Podczas odbywającego się w zeszłym tygodniu Dnia Innowacji Technologicznych firma NIO zaprezentowała najnowszy model NIO World Model (NWM) w dziedzinie autonomicznej jazdy. Ma on posiadać dwurdzeniowe możliwości rozumienia przestrzennego i czasowego, przewyższając tym samym kompleksowe wdrażanie modeli.
Autonomiczny układ napędowy Shenzi NX9031, który oficjalnie ogłoszono jako pomyślnie wyprodukowany, jest dostosowany do modelu NIO World. Shenzi NX9031 to pierwszy na świecie 5-nm autonomiczny układ napędowy niezależnie opracowany przez NIO. Według NIO jeden układ ma wydajność równą czterem flagowym układom w branży (Nvidia Orin X).
W ciągu ostatnich dwóch lat autonomiczne układy scalone były kluczowym przełomowym kierunkiem produktów dla producentów samochodów. NIO i XPeng opracowywały własne układy scalone, a Li Auto rozpoczęło pracę nieco później. Oparta na Longying No. 1 spółka zależna Geely, Xingjing Technology, również od lat podąża ścieżką samorozwoju.
Li Bin publicznie oświadczył, że NIO kupiło wiele chipów Nvidia w zeszłym roku, co kosztowało firmę dużo pieniędzy. Biorąc pod uwagę koszty zakupu, firma zdecydowała się na samodzielne opracowanie chipów. Oficjalne oświadczenie głosi, że Shenzi NX9031 może zwrócić się w ciągu około roku.
Istnieje wiele powodów, dla których rozwijają własne układy scalone, ale jednym z głównych celów „Wei Xiaoli” (zbiorcze określenie dla NIO, XPeng i Li Auto) jest uwolnienie się od ograniczeń Nvidii. Z raportów branżowych wynika, że samodzielnie opracowane układy scalone są dość przyszłościowe i będą zgodne z najnowszymi trendami, takimi jak autonomiczna jazda typu end-to-end.
Jednakże chiński kontyngent otaczający Nvidię nie ogranicza się do „Wei Xiaoli”. W tym roku lokalni dostawcy chipów również „wciągnęli się” w rywalizację end-to-end. Na China Auto Forum w zeszłym miesiącu prezes Horizon Chen Liming jasno stwierdził, że end-to-end jest obecnie jedynym wykonalnym rozwiązaniem dla końcowego etapu autonomicznej jazdy.
Lu Jianfeng, wiceprezes działu inteligentnych pojazdów AIChip, uważa, że end-to-end to jedyny sposób na zaawansowaną autonomiczną jazdę. Ze względu na długi cykl projektowania i rozwoju układów scalonych, strategia AIChip polega na pomijaniu innych modeli i skupieniu się na trybie One Model, podobnie jak architektura technologii UniAD dla projektowania NPU.
Z perspektywy branży, wysokie koszty zewnętrznych zamówień, niepewna sytuacja międzynarodowa i korzyści w postaci redukcji kosztów, jakie Tesla osiągnęła wcześniej dzięki samodzielnie opracowanym układom scalonym, wpłynęły na strategie dotyczące układów scalonych i modele dostaw stosowane przez krajowych producentów samochodów.
Popularność dużych modeli end-to-end nie tylko zapoczątkowała nową rundę rewolucji autonomicznej jazdy, ale także przyspieszyła ewolucję produktu i technologii autonomicznych układów scalonych. To nie tylko stawia wyższe wymagania producentom samochodów w zakresie samodzielnie opracowywanych układów scalonych, ale także zmusza dostawców układów scalonych w czerwonym oceanie do przyspieszenia wewnętrznej konkurencji.
Nadeszła fala samorozwoju
Dlaczego producenci samochodów opracowują własne układy scalone?
Opanowanie podstawowej technologii:Zapewnienie bezpieczeństwa dostaw i niedopuszczenie do „duszenia” przez dostawców, zwłaszcza potężnych dostawców zagranicznych.
Li Bin wspomniał w wywiadzie, że międzynarodowy wpływ amerykańskich ograniczeń na podaż chipów miał już realny wpływ na chiński przemysł motoryzacyjny.
„Od października ubiegłego roku nie mogliśmy używać najnowocześniejszych chipów na świecie do naszego szkolenia w chmurze. Zespół ds. autonomicznej jazdy nie tylko analizuje możliwości chmury, ale także możliwości inteligencji grupowej. Chociaż ryzyko dla chipów wnioskowania brzegowego jest obecnie niskie, nadal musimy być przygotowani na różne zmiany”.
