A múlt heti Technológiai Innovációs Napon a NIO bemutatta az autonóm vezetés területén a legújabb NIO World Model (NWM) modellt, amely azt állította, hogy a térbeli és időbeli megértés kettős magképességével rendelkezik, felülmúlva a végpontok közötti modellek alkalmazását.
Az autonóm vezetési chip, a Shenzi NX9031, amelyről hivatalosan bejelentették, hogy sikeresen kiragasztották, a NIO World Modelhez lett szabva. A Shenzi NX9031 a világ első 5 nm-es autonóm vezetési chipje, amelyet a NIO önállóan fejlesztett ki. A NIO szerint egy chip teljesítménye megfelel négy iparági zászlóshajó chipnek (Nvidia Orin X).
Az elmúlt két évben az autonóm vezetési chipek kulcsfontosságú áttörést jelentettek az autógyártók termékei számára. A NIO és az XPeng saját chipeket fejleszt, a Li Auto valamivel később indult. A Longying No. 1-re alapozva a Geely leányvállalata, a Xingjing Technology is évek óta az önfejlesztés útján jár.
Li Bin nyilvánosan kijelentette, hogy a NIO sok Nvidia chipet vásárolt tavaly, ami sok pénzébe került a cégnek. A beszerzési költségekre tekintettel a cég úgy döntött, hogy saját fejlesztésű chipekhez fordul. A hivatalos közlemény szerint a Shenzi NX9031 körülbelül egy év alatt megtérülhet.
Sok oka van a saját chipek fejlesztésének, de a "Wei Xiaoli" (a NIO, XPeng és Li Auto gyűjtőfogalma) egyik fő célja az, hogy megszabaduljanak az Nvidia korlátaitól. Az iparági jelentések alapján úgy tűnik, hogy a saját fejlesztésű chipek meglehetősen előremutatóak, és megfelelnek a legújabb trendeknek, például a végpontokig autonóm vezetésnek.
Az Nvidiát körülvevő kínai kontingens azonban nem korlátozódik a "Wei Xiaolira". Idén a helyi chips beszállítók is "felzárkóznak" az end-to-end versenybe. A múlt havi China Auto Forumon a Horizon elnöke, Chen Liming egyértelműen kijelentette, hogy jelenleg a végpontok közötti megoldás az egyetlen megvalósítható megoldás az autonóm vezetés végjátékára.
Lu Jianfeng, az AIChip Intelligens Járművek részlegének alelnöke úgy véli, hogy a végponttól végpontig az egyetlen módja a fejlett autonóm vezetésnek. A chipek hosszú tervezési és fejlesztési ciklusa miatt az AIChip stratégiája az, hogy kihagyja a többi modellt, és a One Model módra összpontosít, hasonlóan az UniAD technológiai architektúrához az NPU tervezésnél.
Iparági szempontból a külső beszerzések magas költsége, a bizonytalan nemzetközi helyzet és a költségcsökkentési előnyök, amelyeket a Tesla korábban saját fejlesztésű lapkáival élvezett, mind befolyásolták a hazai autógyártók chipstratégiáját és ellátási modelljeit.
A végponttól végpontig terjedő nagy modellek népszerűsége nemcsak az autonóm vezetési forradalom új fordulóját katalizálta, hanem felgyorsította az autonóm vezetési chipek termék- és technológiai fejlődését is. Ez nemcsak az autógyártókkal szemben támaszt magasabb követelményeket a saját fejlesztésű chipek iránt, hanem a Vörös-óceán chipbeszállítóit is arra kényszeríti, hogy felgyorsítsák belső versenyüket.
Megérkezett az önfejlődési hullám
Miért fejlesztik az autógyártók saját chipeiket?
Az alapvető technológia elsajátítása: Az ellátás biztonságának biztosítása és a beszállítók, különösen a befolyásos külföldi beszállítók általi „fojtás” elkerülése.
Li Bin egy interjúban megemlítette, hogy az amerikai korlátozások miatt a chipellátásra gyakorolt nemzetközi hatás már tényleges hatással volt a kínai autóiparra.
