در روز نوآوری فناوری هفته گذشته، NIO از جدیدترین مدل جهانی NIO (NWM) در زمینه رانندگی خودمختار، با ادعای برخورداری از قابلیتهای هستهای دوگانه، درک مکانی و زمانی، رونمایی کرد و از استقرار مدلهای انتها به انتها پیشی گرفت.
تراشه رانندگی خودران، Shenzi NX9031، که رسماً اعلام شد با موفقیت تولید شده است، برای مدل جهانی NIO طراحی شده است. Shenzi NX9031 اولین تراشه رانندگی خودکار 5 نانومتری جهان است که به طور مستقل توسط NIO توسعه یافته است. به گفته NIO، یک تراشه عملکردی معادل چهار تراشه پرچمدار صنعت (Nvidia Orin X) دارد.
در دو سال گذشته، تراشههای رانندگی خودمختار یک مسیر کلیدی محصول برای خودروسازان بوده است. NIO و XPeng در حال توسعه تراشههای خود هستند و Li Auto کمی دیرتر شروع میشود. بر اساس Longying شماره 1، شرکت تابعه جیلی، Xingjing Technology، نیز سالها در مسیر خودتوسعه قرار گرفته است.
لی بین علناً اعلام کرده است که NIO در سال گذشته تراشه های انویدیا زیادی را خریداری کرده است که هزینه زیادی را برای شرکت تحمیل کرده است. با توجه به هزینه های خرید، شرکت تصمیم گرفت به تراشه های خود توسعه یافته روی بیاورد. بیانیه رسمی این است که Shenzi NX9031 می تواند هزینه خود را در حدود یک سال پرداخت کند.
دلایل زیادی برای توسعه تراشه های خود وجود دارد، اما یکی از اهداف اصلی "Wei Xiaoli" (اصطلاح جمعی برای NIO، XPeng و Li Auto) رهایی خود از محدودیت های Nvidia است. از گزارش های صنعت، به نظر می رسد که تراشه های خود توسعه یافته کاملا آینده نگر هستند و با آخرین روندها مانند رانندگی خودکار سرتاسر مطابقت دارند.
با این حال، گروه چینی که انویدیا را محاصره می کند به "وی شیائولی" محدود نمی شود. امسال، تامین کنندگان تراشه های محلی نیز در رقابت انتها به انتها "گرفتار" شده اند. در انجمن خودرو چین ماه گذشته، رئیس Horizon چن لیمینگ به وضوح بیان کرد که در حال حاضر انتها به انتها تنها راه حل ممکن برای پایان بازی رانندگی خودران است.
Lu Jianfeng، معاون بخش خودروهای هوشمند AIChip، معتقد است که انتها به انتها تنها راه برای رانندگی خودکار پیشرفته است. با توجه به چرخه طولانی طراحی و توسعه تراشه ها، استراتژی AIChip این است که از مدل های دیگر صرف نظر کند و روی حالت One Model تمرکز کند، مشابه معماری فناوری UniAD برای طراحی NPU.
از منظر صنعت، هزینه بالای تدارکات خارجی، وضعیت نامطمئن بینالمللی و مزایای کاهش هزینهای که تسلا قبلاً با تراشههای خود ساخته خود از آن برخوردار بود، همگی بر استراتژیهای تراشه و مدلهای عرضه خودروسازان داخلی تأثیر گذاشتهاند.
محبوبیت مدلهای بزرگ انتها به انتها نه تنها دور جدیدی از انقلاب رانندگی خودران را تسریع کرد، بلکه به تکامل محصول و فناوری تراشههای رانندگی خودکار نیز سرعت بخشید. این نه تنها تقاضای بیشتری را برای خودروسازان برای تراشه های خود ساخته ایجاد می کند، بلکه تامین کنندگان تراشه در اقیانوس سرخ را مجبور می کند تا رقابت داخلی خود را سرعت بخشند.
موج خودسازی فرا رسیده است
چرا خودروسازان در حال توسعه تراشه های خود هستند؟
تسلط بر فناوری هسته: تضمین امنیت عرضه و "خفه نشدن" توسط تامین کنندگان به ویژه تامین کنندگان قدرتمند خارجی.
لی بین در مصاحبه ای اشاره کرد که تأثیر بین المللی بر عرضه تراشه، به دلیل محدودیت های ایالات متحده، قبلاً تأثیر واقعی بر صنعت خودروسازی چین داشته است.
