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

در حال حاضر، شرکت هایی که به طور خودکار خودروهای سواری را رانندگی می کنند، تقریباً به سه دسته تقسیم می شوند. دسته اول یک سیستم حلقه بسته مشابه اپل (NASDAQ: AAPL) است. اجزای کلیدی مانند تراشه ها و الگوریتم ها توسط خودشان ساخته می شوند. تسلا (NASDAQ: TSLA) این کار را انجام می دهد. برخی از شرکت‌های خودروسازی انرژی‌های جدید نیز امیدوارند که به تدریج آن را آغاز کنند. این جاده دسته دوم یک سیستم باز مشابه اندروید است. برخی از تولیدکنندگان پلتفرم های هوشمند می سازند و برخی خودروها. به عنوان مثال، هواوی و بایدو (NASDAQ: BIDU) در این زمینه قصد دارند. دسته سوم رباتیک (تاکسی های بدون راننده) مانند شرکت هایی مانند Waymo است.

این مقاله عمدتاً امکان‌سنجی این سه مسیر را از منظر توسعه فناوری و کسب‌وکار تحلیل می‌کند و آینده برخی از تولیدکنندگان جدید خودروهای برقی یا شرکت‌های رانندگی خودکار را مورد بحث قرار می‌دهد. تکنولوژی را دست کم نگیرید. برای رانندگی خودران، فناوری زندگی است و مسیر کلیدی فناوری، مسیر استراتژیک است. بنابراین این مقاله همچنین بحثی در مورد مسیرهای مختلف استراتژی های رانندگی خودران است.

عصر یکپارچه سازی نرم افزار و سخت افزار فرا رسیده است. "مدل اپل" ارائه شده توسط تسلا بهترین مسیر است.

در زمینه خودروهای هوشمند، به‌ویژه در زمینه رانندگی خودکار، استفاده از مدل حلقه بسته اپل می‌تواند بهینه‌سازی عملکرد و بهبود عملکرد را برای سازندگان آسان‌تر کند. به سرعت به نیازهای مصرف کننده پاسخ دهید.
بگذارید ابتدا در مورد عملکرد صحبت کنم. عملکرد برای رانندگی خودکار ضروری است. سیمور کری، پدر ابرکامپیوترها، یک بار کلمه بسیار جالبی را گفت: "هر کسی می تواند یک CPU سریع بسازد. ترفند ساختن یک سیستم سریع است".
با شکست تدریجی قانون مور، افزایش کارایی صرفاً با افزایش تعداد ترانزیستورها در واحد سطح امکان پذیر نیست. و به دلیل محدودیت مساحت و مصرف انرژی، مقیاس تراشه نیز محدود است. البته، تسلا FSD HW3.0 فعلی (FSD به نام Full Self-Driving نامیده می شود) تنها یک فرآیند 14 نانومتری است و فضایی برای بهبود وجود دارد.
در حال حاضر اکثر تراشه های دیجیتال بر اساس معماری فون نیومن با جداسازی حافظه و ماشین حساب طراحی می شوند که کل سیستم کامپیوترها (از جمله تلفن های هوشمند) را ایجاد می کند. از نرم‌افزار گرفته تا سیستم‌عامل‌ها و تراشه‌ها، عمیقاً تحت تأثیر قرار گرفته است. با این حال، معماری Von Neumann برای یادگیری عمیقی که رانندگی خودران به آن متکی است، کاملاً مناسب نیست و نیاز به بهبود یا حتی پیشرفت دارد.
به عنوان مثال، یک "دیوار حافظه" وجود دارد که در آن ماشین حساب سریعتر از حافظه کار می کند، که می تواند باعث مشکلات عملکرد شود. طراحی تراشه های مغز مانند پیشرفتی در معماری دارد، اما این جهش ممکن است به زودی اعمال نشود. علاوه بر این، شبکه کانولوشن تصویر را می توان به عملیات ماتریسی تبدیل کرد، که ممکن است واقعا برای تراشه های مغز مانند مناسب نباشد.
بنابراین، از آنجایی که قانون مور و معماری فون نویمان هر دو با تنگناهایی مواجه می شوند، بهبود عملکرد آینده عمدتاً باید از طریق معماری خاص دامنه (DSA، که می تواند به پردازنده های اختصاصی اشاره کند) به دست آید. DSA توسط جان هنسی و دیوید پترسون برندگان جایزه تورینگ پیشنهاد شد. این یک نوآوری است که خیلی دور نیست و ایده ای است که می تواند بلافاصله عملی شود.
ما می توانیم ایده DSA را از دیدگاه کلان درک کنیم. به طور کلی، تراشه های پیشرفته فعلی دارای میلیاردها تا ده ها میلیارد ترانزیستور هستند. نحوه توزیع، اتصال و ترکیب این تعداد زیادی ترانزیستور تأثیر زیادی بر عملکرد یک برنامه خاص دارد.در آینده باید از منظر کلی نرم افزاری و سخت افزاری «سیستم سریع» ساخت و بر بهینه سازی و تنظیم سازه تکیه کرد.

