特斯拉FSD快速进化，专家：Dojo可直接挑战谷歌云

【报道】8月19日，特斯拉在美国举办特斯拉人工智能日（AI Day）活动，公布了特斯拉纯视觉解决方案FSD的进展、神经网络自动驾驶训练、D1芯片、Dojo超级计算机等重磅信息此后引起各方积极评价。

麻省理工学院 (MIT) 深度学习和人工智能 (AI) 研究员莱克斯·弗里德曼 (Lex Fridman) 在推特上表示，特斯拉人工智能日展示了他一生中见过的最令人惊叹的现实世界人工智能和工程成果。

Fridman 的 YouTube 频道拥有 10,000 名订阅者。

在加入麻省理工学院之前，他在谷歌从事机器学习工作。

弗里德曼认为，特斯拉可以通过其自研的Dojo超级计算机芯片提供“AI Training As A Service”，直接挑战全球最大的云服务提供商AWS（亚马逊网络服务）和谷歌。

云（Google Cloud），Dojo没有理由仅限于Autopilot的计算。

首位破解 iPhone 和 PlayStation 3 的知名黑客、Comma.ai 创始人 George Hotz 在接受弗里德曼《AI 播客》系列专访时指出，特斯拉将在 5 级自动驾驶竞赛中获得最终胜利，而 Comma.ai 预计特斯拉将在 1-2 年后到达终点线。

Comma.ai将成为自动驾驶行业的Android系统，特斯拉将成为自动驾驶行业的苹果。

特斯拉首席执行官埃隆·马斯克7月26日在第二季度财报电话会议上表示，完全自动驾驶（FSD）是特斯拉服务项目的重点，最终效果会非常好。

每个人都会想使用它。

当马斯克在 8 月 19 日的人工智能日上被问及特斯拉最终是否会让 FSD 成为开源软件时，他回答说构建 FSD 系统需要花费很多钱。

除非有人愿意无偿开发该系统，否则不可避免地会收取许可费。

。

如果其他汽车公司想要获得 FSD 许可并在他们的车型上使用它，那就太酷了。

FSD开发之初，并不打算仅限于特斯拉的电动汽车。

Loup Ventures管理合伙人Gene Munster指出，到今年年底，特斯拉上路的电动汽车中80%将具备FSD功能。

仅 FSD 一项就可以在 10 年内为特斯拉带来 1 亿美元的市值。

Tesla 纯视觉传感器解决方案的实现离不开多任务学习 HydraNets 神经网络架构。

每辆特斯拉汽车都有8个摄像头，围绕车身，覆盖周围区域，获取周围的信息，如红绿灯、信号牌、坡道、路缘石等，为神经网络学习提供了优良的条件。

安德烈说：“我们希望创建一个类似于动物视觉皮层的神经网络连接，模拟大脑信息输入和输出的过程。

就像光线进入视网膜一样，我们希望通过摄像头来模拟这个过程。

”多任务学习 HydraNets 神经网络 该网络架构可以将 8 个摄像头拍摄的图像拼接在一起，并平衡视频图像的延迟和准确性。

通过手动或自动标记车道、车辆、红绿灯、障碍物等环境以及运动和静止物体，系统会对视频进行逐帧分析，了解物体的深度、速度等信息，然后将这些数据提供给学习舰队。

然而在这个过程中，特斯拉发现这些参数和空间追踪很难通过C++的基本架构进行拼接；部分空间数据输出质量不高；不同相机获取的物体信息不同，很难拼接在一起。

得到一个整体的把握。

为了解决这些问题，特斯拉开发了向量空间技术，该技术具有非凸优化算法（Non-convex）和高维数两大优点。

该技术可以根据8个摄像头输入的数据绘制3D鸟瞰图，形成带有空间和时间标签的4D“路网”，呈现道路等信息，帮助车辆掌握驾驶环境并找到最佳驾驶方式路径更准确。

有了海量、准确的视频数据，特斯拉还需要创建一个强大的神经网络，并对网络进行特殊的布局，以便这些数据能够在一个总的主干网络上进行整合和重新分析。

因此，特斯拉独立开发了基于神经网络的训练方法。

特斯拉拥有一支由来自世界各地的人才组成的数据标注团队，规模约为100人。

该团队每天都会在“向量空间”中注释视频数据中的对象。

在善于把握细节的手动标注和更高效的自动标注配合下，只需标注一次，“向量空间”即可自动标注所有摄像机。

多帧。

这为特斯拉带来了数百亿个有效且多样化的原生数据，这些数据将用于神经网络训练。

同时，特斯拉还开发了“模拟场景技术”，可以模拟现实中不太常见的“边缘场景”进行自动驾驶训练。

在模拟场景中，特斯拉工程师可以提供不同的环境和其他参数（障碍物、碰撞、舒适度等），这大大提高了训练效率。

由此，特斯拉FSD系统可以实现每1.5毫秒的超高效率搜索，预测各种可能的情况，并找到其中最安全、最舒适、最快的自动驾驶路径。

现在，随着需要处理的数据开始呈指数级增长，特斯拉也在增加用于训练神经网络的计算能力，于是就有了 Tesla Dojo 超级计算机。

特斯拉的目标是实现人工智能训练的超高算力，同时还扩大带宽、减少延迟、节省成本。

这就需要道场超级计算机的布局能够达到空间和时间的最佳平衡。

构成Dojo超级计算机的关键单元是D1芯片，这是特斯拉自主研发的神经网络训练芯片。

它采用分布式结构和7纳米工艺。

它配备了1亿个晶体管和1亿个训练节点。

仅内部电路就有17.7米长。

千米，实现超强算力和超高带宽。

每颗D1芯片共有超过53万个训练节点，构成Dojo超级计算机的训练模块。

由于每个D1芯片都是无缝连接的，相邻芯片之间的延迟极低，训练模块最大程度地实现了带宽保留，结合特斯拉自有的高带宽、低延迟连接。

它的计算能力高达 9PFLOPs（9 万亿次）。

得益于训练模块的独立运算能力和无限链接能力，由其组成的Dojo超级计算机的性能扩展理论上没有上限，是不折不扣的“性能猛兽”。

在实际应用中，特斯拉会将各个训练模块组装成ExaPOD，这是全球领先的人工智能训练计算机。

与业内其他产品相比，同等成本下性能提升4倍，同等能耗下性能提升1.3倍，占用空间节省5倍。

与强大的硬件相匹配的是特斯拉专门开发的分布式系统——DPU（DojoProcessingUnit）。

DPU是一款可视化交互软件，可以根据需求随时调整规模，高效处理计算，执行数据建模、存储分配、布局优化、分区扩展等任务。

很快，特斯拉将开始Dojo超级计算机的第一批组装，并进一步完善整个超级计算机到芯片和系统。

对于人工智能技术，马斯克显然有着更远大的追求。

他相信特斯拉的硬件3.0（HW3）/第一代全自动驾驶（FSD）计算机将能够实现完全自动驾驶，其安全水平远优于人类（至少比人类好1%或10%） 。

一年左右的时间，Cyber??truck电动皮卡可能会配备HW4和第二代FSD电脑，其安全驾驶能力将比人类提高1%。

特斯拉的年度影响报告显示，在美国启用 Autopilot 的特斯拉电动汽车每行驶 10,000 英里仅发生 0.2 起事故。

相比之下，美国的总体平均事故率为每 10,000 英里 2.0 起事故。

奥本海默高级分析师 Colin Rusch 重申，特斯拉在颠覆电动汽车领域、推动行业走向可持续交通方面做得非常出色。

特斯拉人工智能日还强调，了解人工智能的工程师供不应求。