Derzeit lassen sich Unternehmen, die Pkw automatisiert fahren, grob in drei Kategorien einteilen. Die erste Kategorie ist ein geschlossenes System ähnlich dem von Apple (NASDAQ: AAPL). Die Schlüsselkomponenten wie Chips und Algorithmen werden selbst hergestellt. Tesla (NASDAQ: TSLA) tut dies. Einige Unternehmen für neue Energieautos hoffen ebenfalls, schrittweise damit beginnen zu können. diese Straße. Die zweite Kategorie ist ein offenes System ähnlich wie Android. Einige Hersteller stellen intelligente Plattformen her, andere stellen Autos her. Beispielsweise haben Huawei und Baidu (NASDAQ: BIDU) diesbezügliche Absichten. Die dritte Kategorie ist Robotik (fahrerlose Taxis), beispielsweise von Unternehmen wie Waymo.
In diesem Artikel wird hauptsächlich die Machbarkeit dieser drei Routen aus der Perspektive der Technologie und Geschäftsentwicklung analysiert und die Zukunft einiger neuer Hersteller von Elektroautos oder Unternehmen für autonomes Fahren erörtert. Unterschätzen Sie die Technologie nicht. Für das autonome Fahren ist Technologie das Leben, und der Schlüsseltechnologiepfad ist der strategische Pfad. Daher ist dieser Artikel auch eine Diskussion über die verschiedenen Wege autonomer Fahrstrategien.
Im Bereich intelligenter Autos, insbesondere im Bereich des autonomen Fahrens, kann die Übernahme des Closed-Loop-Modells von Apple es den Herstellern erleichtern, die Leistung zu optimieren und die Leistung zu verbessern. Reagieren Sie schnell auf Verbraucherbedürfnisse.
Lassen Sie mich zunächst über die Leistung sprechen. Leistung ist für autonomes Fahren unerlässlich. Seymour Cray, der Vater der Supercomputer, sagte einmal ein sehr interessantes Wort: „Jeder kann eine schnelle CPU bauen. Der Trick besteht darin, ein schnelles System zu bauen.“
Mit dem allmählichen Scheitern des Mooreschen Gesetzes ist es nicht möglich, die Leistung einfach durch eine Erhöhung der Anzahl der Transistoren pro Flächeneinheit zu steigern. Und aufgrund der begrenzten Fläche und des Energieverbrauchs ist auch die Größe des Chips begrenzt. Natürlich ist der aktuelle Tesla FSD HW3.0 (FSD heißt Full Self-Driving) nur ein 14-nm-Prozess, und es gibt Raum für Verbesserungen.
Derzeit basieren die meisten digitalen Chips auf der Von-Neumann-Architektur mit der Trennung von Speicher und Rechner, wodurch das gesamte Computersystem (einschließlich Smartphones) entsteht. Von Software über Betriebssysteme bis hin zu Chips ist es stark betroffen. Allerdings ist die Von-Neumann-Architektur nicht vollständig für das Deep Learning geeignet, auf dem autonomes Fahren beruht, und bedarf einer Verbesserung oder sogar eines Durchbruchs.
Beispielsweise gibt es eine „Speicherwand“, bei der der Rechner schneller läuft als der Speicher, was zu Leistungsproblemen führen kann. Das Design gehirnähnlicher Chips stellt zwar einen Durchbruch in der Architektur dar, aber der zu weite Sprung wird möglicherweise nicht bald umgesetzt. Darüber hinaus kann das Bildfaltungsnetzwerk in Matrixoperationen umgewandelt werden, was für gehirnähnliche Chips möglicherweise nicht wirklich geeignet ist.
Da sowohl das Mooresche Gesetz als auch die Von-Neumann-Architektur auf Engpässe stoßen, müssen zukünftige Leistungssteigerungen hauptsächlich durch die Domain Specific Architecture (DSA, was sich auf dedizierte Prozessoren beziehen kann) erreicht werden. DSA wurde von den Turing-Preisträgern John Hennessy und David Patterson vorgeschlagen. Es ist eine Innovation, die noch nicht allzu weit fortgeschritten ist und eine Idee, die sofort in die Praxis umgesetzt werden kann.