"از اکتبر گذشته، ما نمیتوانیم از پیشرفتهترین تراشههای جهان برای آموزش ابری خود استفاده کنیم. تیم رانندگی خودکار نه تنها به قابلیتهای ابر بلکه به قابلیتهای اطلاعات گروهی نیز توجه میکند. در حالی که خطر تراشههای استنتاج لبه در حال حاضر کم است. ما هنوز باید برای تغییرات مختلف آماده باشیم."
سفارشی سازی:
کارشناسان صنعت به "Auto Commune"/"C-Dimension" گفتند که یکی از ملاحظات کلیدی برای خودروسازان جدید که تراشههای خود را توسعه میدهند، افزایش رقابتپذیری محصول از طریق تمایز است، زیرا تراشههای خود توسعهیافته امکان عملکردهای سفارشیسازی شده را فراهم میکنند.
برای خودروسازان، توسعه تراشه های خود پرهزینه است، اما می تواند وابستگی به تامین کنندگان تراشه در خارج از کشور را کاهش دهد و تضمین کند که "همه تخم مرغ ها در یک سبد نیستند." علاوه بر این، تراشههای خود توسعه یافته بهتر میتوانند با الگوریتمهای خود مطابقت داشته باشند و به مشکل جفت بین الگوریتمها و پلتفرمهای تراشه رسیدگی کنند.
در گذشته، قدرت محاسباتی 144 TOPS تسلا از 400-500 تراشه های TOPS موجود در بازار بهتر بود، عمدتاً به این دلیل که تراشه برای الگوریتم های خود تسلا طراحی شده بود. قابل ذکر است که تراشه قدرت محاسباتی 144 TOPS تسلا (Autopilot HW3.{4}}) که در سال 2019 منتشر شد، امروزه همچنان از رانندگی خودکار سرتاسر پشتیبانی میکند.
کاهش هزینه:
لی بین در کنفرانس مطبوعاتی اعلام کرد که NIO در سال گذشته پول زیادی را برای تراشه های Nvidia خرج کرده است. برای کاهش هزینه ها، NIO تصمیم گرفت تا تراشه های خود را با یک تراشه معادل چهار تراشه Nvidia توسعه دهد و در نتیجه هزینه ها را کاهش داد. به گفته لی بین، Shenzi NX9031 می تواند هزینه خود را در حدود یک سال پرداخت کند.
ملاحظات دیگری نیز وجود دارد. خودیهای صنعت خاطرنشان میکنند که ترویج تراشههای خودساخته و ایجاد تعهدات عمومی میتواند تأثیر مثبتی بر بازار ثانویه و درک برند داشته باشد. علاوه بر این، تراشه های خود توسعه یافته می توانند به طور قابل توجهی تجربه سیستم را بهبود بخشند و به اهداف استراتژیک دست یابند.
نکته قابل توجه این است که تراشه های اولیه تسلا که خود توسعه یافته بودند، با هدف افزایش قدرت محاسباتی و انعطاف پذیری بودند.
گزارشها نشان میدهند که فرآیند تراشه خود توسعهیافته XPeng دقیقاً از NIO پیروی میکند و تراشههایی که برای حذف ارسال میشوند، انتظار میرود در ماه آگوست بازگردند. توسعه تراشه Li Auto نسبتاً دیر شروع شد، با پروژه تراشه رانندگی خودران با اسم رمز "Schumacher" که انتظار میرود در طول سال تکمیل شود.
"یک وسیله، نه یک هدف"
وو شینزو، رئیس کسب و کار رانندگی خودران انویدیا، بیان کرد که توسعه رانندگی خودکار را می توان در سه مرحله خلاصه کرد که مرحله پایانی مرحله به پایان است.
مرحله اول: کاملا مبتنی بر قانون.
مرحله دوم: مدل های بزرگ هوش مصنوعی به تدریج جایگزین قوانین دستی، تکمیل پیش بینی و برنامه ریزی می شوند.
مرحله سوم: مدلهای بزرگ کاملاً سرتاسر، با هوش مصنوعی که کل فرآیند را از درک تا تصمیمگیری پوشش میدهد.
در مرحله سوم رانندگی خودمختار، تراشه های رانندگی خودکار بسیار چالش برانگیز هستند. معاون رئیس AIChip، لیو جیفنگ، افکار مشابهی را بیان کرد و اظهار داشت که استفاده از مدلهای بزرگ برای آموزش ابری و اعتبارسنجی، با استفاده از نتایج برای استنتاج لبهها، و مسئولیتهای مهم بر عهده شرکتهای تراشه است.
