Foreløpig kan selskaper som kjører personbiler automatisk grovt sett deles inn i tre kategorier. Den første kategorien er et lukket sløyfesystem som ligner på Apple (NASDAQ: AAPL). Nøkkelkomponentene som brikker og algoritmer er laget av seg selv. Tesla (NASDAQ: TSLA) gjør dette. Noen nye energibilselskaper håper også å gradvis ta fatt på det. denne veien. Den andre kategorien er et åpent system som ligner på Android. Noen produsenter lager smarte plattformer, og noen lager biler. For eksempel har Huawei og Baidu (NASDAQ: BIDU) intensjoner i denne forbindelse. Den tredje kategorien er robotikk (førerløse drosjer), som selskaper som Waymo.
Denne artikkelen vil hovedsakelig analysere gjennomførbarheten av disse tre rutene fra et perspektiv av teknologi og forretningsutvikling, og diskutere fremtiden til noen nye kraftbilprodusenter eller autonome kjøreselskaper. Ikke undervurder teknologien. For autonom kjøring er teknologi livet, og nøkkelveien for teknologi er den strategiske veien. Så denne artikkelen er også en diskusjon om de forskjellige veiene til autonome kjørestrategier.
Innen smartbiler, spesielt innen autonom kjøring, kan å ta i bruk Apples lukkede sløyfe-modell gjøre det lettere for produsenter å optimalisere ytelsen og forbedre ytelsen. Svar raskt på forbrukernes behov.
La meg snakke om ytelse først. Ytelse er avgjørende for autonom kjøring. Seymour Cray, faren til superdatamaskiner, sa en gang et veldig interessant ord: "Alle kan bygge en rask CPU. Trikset er å bygge et raskt system".
Med den gradvise svikten av Moores lov, er det ikke mulig å bare øke ytelsen ved å øke antall transistorer per arealenhet. Og på grunn av begrensningen av areal og energiforbruk, er omfanget av brikken også begrenset. Selvfølgelig er dagens Tesla FSD HW3.0 (FSD kalles Full Self-Driving) kun en 14nm prosess, og det er rom for forbedring.
For tiden er de fleste digitale brikker designet basert på Von Neumann-arkitekturen med separasjon av minne og kalkulator, som skaper hele systemet med datamaskiner (inkludert smarttelefoner). Fra programvare til operativsystemer til brikker, det er dypt berørt. Von Neumann-arkitekturen er imidlertid ikke helt egnet for den dype læringen som autonom kjøring er avhengig av, og trenger forbedring eller til og med gjennombrudd.
For eksempel er det en «minnevegg» hvor kalkulatoren går raskere enn minnet, noe som kan gi ytelsesproblemer. Utformingen av hjernelignende sjetonger har faktisk et gjennombrudd i arkitekturen, men spranget for langt blir kanskje ikke brukt snart. Dessuten kan bildekonvolusjonsnettverket konverteres til matriseoperasjoner, som kanskje ikke egner seg for hjernelignende brikker.
Derfor, siden Moores lov og Von Neumann-arkitekturen begge møter flaskehalser, må fremtidige ytelsesforbedringer hovedsakelig oppnås gjennom Domain Specific Architecture (DSA, som kan referere til dedikerte prosessorer). DSA ble foreslått av Turing Award-vinnerne John Hennessy og David Patterson. Det er en innovasjon som ikke er så langt fremme, og er en idé som kan settes ut i livet umiddelbart.
Vi kan forstå ideen om DSA fra et makroperspektiv. Generelt har dagens avanserte brikker milliarder til titalls milliarder transistorer. Hvordan disse enorme antallet transistorer distribueres, kobles sammen og kombineres har stor innvirkning på ytelsen til en spesifikk applikasjon.I fremtiden er det nødvendig å bygge et "raskt system" fra det overordnede perspektivet til programvare og maskinvare, og stole på optimalisering og justering av strukturen.
«Android-modus» er ingen god løsning innen smartbiler.
Mange tror at i en tid med autonom kjøring, er det også Apple (lukket sløyfe) og Android (åpen) innen smarttelefoner, og det vil også være tunge programvareleverandører som Google. Svaret mitt er enkelt. Android-ruten vil ikke fungere på autonom kjøring fordi den ikke oppfyller retningen for fremtidig smartbilteknologiutvikling.
Jeg vil selvfølgelig ikke si at selskaper som Tesla og andre selskaper må lage hver eneste skrue selv, og mange deler må fortsatt kjøpes fra tilbehørsprodusenter. Men den mest sentrale delen som påvirker brukeropplevelsen må gjøres av deg selv, for eksempel alle aspekter ved autonom kjøring.
I den første delen har det blitt nevnt at Apples lukkede rute er den beste løsningen. Faktisk demonstrerer det også at den åpne Android-ruten ikke er den beste løsningen innen autonom kjøring.
Arkitekturen til smarttelefoner og smarte biler er annerledes. Fokuset til smarttelefoner er økologi. Økosystem betyr å tilby ulike applikasjoner basert på ARM og IOS eller Android operativsystemer.Derfor kan Android-smarttelefoner forstås som en kombinasjon av en haug med vanlige standarddeler. Brikkestandarden er ARM, på toppen av brikken ligger Android-operativsystemet, og så finnes det ulike apper på Internett. På grunn av standardiseringen, enten det er en brikke, et Android-system eller en app, kan det enkelt bli en bedrift uavhengig.
Fokuset til smarte biler er algoritmen og data og maskinvare som støtter algoritmen. Algoritmen krever ekstremt høy ytelse enten den er trent i skyen eller utledet på terminalen. Maskinvaren til den smarte bilen krever mye ytelsesoptimalisering for spesifikke spesialiserte applikasjoner og algoritmer. Derfor vil bare algoritmer eller bare brikker eller bare operativsystemer møte ytelsesoptimaliseringsdilemmaer i det lange løp. Bare når hver komponent er utviklet av seg selv, kan den enkelt optimaliseres. Separasjonen av programvare og maskinvare vil resultere i ytelse som ikke kan optimaliseres.
Vi kan sammenligne det på denne måten, NVIDIA Xavier har 9 milliarder transistorer, Tesla FSD HW 3.0 har 6 milliarder transistorer, men Xaviers datakraftindeks er ikke like god som HW3.0. Og det sies at neste generasjons FSD HW har en ytelsesforbedring på 7 ganger sammenlignet med den nåværende. Så det er fordi Tesla-brikkedesigner Peter Bannon og teamet hans er sterkere enn NVIDIAs designere, eller fordi Teslas metodikk for å kombinere programvare og maskinvare er bedre. Vi tror metodikken for å kombinere programvare og maskinvare også må være en viktig årsak til forbedring av brikkeytelsen. Å skille algoritmer og data er ikke en god idé. Det bidrar ikke til rask tilbakemelding på forbrukerbehov og rask iterasjon.
Derfor, innen autonom kjøring, er det ikke en god forretning i det lange løp å demontere algoritmer eller brikker og selge dem separat.
Denne artikkelen er hentet fra EV-tech
psp13880916091
Innleggstid: 10. desember 2020