«حالت اندروید» راه حل خوبی در حوزه خودروهای هوشمند نیست.

بسیاری از مردم بر این باورند که در عصر رانندگی خودکار، اپل (حلقه بسته) و اندروید (باز) نیز در زمینه تلفن های هوشمند وجود دارند و همچنین ارائه دهندگان نرم افزارهای هسته ای سنگین مانند گوگل وجود خواهند داشت. پاسخ من ساده است. مسیر اندروید در رانندگی خودران کار نخواهد کرد زیرا با مسیر توسعه فناوری خودروهای هوشمند آینده مطابقت ندارد.

البته من نمی گویم که شرکت هایی مانند تسلا و سایر شرکت ها باید هر پیچ را خودشان بسازند و هنوز بسیاری از قطعات باید از سازندگان لوازم جانبی خریداری شوند. اما اصلی‌ترین قسمتی که بر تجربه کاربر تأثیر می‌گذارد، باید توسط خودتان انجام شود، مانند تمام جنبه‌های رانندگی خودکار.
در قسمت اول اشاره شده است که مسیر حلقه بسته اپل بهترین راه حل است. در واقع، همچنین نشان می دهد که مسیر باز اندروید بهترین راه حل در زمینه رانندگی خودکار نیست.

معماری تلفن های هوشمند و خودروهای هوشمند متفاوت است. تمرکز گوشی های هوشمند روی محیط زیست است. اکوسیستم یعنی ارائه اپلیکیشن های مختلف بر اساس سیستم عامل های ARM و IOS یا اندروید.بنابراین، تلفن های هوشمند اندرویدی را می توان ترکیبی از مجموعه ای از قطعات استاندارد رایج دانست. استاندارد تراشه ARM است، در بالای تراشه سیستم عامل اندروید قرار دارد و سپس برنامه های مختلفی در اینترنت وجود دارد. به دلیل استاندارد بودن آن، چه یک تراشه، یک سیستم اندروید یا یک برنامه، به راحتی می تواند به طور مستقل به یک تجارت تبدیل شود.

تمرکز خودروهای هوشمند، الگوریتم و داده ها و سخت افزار پشتیبانی کننده از الگوریتم است. الگوریتم به عملکرد بسیار بالایی نیاز دارد، چه در فضای ابری آموزش داده شود و چه در ترمینال استنباط شود. سخت افزار خودروهای هوشمند نیاز به بهینه سازی عملکرد زیادی برای برنامه ها و الگوریتم های تخصصی خاص دارد. بنابراین، تنها الگوریتم ها یا فقط تراشه ها یا فقط سیستم عامل ها در دراز مدت با معضلات بهینه سازی عملکرد مواجه خواهند شد. تنها زمانی که هر جزء به خودی خود توسعه یابد، می توان آن را به راحتی بهینه کرد. جداسازی نرم افزار و سخت افزار منجر به عملکردی می شود که نمی توان آن را بهینه کرد.

می‌توانیم آن را به این صورت مقایسه کنیم، NVIDIA Xavier 9 میلیارد ترانزیستور دارد، Tesla FSD HW 3.0 دارای 6 میلیارد ترانزیستور است، اما شاخص قدرت محاسباتی Xavier به خوبی HW3.0 نیست. و گفته می شود که نسل بعدی FSD HW نسبت به فعلی بهبود عملکرد ۷ برابری داشته است. بنابراین، به این دلیل است که پیتر بنن، طراح تراشه تسلا و تیمش قوی‌تر از طراحان انویدیا هستند، یا اینکه روش تسلا برای ترکیب نرم‌افزار و سخت‌افزار بهتر است. ما فکر می کنیم روش ترکیب نرم افزار و سخت افزار نیز باید دلیل مهمی برای بهبود عملکرد تراشه باشد. جداسازی الگوریتم ها و داده ها ایده خوبی نیست. برای بازخورد سریع در مورد نیازهای مصرف کننده و تکرار سریع مناسب نیست.