Horizon معتقد است که end-to-end یک وسیله است، نه یک هدف، که به ترکیبی از تجربه انسان مانند، محاسبات کارآمد و تحویل چابک نیاز دارد. انباشت قابلیت انتها به انتها نیازمند تلاش در تکرار الگوریتم، ساخت پایه مهندسی، و یکپارچه سازی نرم افزار-سخت افزار است که نرم افزار و الگوریتم ها نقش اصلی را ایفا می کنند.
معمار ارشد پلتفرم الگوریتم Horizon، Mu Lisen معتقد است که قابلیت اساسی انتها به انتها در تکرار داده ها نهفته است. اگرچه به نظر می رسد یک ساختار مدل آینده نگر باشد، داده های تکراری پشت آن بسیار مهم است و از انتقال از فناوری آزمایشگاهی به بلوغ در سطح محصول حمایت می کند.
چن لیمینگ همچنین اذعان کرد که Horizon با تغییر مداوم معماری خودرو و حسگر، طرحبندی حسگرها و پذیرش با مشکلاتی مواجه است. علیرغم جمعآوری دادههای زیاد، بسیاری از آنها با کیفیت بالا یا قابل استفاده مداوم نیستند، مشکلی که حل آن فراتر از محدوده هر شرکتی است.
"نسخه FSD V12.3 تسلا با 10 میلیون ویدئوی نمونه آموزش داده شده است که از 10 میلیارد نمونه با کیفیت بالا استخراج شده است. چین هنوز هم کوتاهی می کند. علاوه بر این، 10 میلیارد نمونه تحت یک چارچوب سنسور استاندارد جمع آوری شده است که تداوم آموزش جدیدترین مدل ها را تضمین می کند. "
مانند Horizon، AIChip بر نقش خود به عنوان Tier 2 تاکید میکند و معتقد است که خواستههای کلیدی برای تراشههای رانندگی مستقل در الگوریتمهای انتها به انتها، حافظه بالا و قدرت محاسباتی چند هستهای زیاد است.
دستیابی به رانندگی خودکار سرتاسر به پشتیبانی از تراشه محاسباتی حیاتی، از جمله نوآوری های معماری، پیشرفت های IP اصلی و جهش های عملکردی متکی است.
مو لیسن از Horizon به "Auto Commune"/"C-Dimension" توضیح داد که آستانه فنی برای رقابت قدرت محاسباتی سرتاسر در انطباق با نیازهای محاسباتی ناشی از تغییرات ساختار مدل و تغییر در تمرکز اپراتور نهفته است.
از یک سو، مدلها بزرگتر میشوند و قدرت محاسباتی نیز به همین ترتیب. از سوی دیگر، ساختارهای مدل تکامل خواهند یافت و از CNN (شبکههای عصبی کانولوشنال) به مدلهای انتها به انتها مبتنی بر ترانسفورماتور تغییر خواهند کرد.
ترانسفورماتورها یک دسته الگوریتم گسترده هستند که در مدلهای زبان بزرگ (مانند ChatGPT) و رانندگی خودکار سرتاسر، با تمرکز اپراتورهای مختلف استفاده میشوند. رانندگی خودکار انتها به انتها نیاز به عملیات ماتریس پایه و پشتیبانی اضافی اپراتور دارد که تقاضاهای بالاتری را ارائه میکند. "
اردوگاه هواوی نیز تأثیر قابل توجهی دارد. علیرغم تسلط انویدیا بر بازار تراشههای رانندگی خودکار، چین تعداد زیادی نیروی محرکه هواوی دارد که شامل برندهایی مانند AITO، Avatr، Jihu و Zhijie میشود. سیستمهای رانندگی خودکار وسایل نقلیه آنها عمدتاً از پلتفرمهای محاسباتی MDC810/MDC610 هواوی استفاده میکنند.
با تلاش تامینکنندگان تراشههای رانندگی خودکار و عرضه سریع تراشههای خود توسعهیافته توسط شرکتهایی مانند NIO، در سالهای آتی، آرزوی «عدم تابعیت از Nvidia» در بخش تراشههای رانندگی خودمختار داخلی به تدریج تا حدی محقق خواهد شد.