Wir können die Idee von DSA aus einer Makroperspektive verstehen. Im Allgemeinen verfügen die aktuellen High-End-Chips über Milliarden bis mehrere zehn Milliarden Transistoren. Die Art und Weise, wie diese große Anzahl von Transistoren verteilt, verbunden und kombiniert wird, hat großen Einfluss auf die Leistung einer bestimmten Anwendung.Zukünftig ist es notwendig, aus der Gesamtperspektive von Software und Hardware ein „schnelles System“ aufzubauen und auf Optimierung und Anpassung der Struktur zu setzen.
Der „Android-Modus“ ist im Bereich Smart Cars keine gute Lösung.
Viele Menschen glauben, dass es im Zeitalter des autonomen Fahrens auch Apple (geschlossener Kreislauf) und Android (offen) im Bereich Smartphones geben wird und dass es auch leistungsstarke Softwareanbieter wie Google geben wird. Meine Antwort ist einfach. Der Android-Weg wird beim autonomen Fahren nicht funktionieren, da er nicht der Richtung der zukünftigen Entwicklung der Smart-Car-Technologie entspricht.
Natürlich würde ich nicht sagen, dass Unternehmen wie Tesla und andere jede Schraube selbst herstellen müssen und viele Teile immer noch von Zubehörherstellern zugekauft werden müssen. Der wichtigste Teil, der sich auf das Benutzererlebnis auswirkt, muss jedoch von Ihnen selbst erledigt werden, beispielsweise alle Aspekte des autonomen Fahrens.
Im ersten Abschnitt wurde erwähnt, dass Apples Closed-Loop-Route die beste Lösung ist. Tatsächlich zeigt es auch, dass die offene Android-Route nicht die beste Lösung im Bereich des autonomen Fahrens ist.
Die Architektur von Smartphones und Smart Cars ist unterschiedlich. Der Fokus von Smartphones liegt auf der Ökologie. Ökosystem bedeutet die Bereitstellung verschiedener Anwendungen auf Basis von ARM- und IOS- oder Android-Betriebssystemen.Daher können Android-Smartphones als eine Kombination aus einer Reihe gängiger Standardteile verstanden werden. Der Chipstandard ist ARM, auf dem Chip sitzt das Betriebssystem Android, dazu gibt es noch diverse Apps im Internet. Aufgrund seiner Standardisierung, sei es ein Chip, ein Android-System oder eine App, kann es leicht zu einem eigenständigen Unternehmen werden.
Der Fokus intelligenter Autos liegt auf dem Algorithmus sowie den Daten und der Hardware, die den Algorithmus unterstützen. Der Algorithmus erfordert eine extrem hohe Leistung, unabhängig davon, ob er in der Cloud trainiert oder auf dem Terminal abgeleitet wird. Die Hardware des Smart Cars erfordert umfangreiche Leistungsoptimierungen für bestimmte Spezialanwendungen und Algorithmen. Daher werden auf lange Sicht nur Algorithmen oder nur Chips oder nur Betriebssysteme vor dem Dilemma der Leistungsoptimierung stehen. Nur wenn jede Komponente für sich entwickelt wird, kann sie leicht optimiert werden. Die Trennung von Software und Hardware führt zu einer Leistung, die nicht optimiert werden kann.
Wir können es so vergleichen: NVIDIA Xavier hat 9 Milliarden Transistoren, Tesla FSD HW 3.0 hat 6 Milliarden Transistoren, aber der Rechenleistungsindex von Xavier ist nicht so gut wie der von HW3.0. Und es heißt, dass die FSD-HW der nächsten Generation im Vergleich zur aktuellen eine siebenfache Leistungssteigerung aufweist. Das liegt also daran, dass der Tesla-Chipdesigner Peter Bannon und sein Team stärker sind als die NVIDIA-Designer oder dass Teslas Methodik zur Kombination von Software und Hardware besser ist. Wir glauben, dass die Methodik der Kombination von Software und Hardware auch ein wichtiger Grund für die Verbesserung der Chipleistung sein muss. Eine Trennung von Algorithmen und Daten ist keine gute Idee. Es ist nicht förderlich für ein schnelles Feedback zu Verbraucherbedürfnissen und eine schnelle Iteration.
Daher ist es im Bereich des autonomen Fahrens auf Dauer kein gutes Geschäft, Algorithmen oder Chips zu zerlegen und separat zu verkaufen.
Dieser Artikel stammt von EV-tech
psp13880916091
Zeitpunkt der Veröffentlichung: 10. Dezember 2020