Tesla leek al die tijd in een positie te zijn om een voorsprong te verwerven op het gebied van kunstmatige intelligentie. Natuurlijk zijn Neuralink van Elon Musk – samen met SpaceX en The Boring Company – afzonderlijke bedrijven van Tesla, maar er komt zeker sprake van kwel tussen de bedrijven. Dus bij de Tesla AI-evenement Toen het bedrijf vorige maand aankondigde dat het zijn eigen siliciumchips zou gaan ontwerpen, leek het er meer dan ooit op dat Tesla een voordeel had.
Het AI-evenement culmineerde in een dansende mens die zich voordeed als een humanoïde robot, een voorproefje van de Tesla Bot die het bedrijf wil bouwen. Maar de meest directe en belangrijke onthulling was de aangepaste AI-chip “D1”, die zou worden gebruikt voor het trainen van het machine-learning-algoritme achter Tesla’s Autopilot zelfrijdende systeem. Tesla heeft een scherpe focus op deze technologie, met een enkel gigantisch neuraal netwerk dat bekend staat als een ‘transformator’ en input ontvangt van acht camera’s tegelijk.
“We bouwen in feite een synthetisch dier van de grond af op”, zei Tesla’s AI-chef, Andrej Karpathy, tijdens het evenement van augustus 2021. “Je kunt de auto zien als een dier. Het beweegt zich autonoom rond, voelt de omgeving aan en handelt autonoom.”
CleanTechnica's Johnna Crider, die het AI-evenement bijwoonde, gedeeld dat “helemaal aan het begin van het evenement Tesla-CEO Musk zei dat Tesla veel meer is dan een bedrijf voor elektrische auto’s, en dat het ‘diepe AI-activiteit in hardware heeft op het inferentieniveau en op het trainingsniveau.’” Ze concludeerde dat, “door Tesla de plannen voor de Dojo-supercomputer te onthullen en in te gaan op de details van hoe het computervisieproblemen oplost, de wereld een andere kant van zijn identiteit heeft laten zien.”
Tesla's uitstapje naar siliciumchips
Tesla is de nieuwste niet-traditionele chipmaker, zoals beschreven in een recente publicatie Bedraad analyse. Intel Corporation is 's werelds grootste fabrikant van halfgeleiderchips, gebaseerd op de omzet in 2020. Het is de uitvinder van de x86-serie microprocessors die tegenwoordig in de meeste personal computers te vinden zijn. Maar nu AI steeds meer bekendheid krijgt en siliciumchips essentiële ingrediënten worden in technologie-geïntegreerde productie, ontwerpen vele anderen, waaronder Google, Amazon en Microsoft, nu hun eigen chips.
Voor Tesla zal de sleutel tot het succes van siliciumchips het behalen van optimale prestaties zijn uit het computersysteem dat wordt gebruikt om het neurale netwerk van het bedrijf te trainen. “Als het een paar dagen duurt voordat een model heeft getraind in plaats van een paar uur”, zei CEO Elon Musk tijdens het AI-evenement, “is dat een groot probleem.”
Aanvankelijk vertrouwde Tesla voor zijn siliciumchips op Nvidia-hardware. Dat veranderde in 2019, toen Tesla in eigen beheer chips ging ontwerpen die sensorinvoer in zijn auto’s interpreteren. Het vervaardigen van de chips die nodig zijn om AI-algoritmen te trainen – het creatieve proces van visie naar uitvoering te brengen – is echter een behoorlijk geavanceerde, kostbare en veeleisende onderneming.
De D1-chip, onderdeel van Tesla's Dojo-supercomputersysteem, maakt gebruik van een productieproces van 7 nanometer, met 362 teraflops aan verwerkingskracht. zei Ganesh Venkataramanan, senior directeur van Autopilot-hardware. Tesla plaatst 25 van deze chips op één enkele ‘trainingstegel’, en 120 van deze tegels komen samen over verschillende serverkasten, wat neerkomt op meer dan een exaflop aan kracht. “We zijn binnenkort onze eerste kasten aan het monteren”, onthulde Venkataramanan.
