Momenteel zijn bedrijven die personenauto’s automatisch laten rijden grofweg in drie categorieën in te delen. De eerste categorie is een gesloten systeem vergelijkbaar met Apple (NASDAQ: AAPL). De belangrijkste componenten zoals chips en algoritmen worden door henzelf gemaakt. Tesla (NASDAQ:TSLA) doet dit. Sommige bedrijven op het gebied van nieuwe energieauto's hopen er ook geleidelijk mee aan de slag te gaan. deze weg. De tweede categorie is een open systeem vergelijkbaar met Android. Sommige fabrikanten maken slimme platforms, andere maken auto's. Huawei en Baidu (NASDAQ: BIDU) hebben bijvoorbeeld intenties op dit gebied. De derde categorie is robotica (taxi’s zonder bestuurder), zoals bedrijven als Waymo.
Dit artikel analyseert voornamelijk de haalbaarheid van deze drie routes vanuit het perspectief van technologie en bedrijfsontwikkeling, en bespreekt de toekomst van enkele nieuwe fabrikanten van elektrische auto's of bedrijven die autonoom rijden. Onderschat technologie niet. Voor autonoom rijden is technologie leven, en het belangrijkste technologiepad is het strategische pad. Dit artikel is dus ook een discussie over de verschillende paden van autonome rijstrategieën.
Op het gebied van slimme auto's, vooral op het gebied van autonoom rijden, kan het toepassen van het gesloten-lusmodel van Apple het voor fabrikanten gemakkelijker maken om de prestaties te optimaliseren en de prestaties te verbeteren. Speel snel in op de behoeften van de consument.
Laat ik het eerst over de prestaties hebben. Prestaties zijn essentieel voor autonoom rijden. Seymour Cray, de vader van supercomputers, zei ooit een heel interessant woord: "Iedereen kan een snelle CPU bouwen. De truc is om een snel systeem te bouwen".
Met het geleidelijk mislukken van de wet van Moore is het niet haalbaar om simpelweg de prestaties te verhogen door het aantal transistors per oppervlakte-eenheid te vergroten. En door de beperking van oppervlakte en energieverbruik is ook de schaal van de chip beperkt. Natuurlijk is de huidige Tesla FSD HW3.0 (FSD heet Full Self-Driving) slechts een 14nm-proces, en er is ruimte voor verbetering.
Momenteel zijn de meeste digitale chips ontworpen op basis van de Von Neumann-architectuur met de scheiding van geheugen en rekenmachine, waardoor het hele systeem van computers (inclusief smartphones) ontstaat. Van software tot besturingssystemen tot chips, het wordt diep beïnvloed. De Von Neumann-architectuur is echter niet helemaal geschikt voor het diepgaande leren waar autonoom rijden op vertrouwt, en moet worden verbeterd of zelfs doorgebroken.
Er is bijvoorbeeld een ‘geheugenmuur’ waarbij de rekenmachine sneller werkt dan het geheugen, wat prestatieproblemen kan veroorzaken. Het ontwerp van breinachtige chips betekent wel een doorbraak in de architectuur, maar de sprong te ver zal wellicht niet snel worden toegepast. Bovendien kan het convolutionele beeldnetwerk worden omgezet in matrixbewerkingen, wat misschien niet echt geschikt is voor hersenachtige chips.
Omdat de wet van Moore en de Von Neumann-architectuur beide op knelpunten stuiten, moeten toekomstige prestatieverbeteringen vooral worden bereikt via Domain Specific Architecture (DSA, dat kan verwijzen naar specifieke processors). DSA werd voorgesteld door Turing Award-winnaars John Hennessy en David Patterson. Het is een innovatie die niet al te ver vooruit is, en een idee dat onmiddellijk in de praktijk kan worden gebracht.
