSD V12, Tesla musi jedynie korzystać z dużej ilości lokalnych danych dotyczących jazdy, aby wytrenować inteligentne modele jazdy, zapewniając doskonałe wrażenia z jazdy. Co więcej, znacząco ograniczając użycie kodu opartego na regułach, Tesla nie musi tworzyć w Chinach zespołu tysięcy inżynierów algorytmów inteligentnej jazdy. Dysponując jedynie lokalnym zespołem operacyjnym składającym się z około 20 osób i zespołem zajmującym się etykietowaniem danych składającym się z setek osób, Tesla może zapewnić sprawne lądowanie i działanie FSD na rynku chińskim.
16 maja 2023 r., po przemówieniu na dorocznym zgromadzeniu akcjonariuszy Tesli, Musk udzielił wywiadu CNBC, znanym amerykańskim mediom finansowym.
Omawiając możliwości sztucznej inteligencji Tesli, Musk powiedział, że Tesla znacznie wyprzedza sztuczną inteligencję w świecie rzeczywistym i można powiedzieć, że jest bezkonkurencyjna. Następnie odniósł się do pytania gospodarza dotyczącego ChatGPT i generatywnej sztucznej inteligencji:
„Myślę, że Tesla również będzie miała „moment ChatGPT”, jeśli nie w tym roku, to nie sądzę, że stanie się to później niż w przyszłym. Oznacza to, że pewnego dnia nagle 3 miliony pojazdów Tesli będzie mogło samodzielnie prowadzić… potem będzie 5 milionów, potem 10 milionów...
Jeśli zamienimy się stanowiskami, a Tesla zbuduje model językowy, który daje wyniki nie gorsze niż ChatGPT, a Microsoft i OpenAI pracują nad autonomiczną jazdą, jeśli zamienimy się zadaniami, nie ma wątpliwości, że wygramy.
FSD to kompleksowe oprogramowanie do jazdy autonomicznej i architektura sprzętowa
Architektura FSD: Kompleksowa, kompleksowa platforma oprogramowania i sprzętu do autonomicznej jazdy jest zbudowana na różnych poziomach, w tym danych, algorytmów i mocy obliczeniowej, obejmując percepcję, planowanie i wykonanie.
Planowanie: zasadniczo rozwiązuje problemy związane z planowaniem ścieżek wielu obiektów, zarządzając trajektoriami zarówno dla siebie, jak i wszystkich obiektów, aby poprowadzić pojazd w wykonaniu odpowiednich działań wykonawczych.
Sieci neuronowe: analizuj dane wejściowe, takie jak strumienie wideo, aby uzyskać wyjściowe stany kinematyczne (pozycja/prędkość/przyspieszenie/chropowatość) sterujące pojazdem.
Dane szkoleniowe: wykorzystuje najnowocześniejszą technologię automatycznych adnotacji 4D, ulepszoną symulację i zasoby przetwarzania w chmurze, tworząc system danych w zamkniętej pętli.
Infrastruktura szkoleniowa: obejmuje procesor, procesor graficzny, akceleratory sieci neuronowej i kompilator AI. Kompilator AI obsługuje nowe operacje wymagane przez sieci neuronowe, odwzorowując je na optymalne podstawowe zasoby sprzętowe.
Kompilacja i wnioskowanie AI: adresy sieci neuronowych działających na komputerach. Obecny silnik wnioskowania może przydzielić wykonanie pojedynczej sieci neuronowej dwóm niezależnym systemom chipów, co przypomina połączenie dwóch oddzielnych komputerów w ramach tego samego komputera autonomicznego pojazdu.
