The cruel end of autonomous driving: Tesla, Huawei, Apple, Weilai Xiaopeng, Baidu, Didi, who can become the footnote of history?

I øjeblikket kan virksomheder, der kører personbiler automatisk, groft inddeles i tre kategorier. Den første kategori er et lukket kredsløb, der ligner Apple (NASDAQ: AAPL). Nøglekomponenterne såsom chips og algoritmer er lavet af dem selv. Tesla (NASDAQ: TSLA) gør dette. Nogle nye energibilfirmaer håber også gradvist at gå i gang med det. denne vej. Den anden kategori er et åbent system, der ligner Android. Nogle producenter laver smarte platforme, og nogle laver biler. For eksempel har Huawei og Baidu (NASDAQ: BIDU) intentioner i denne henseende. Den tredje kategori er robotteknologi (førerløse taxaer), såsom virksomheder som Waymo.

Denne artikel vil hovedsageligt analysere gennemførligheden af disse tre ruter ud fra et teknologisk og forretningsmæssigt perspektiv og diskutere fremtiden for nogle nye motorkøretøjsproducenter eller selvkørende virksomheder. Undervurder ikke teknologi. For autonom kørsel er teknologi livet, og nøgleteknologien er den strategiske vej. Så denne artikel er også en diskussion om de forskellige veje til autonome kørselsstrategier.

Tiden med software- og hardwareintegration er ankommet. "Apple-modellen" repræsenteret af Tesla er den bedste vej.

Inden for smarte biler, især inden for autonom kørsel, kan adoptionen af Apples lukkede sløjfe-model gøre det lettere for producenterne at optimere ydeevnen og forbedre ydeevnen. Reager hurtigt på forbrugernes behov.
Lad mig tale om præstation først. Ydeevne er afgørende for autonom kørsel. Seymour Cray, supercomputeres fader, sagde engang et meget interessant ord: "Enhver kan bygge en hurtig CPU. Tricket er at bygge et hurtigt system".
Med den gradvise svigt af Moores lov er det ikke muligt blot at øge ydeevnen ved at øge antallet af transistorer pr. arealenhed. Og på grund af begrænsningen af areal og energiforbrug er omfanget af chippen også begrænset. Den nuværende Tesla FSD HW3.0 (FSD hedder Full Self-Driving) er naturligvis kun en 14nm proces, og der er plads til forbedringer.
På nuværende tidspunkt er de fleste digitale chips designet baseret på Von Neumann-arkitekturen med adskillelse af hukommelse og lommeregner, som skaber hele systemet af computere (inklusive smartphones). Fra software til operativsystemer til chips er det dybt berørt. Von Neumann Architecture er dog ikke helt egnet til den dybe læring, som autonom kørsel er afhængig af, og som skal forbedres eller endda gennembrud.
For eksempel er der en "hukommelsesvæg", hvor lommeregneren kører hurtigere end hukommelsen, hvilket kan give præstationsproblemer. Designet af hjernelignende chips har et gennembrud i arkitekturen, men springet for langt bliver måske ikke anvendt snart. Desuden kan billedfoldningsnetværket konverteres til matrixoperationer, som måske ikke er rigtig egnede til hjernelignende chips.
Da Moores lov og Von Neumann-arkitekturen begge støder på flaskehalse, skal fremtidige ydelsesforbedringer primært opnås gennem Domain Specific Architecture (DSA, som kan referere til dedikerede processorer). DSA blev foreslået af Turing Award-vinderne John Hennessy og David Patterson. Det er en innovation, der ikke er for langt fremme, og som er en idé, der kan omsættes i praksis med det samme.
Vi kan forstå ideen om DSA fra et makroperspektiv. Generelt har de nuværende high-end-chips milliarder til titusinder af transistorer. Hvordan disse enorme antal transistorer fordeles, forbindes og kombineres, har stor indflydelse på ydeevnen af en specifik applikation.I fremtiden er det nødvendigt at bygge et "hurtigt system" ud fra det overordnede perspektiv af software og hardware, og stole på optimering og justering af strukturen.

"Android-tilstand" er ikke en god løsning inden for smarte biler.

Mange mennesker tror, at der i en tid med autonom kørsel også findes Apple (lukket kredsløb) og Android (åbent) inden for smartphones, og der vil også være tunge softwareudbydere som Google. Mit svar er enkelt. Android-ruten vil ikke fungere på autonom kørsel, fordi den ikke opfylder retningen for fremtidens smarte bilteknologiudvikling.

Jeg vil selvfølgelig ikke sige, at virksomheder som Tesla og andre virksomheder skal lave hver eneste skrue for sig selv, og mange dele skal stadig købes fra tilbehørsproducenter. Men den mest centrale del, der påvirker brugeroplevelsen, skal gøres af dig selv, såsom alle aspekter af autonom kørsel.
I første afsnit er det blevet nævnt, at Apples lukkede kredsløbsrute er den bedste løsning. Faktisk demonstrerer det også, at Androids åbne rute ikke er den bedste løsning inden for autonom kørsel.

Arkitekturen af smartphones og smarte biler er anderledes. Fokus på smartphones er økologi. Økosystem betyder at levere forskellige applikationer baseret på ARM og IOS eller Android operativsystemer.Derfor kan Android-smartphones forstås som en kombination af en masse almindelige standarddele. Chipstandarden er ARM, oven på chippen ligger Android styresystemet, og så er der forskellige apps på internettet. På grund af sin standardisering, uanset om det er en chip, et Android-system eller en app, kan det nemt blive en selvstændig virksomhed.

Fokus for smarte biler er algoritmen og de data og hardware, der understøtter algoritmen. Algoritmen kræver ekstrem høj ydeevne uanset om den er trænet i skyen eller udledt på terminalen. Hardwaren i den smarte bil kræver en masse ydeevneoptimering til specifikke specialiserede applikationer og algoritmer. Derfor vil kun algoritmer eller kun chips eller kun operativsystemer stå over for ydeevneoptimeringsdilemmaer i det lange løb. Kun når hver komponent er udviklet af sig selv, kan den let optimeres. Adskillelsen af software og hardware vil resultere i ydeevne, der ikke kan optimeres.

Vi kan sammenligne det på denne måde, NVIDIA Xavier har 9 milliarder transistorer, Tesla FSD HW 3.0 har 6 milliarder transistorer, men Xaviers regnekraftindeks er ikke så godt som HW3.0. Og det siges, at næste generation af FSD HW har en ydeevneforbedring på 7 gange sammenlignet med den nuværende. Så det er fordi Tesla-chipdesigneren Peter Bannon og hans team er stærkere end NVIDIAs designere, eller fordi Teslas metode til at kombinere software og hardware er bedre. Vi mener, at metoden til at kombinere software og hardware også må være en vigtig årsag til forbedringen af chip-ydeevnen. Det er ikke en god idé at adskille algoritmer og data. Det er ikke befordrende for hurtig feedback om forbrugernes behov og hurtig iteration.

Inden for autonom kørsel er det derfor ikke en god forretning at skille algoritmer eller chips ad og sælge dem separat i det lange løb.

Denne artikel er hentet fra EV-tech

psp13880916091

Indlægstid: 10. december 2020

Den grusomme ende af autonom kørsel: Tesla, Huawei, Apple, Weilai Xiaopeng, Baidu, Didi, hvem kan blive historiens fodnote?