"Tavaly október óta nem tudtuk a világ legfejlettebb chipjeit használni a felhőalapú képzéseinkhez. Az autonóm vezetés csapata nem csak a felhő képességeit, hanem a csoport intelligencia képességeit is vizsgálja. Bár az élkövetkeztető chipek kockázata jelenleg alacsony , továbbra is fel kell készülnünk a különféle változásokra."
Testreszabás:
Iparági szakértők elmondták az "Auto Commune"/"C-Dimension"-nak, hogy a saját chipeket fejlesztő új autógyártók egyik kulcsfontosságú szempontja a termékek versenyképességének növelése a megkülönböztetéssel, mivel a saját fejlesztésű chipek testreszabott funkciókat tesznek lehetővé.
Az autógyártók számára a saját chipek fejlesztése költséges, de csökkentheti a tengerentúli chipszállítóktól való függőséget, biztosítva, hogy "ne legyen minden tojás egy kosárban". Ezenkívül a saját fejlesztésű chipek jobban illeszkedhetnek saját algoritmusaikhoz, megoldva az algoritmusok és a chipplatformok közötti kapcsolódási problémát.
A múltban a Tesla 144 TOPS számítási teljesítménye felülmúlta a piacon kapható 400-500 TOPS chipeket, főként azért, mert a chipet a Tesla saját algoritmusaihoz tervezték. Nevezetesen, a Tesla 2019-ben kiadott 144 TOPS számítási teljesítmény chipje (Autopilot HW3.0) még ma is támogatja a végpontok közötti autonóm vezetést.
Költségcsökkentés:
Li Bin a sajtótájékoztatón kijelentette, hogy a NIO tavaly rengeteg pénzt költött Nvidia chipekre. A költségek csökkentése érdekében a NIO úgy döntött, hogy saját chipeket fejleszt, amelyekben egy chip négy Nvidia chipnek felel meg, ezáltal csökkentve a költségeket. Li Bin szerint a Shenzi NX9031 körülbelül egy év alatt megtérülhet.
Vannak más szempontok is. Az iparági bennfentesek megjegyzik, hogy a saját fejlesztésű chipek népszerűsítése és a nyilvános kötelezettségvállalások pozitív hatással lehetnek a másodlagos piacra és a márka megítélésére. Ezenkívül a saját fejlesztésű chipek jelentősen javíthatják a rendszer élményét, elérve a stratégiai célokat.
Nevezetesen, a Tesla korai saját fejlesztésű chipjei a számítási teljesítmény és a rugalmasság növelését tűzték ki célul.
A jelentések azt mutatják, hogy az XPeng saját fejlesztésű chip-eljárása szorosan követi a NIO-t, és a chipek szalagozásra küldik, és várhatóan augusztusban térnek vissza. A Li Auto chipfejlesztése viszonylag későn indult, a „Schumacher” kódnevű autonóm vezetési chip projekt várhatóan egy éven belül befejeződik.
"Eszköz, nem cél"
Wu Xinzou, az Nvidia autonóm vezetési üzletágának vezetője felvázolta, hogy az autonóm vezetés fejlesztése három szakaszban foglalható össze, a végponttól végpontig az utolsó lépés.
Első szakasz: Teljesen szabályalapú.
Második szakasz: A nagy mesterséges intelligencia modellek fokozatosan felváltják a kézi szabályokat, teljessé teszik az előrejelzést és a tervezést.
Harmadik szakasz: Teljesen végponttól végpontig terjedő nagy modellek, a mesterséges intelligencia lefedi a teljes folyamatot az észleléstől a döntéshozatalig.
Az autonóm vezetés harmadik szakaszában az autonóm vezetési chipek nagy kihívást jelentenek. Az AIChip alelnöke, Liu Jifeng hasonló gondolatokat fogalmazott meg, és kijelentette, hogy a valódi végpontok között nagy modellek használata a felhőalapú képzéshez és validáláshoz, az eredményeket pedig az élkövetkeztetésre alkalmazzák, ami jelentős felelősséget ró a chip-cégekre.