W porównaniu z rozwiązaniami modułowymi, takimi jak modele eksperckie i modele hybrydowe, kompleksowe rozwiązania w zakresie jazdy autonomicznej integrują percepcję, planowanie i kontrolę, usuwając kod oparty na regułach z każdego modułu. Informacje zebrane z wielu czujników są bezpośrednio wprowadzane do złożonych, wielkoskalowych sieci neuronowych, które po obliczeniach mogą bezpośrednio wysyłać polecenia sterujące prowadzeniem pojazdu, tworząc kompleksowy system. Najważniejszą zaletą jest zmniejszenie polegania na mapach o wysokiej precyzji i redukcja kosztów na etapach pośrednich; model ma wysoką górną granicę i może osiągnąć przybliżone globalne rozwiązania optymalne. Wady obejmują wolniejsze początkowe uczenie się modelu, wymaganie ogromnych danych szkoleniowych, aby model mógł się wyłonić i osiągnąć szybki postęp, mniej wyjaśnień dla prostych scenariuszy w porównaniu z architekturami modułowymi, wysoką barierę wejścia ze względu na niski poziom modelu; słaba interpretowalność „czarnej skrzynki” pośrodku, co może skutkować bardziej niewytłumaczalnymi zachowaniami decyzyjnymi niż w przypadku modeli eksperckich.
„Tryb cienia” Tesli zapewnia również kluczowe wsparcie dla postępu FSD.
Zbierając różne dane dotyczące jazdy podczas procesów prowadzenia pojazdu, Tesla może uzyskać wysokiej jakości dane dotyczące sytuacji narożnych, stale optymalizując wydajność FSD. Dane te są przechowywane w centrum danych Tesli, a po analizie i przetworzeniu przez silnik danych można je wykorzystać jako materiały szkoleniowe dla systemu, jeszcze bardziej poprawiając dokładność i niezawodność FSD.
HW4.0 ma większą moc obliczeniową, a duże modele robią niezwykłe postępy.
Główne źródła postępu technicznego w tej publicznej wersji beta FSD mogą wynikać z następujących aspektów: Po pierwsze, FSD Beta V12 zostało zaktualizowane dla platformy HW4.0, zapewniając silniejsze wsparcie sprzętowe dla systemu. Uaktualnienia sprzętowe HW4.0 zwiększają liczbę klatek na sekundę dla kamer o 4 klatki na sekundę, umożliwiając szybsze przetwarzanie danych obrazu i poprawiając rozpoznawanie szczegółów drogi. Ponadto moc obliczeniowa HW4.0 jest podwojona w porównaniu do HW3.0, co pozwala FSD na wydajniejsze przetwarzanie i obliczenia, przyspieszając podejmowanie decyzji.
Musk powiedział, że wskaźnik interwencji FSD V12 wynosi tylko jeden procent V11
Dyrektor generalny Tesli, Elon Musk, powiedział we wtorek na platformie X, że wskaźnik interwencji wersji V12 oprogramowania „Full Self-Driving” (FSD) Tesli wynosi tylko jeden procent wersji V11. Użytkownik napisał: „W porównaniu z V11 częstotliwość interwencji V12 zostanie zmniejszona ponad 100 razy. Nie jest to stopniowa aktualizacja, ale skok.
Tesla zainwestuje około 10 miliardów dolarów w szkolenia i wnioskowanie w zakresie sztucznej inteligencji
Musk dodał również, że żadna firma, która nie może wydać co najmniej 10 miliardów dolarów rocznie lub efektywnie ich wdrożyć, nie może konkurować na rynku.
Niedawno zaczęto stopniowo udostępniać na dużą skalę kompleksowe rozwiązanie FSD V12 Tesli użytkownikom w Ameryce Północnej. Krótko mówiąc, FSD V12 osiąga cel, jakim jest autonomiczna jazda przez dużą ilość danych szkoleniowych wideo, umożliwiając Tesli wyeliminowanie setek tysięcy linii kodu. Jednak wyszkolenie takiej autonomicznej jazdy AI wymaga dużej mocy obliczeniowej. Musk powiedział podczas transmisji na żywo w sierpniu zeszłego roku, że Tesla wkrótce uruchomi klaster GPU składający się z 10,000 100 procesorów Nvidia HXNUMX w celu szkolenia nowego systemu FSD.
Założyciel, prezes i dyrektor generalny AutoX, Xiao Jianxiong, powiedział First Financial Journalists, że FSD Tesli wykorzystało kompleksowe algorytmy głębokiego uczenia się, które znacznie poprawiły wydajność w porównaniu z wcześniejszymi rozwiązaniami. W przeszłości opierał się na ręcznie pisanych algorytmach reguł opartych na kodzie, a obecnie korzysta z dużej sieci modelowej trenowanej na podstawie danych.
Powiązane rekomendacje
粤公网安备44030002007346号