We kunnen het idee van DSA vanuit macroperspectief begrijpen. Over het algemeen hebben de huidige high-end chips miljarden tot tientallen miljarden transistors. De manier waarop deze enorme aantallen transistors worden gedistribueerd, verbonden en gecombineerd, heeft een grote impact op de prestaties van een specifieke toepassing.In de toekomst is het noodzakelijk om een "snel systeem" te bouwen vanuit het algemene perspectief van software en hardware, en te vertrouwen op optimalisatie en aanpassing van de structuur.
‘Android-modus’ is geen goede oplossing op het gebied van slimme auto’s.
Veel mensen geloven dat er in het tijdperk van autonoom rijden ook Apple (closed loop) en Android (open) zullen zijn op het gebied van smartphones, en dat er ook heavy-core softwareleveranciers zoals Google zullen zijn. Mijn antwoord is eenvoudig. De Android-route zal niet werken op het gebied van autonoom rijden, omdat deze niet voldoet aan de richting van de toekomstige ontwikkeling van slimme autotechnologie.
Ik zou natuurlijk niet zeggen dat bedrijven als Tesla en andere bedrijven elke schroef zelf moeten maken, en dat veel onderdelen nog steeds bij accessoirefabrikanten moeten worden gekocht. Maar het belangrijkste deel dat de gebruikerservaring beïnvloedt, moet u zelf doen, zoals alle aspecten van autonoom rijden.
In het eerste deel is vermeld dat de gesloten route van Apple de beste oplossing is. Sterker nog, het toont ook aan dat de Android open route niet de beste oplossing is op het gebied van autonoom rijden.
De architectuur van smartphones en slimme auto's is anders. De focus van smartphones ligt op ecologie. Ecosysteem betekent het aanbieden van verschillende applicaties op basis van ARM- en IOS- of Android-besturingssystemen.Daarom kunnen Android-smartphones worden opgevat als een combinatie van een aantal veel voorkomende standaardonderdelen. De chipstandaard is ARM, bovenop de chip zit het Android-besturingssysteem en dan zijn er nog diverse apps op internet. Door de standaardisatie, of het nu om een chip, een Android-systeem of een App gaat, kan het gemakkelijk zelfstandig een bedrijf worden.
De focus van slimme auto's ligt op het algoritme en de data en hardware die het algoritme ondersteunen. Het algoritme vereist extreem hoge prestaties, of het nu in de cloud wordt getraind of op de terminal wordt afgeleid. De hardware van de slimme auto vereist veel prestatie-optimalisatie voor specifieke gespecialiseerde toepassingen en algoritmen. Daarom zullen alleen algoritmen of alleen chips of alleen besturingssystemen op de lange termijn met prestatie-optimalisatiedilemma's te maken krijgen. Alleen als elk onderdeel op zichzelf wordt ontwikkeld, kan het eenvoudig worden geoptimaliseerd. De scheiding tussen software en hardware zal resulteren in prestaties die niet kunnen worden geoptimaliseerd.
We kunnen het op deze manier vergelijken: NVIDIA Xavier heeft 9 miljard transistors, Tesla FSD HW 3.0 heeft 6 miljard transistors, maar de rekenkrachtindex van Xavier is niet zo goed als HW3.0. En er wordt gezegd dat de FSD HW van de volgende generatie een prestatieverbetering van 7 keer heeft vergeleken met de huidige. Het komt dus omdat Tesla-chipontwerper Peter Bannon en zijn team sterker zijn dan de ontwerpers van NVIDIA, of omdat Tesla's methodologie voor het combineren van software en hardware beter is. Wij denken dat de methodologie van het combineren van software en hardware ook een belangrijke reden moet zijn voor de verbetering van de chipprestaties. Het scheiden van algoritmen en data is geen goed idee. Het is niet bevorderlijk voor snelle feedback over consumentenbehoeften en snelle herhaling.
Op het gebied van autonoom rijden is het demonteren van algoritmen of chips en deze afzonderlijk verkopen op de lange termijn dan ook geen goede zaak.
Dit artikel is afkomstig van EV-tech
psp13880916091
Posttijd: 10 december 2020