A Horizon úgy véli, hogy a végponttól végpontig eszköz, nem pedig cél, amelyhez az emberhez hasonló tapasztalat, a hatékony számítástechnika és az agilis szállítás kombinációja szükséges. A képességek végpontok közötti felhalmozása erőfeszítéseket igényel az algoritmusok iterációja, a mérnöki alapok felépítése és a szoftver-hardver integráció terén, ahol a szoftverek és az algoritmusok központi szerepet játszanak.
A Horizon Algorithm Platform főépítésze, Mu Lisen úgy véli, hogy a végpontok közötti kapcsolat alapvető képessége az adatok iterációjában rejlik. Bár előretekintő modellszerkezetnek tűnik, a mögötte álló iteratív adatok sokkal fontosabbak, támogatva a laboratóriumi technológiáról a termékszintű érettségre való átállást.
Chen Liming azt is elismerte, hogy a Horizon nehézségekkel néz szembe a folyamatosan változó jármű- és szenzorarchitektúrákkal, érzékelők elrendezésével és elfogadásával kapcsolatban. Annak ellenére, hogy sok adatot gyűjtünk, ezek nagy része nem jó minőségű vagy folyamatosan használható, ez egy olyan probléma, amelyet egyetlen vállalat sem tud megoldani.
"A Tesla FSD V12.3 verzióját 10 millió mintavideóval képezték ki, amelyeket 10 milliárd kiváló minőségű mintából kinyertek. Kína még mindig alulmarad. Ráadásul a 10 milliárd mintát szabványos szenzorkeret keretében gyűjtötték össze, biztosítva a folyamatosságot a legújabb modellek képzéséhez ."
A Horizonhoz hasonlóan az AIChip is hangsúlyozza a Tier 2 szerepét, hisz abban, hogy a végpontok közötti algoritmusokban az autonóm vezetési chipekkel szemben támasztott kulcsfontosságú követelmények a nagy memória és a többmagos nagy számítási teljesítmény.
A teljes körű autonóm vezetés elérése a kritikus számítási chip-támogatáson múlik, beleértve az építészeti innovációt, az alapvető IP-áttöréseket és a teljesítményugrásokat.
Mu Lisen a Horizontól elmagyarázta az "Auto Commune"/"C-Dimension"-nak, hogy a végpontok közötti számítási teljesítmény verseny technikai küszöbe a modellszerkezet változásai és a kezelői fókusz változásai által támasztott számítási igényekhez való alkalmazkodásban rejlik.
Egyrészt a modellek nagyobbak lesznek, és ezzel együtt a számítási teljesítmény is; másrészt a modellstruktúrák fejlődni fognak, elsősorban a CNN-ről (konvolúciós neurális hálózatokról) a főként Transformer-alapú végpontok közötti modellekre.
"A transzformátorok egy széles algoritmuskategória, amelyet a nagy nyelvi modellekben (például a ChatGPT-ben) és a végpontok közötti autonóm vezetésben használnak, különböző kezelői fókuszokkal. A végpontok közötti autonóm vezetés alapvető mátrixműveleteket és további kezelői támogatást igényel, ami magasabb követelményeket támaszt. "
A Huawei tábor is jelentős befolyással bír. Annak ellenére, hogy az Nvidia uralja az autonóm vezetési chipek piacát, Kínában nagy a Huawei által hajtott kontingens, köztük olyan márkák, mint az AITO, az Avatr, a Jihu és a Zhijie. Járműveik autonóm vezetési rendszerei nagyrészt a Huawei MDC810/MDC610 számítástechnikai platformjait használják.
Az autonóm vezetési chipek beszállítóinak erőfeszítéseivel és a saját fejlesztésű chipek felgyorsult bevezetésével az olyan cégek, mint a NIO, az elkövetkező években fokozatosan megvalósul az a törekvés, hogy a hazai autonóm vezetési chip szektorban ne legyenek az Nvidia hatálya alatt.