CleanTechnica's Chanan Bos gedeconstrueerd de D1-chip ingewikkeld in een reeks artikelen (voor het geval je ze gemist hebt) en vertelde dat de D1-chip er volgens zijn specificaties prat op gaat dat hij 50 miljard transistors heeft. Als het op processors aankomt, is dat absoluut beter dan het huidige record van AMD's Epyc Rome-chip van 39.54 miljard transistors.
zegt Tesla op zijn van de dat het bedrijf gelooft “dat een aanpak gebaseerd op geavanceerde AI voor visie en planning, ondersteund door efficiënt gebruik van inferentiehardware, de enige manier is om een algemene oplossing te bereiken voor volledig zelfrijdend rijden en daarbuiten.” Om dit te doen zal het bedrijf:
- Bouw siliciumchips die de volledig zelfrijdende software van de grond af aan aandrijven, waarbij elke kleine architectonische en micro-architectonische verbetering in aanmerking wordt genomen, terwijl er hard aan wordt gewerkt om maximale siliciumprestaties per watt te behalen;
- Uitvoeren van plattegrond-, timing- en krachtanalyses op het ontwerp;
- Schrijf robuuste, gerandomiseerde tests en scoreborden om functionaliteit en prestaties te verifiëren;
- Implementeer compilers en stuurprogramma's om de chip te programmeren en ermee te communiceren, met een sterke focus op prestatie-optimalisatie en energiebesparing; En,
- Valideer de siliciumchip en breng deze naar massaproductie.
“We zouden Dojo volgend jaar operationeel moeten hebben”, bevestigde CEO Elon Musk.
Het Tesla neurale netwerk en datatraining
Tesla's benadering van volledig zelfrijden is gebaseerd op zijn neurale netwerk. De meeste bedrijven die zelfrijdende technologie ontwikkelen, kijken ernaar uit transactie, wat een acroniem is voor ‘Light Detection and Ranging’. Het is een teledetectiemethode die licht in de vorm van een gepulseerde laser gebruikt om het bereik (variabele afstanden) tot de aarde te meten. Deze lichtpulsen worden gecombineerd met andere gegevens die door het luchtsysteem worden geregistreerd om nauwkeurige, driedimensionale informatie te genereren over de vorm van de aarde en de oppervlaktekenmerken ervan.
Tesla wees lidar echter af, deels vanwege de hoge kosten en de hoeveelheid technologie die per voertuig nodig is. In plaats daarvan interpreteert het scènes door het neurale netwerkalgoritme te gebruiken om de input van zijn camera's en radar te ontleden. Chris Gerdes, directeur van het Center for Automotive Research aan Stanford, zegt deze aanpak is “computationeel formidabel. Het algoritme moet een kaart van de omgeving reconstrueren op basis van de camerabeelden, in plaats van te vertrouwen op sensoren die dat beeld rechtstreeks kunnen vastleggen.”
Tesla legt uit op zijn website de protocollen die het heeft omarmd om zijn neurale netwerken te ontwikkelen:
- Pas baanbrekend onderzoek toe om diepe neurale netwerken te trainen in problemen variërend van perceptie tot controle;
- Netwerken per camera analyseren onbewerkte beelden om semantische segmentatie, objectdetectie en monoculaire diepteschatting uit te voeren;
- Birds-eye-view-netwerken nemen video van alle camera's om de wegindeling, statische infrastructuur en 3D-objecten rechtstreeks in de bovenaanzicht weer te geven;
- Netwerken leren van de meest gecompliceerde en diverse scenario's ter wereld, iteratief afkomstig van een vloot van bijna 1 miljoen voertuigen in realtime; En,
- Een volledige opbouw van Autopilot-neurale netwerken omvat 48 netwerken die 70,000 GPU-uren nodig hebben om te trainen, en die samen bij elke tijdstap 1,000 verschillende tensors (voorspellingen) uitvoeren.
Tesla's trainen via videofeeds
Tesla verzamelt meer trainingsgegevens dan andere autobedrijven. Elk van de ruim 1 miljoen Tesla's op de weg zendt de videofeeds van zijn 8 camera's terug naar het bedrijf. Hardware 3 boordcomputer verwerkt meer dan 40 seconden aan gegevens vergeleken met Tesla's vorige generatie systeem. Het bedrijf heeft 1,000 mensen in dienst die deze afbeeldingen labelen (waaronder auto's, vrachtwagens, verkeersborden, rijbaanmarkeringen en andere kenmerken) om de grote transformator te helpen trainen.
Tijdens het evenement in augustus zei Tesla ook dat het automatisch kan selecteren welke afbeeldingen prioriteit moeten krijgen bij het labelen om het proces efficiënter te maken. Dit is een van de vele onderdelen die Tesla onderscheidt van zijn concurrenten.
Afbeelding geleverd door Tesla via persmap
Waardeer je de originaliteit van CleanTechnica? Overweeg om een CleanTechnica-lid, ondersteuner, technicus of ambassadeur - of een beschermheer op Patreon.
PlatoAi. Web3 opnieuw uitgevonden. Gegevensintelligentie versterkt.
Klik hier om toegang te krijgen.