Personalizacja:
Eksperci z branży powiedzieli magazynowi „Auto Commune”/„C-Dimension”, że jednym z kluczowych zagadnień, jakie powinni rozważyć nowi producenci samochodów, opracowujący własne układy scalone, jest zwiększenie konkurencyjności produktu poprzez wyróżnienie się, ponieważ samodzielnie opracowane układy scalone umożliwiają realizację funkcji dostosowanych do potrzeb klienta.
Dla producentów samochodów opracowywanie własnych chipów jest kosztowne, ale może zmniejszyć zależność od zagranicznych dostawców chipów, zapewniając, że „wszystkie jajka nie są w jednym koszyku”. Ponadto samodzielnie opracowane chipy mogą lepiej pasować do ich własnych algorytmów, rozwiązując problem sprzężenia między algorytmami a platformami chipów.
W przeszłości moc obliczeniowa 144 TOPS Tesli przewyższała dostępne na rynku układy 400-500 TOPS, głównie dlatego, że układ został zaprojektowany dla własnych algorytmów Tesli. Co ciekawe, układ mocy obliczeniowej 144 TOPS Tesli (Autopilot HW3.0), wydany w 2019 r., nadal obsługuje kompleksową autonomiczną jazdę.
Redukcja kosztów:
Li Bin stwierdził na konferencji prasowej, że NIO wydało dużo pieniędzy na chipy Nvidia w zeszłym roku. Aby obniżyć koszty, NIO postanowiło opracować własne chipy, przy czym jeden chip odpowiada czterem chipom Nvidia, obniżając w ten sposób koszty. Według Li Bin, Shenzi NX9031 może zwrócić się w ciągu około roku.
Istnieją również inne względy. Branżowi insiderzy zauważają, że promowanie samodzielnie opracowanych chipów i składanie publicznych zobowiązań może pozytywnie wpłynąć na rynek wtórny i postrzeganie marki. Ponadto samodzielnie opracowane chipy mogą znacznie poprawić doświadczenie systemowe, osiągając cele strategiczne.
Warto zauważyć, że wczesne samodzielnie opracowane układy scalone Tesli miały na celu zwiększenie mocy obliczeniowej i elastyczności.
Raporty wskazują, że samodzielnie opracowany proces chipów XPeng ściśle podąża za NIO, a chipy są wysyłane do wypuszczenia na taśmę, spodziewane na powrót w sierpniu. Rozwój chipów Li Auto rozpoczął się stosunkowo późno, a projekt autonomicznego układu napędowego o nazwie kodowej „Schumacher” ma zakończyć wypuszczenie na taśmę w ciągu roku.
„Środek, nie cel”
Wu Xinzou, szef działu autonomicznej jazdy w firmie Nvidia, podkreślił, że rozwój technologii autonomicznej jazdy można podzielić na trzy etapy, przy czym etapem końcowym jest etap kompleksowy.
Pierwszy etap:Całkowicie oparte na regułach.
Drugi etap:Duże modele AI stopniowo zastępują ręczne reguły, kończąc przewidywanie i planowanie.
Trzeci etap:Kompleksowe, duże modele, w których sztuczna inteligencja obejmuje cały proces od percepcji do podejmowania decyzji.
Na trzecim etapie autonomicznej jazdy, autonomiczne układy scalone są bardzo wymagające. Wiceprezes AIChip Liu Jifeng wyraził podobne myśli, stwierdzając, że prawdziwe end-to-end obejmuje używanie dużych modeli do szkolenia i walidacji w chmurze, a wyniki są stosowane do wnioskowania brzegowego, co nakłada znaczną odpowiedzialność na firmy produkujące układy scalone.
Horizon uważa, że end-to-end jest środkiem, a nie celem, wymagającym połączenia ludzkiego doświadczenia, wydajnego przetwarzania i zwinnej dostawy. Akumulacja zdolności end-to-end wymaga wysiłków w iteracji algorytmów, konstrukcji fundamentów inżynieryjnych i integracji oprogramowania ze sprzętem, przy czym oprogramowanie i algorytmy odgrywają kluczową rolę.
Główny architekt Horizon Algorithm Platform Mu Lisen uważa, że zasadnicza zdolność end-to-end leży w iteracji danych. Chociaż wydaje się to być przyszłościową strukturą modelu, iteracyjne dane za nią stojące są ważniejsze, wspierając przejście od technologii laboratoryjnej do dojrzałości na poziomie produktu.
Chen Liming przyznał również, że Horizon ma trudności z ciągle zmieniającymi się architekturami pojazdów i czujników, układami czujników i ich przyjęciem. Pomimo gromadzenia dużej ilości danych, większość z nich nie jest wysokiej jakości ani nie nadaje się do ciągłego użytku, co jest problemem wykraczającym poza zakres możliwości rozwiązania przez jakąkolwiek pojedynczą firmę.
„Wersja FSD V12.3 Tesli została wytrenowana na 10 milionach próbek wideo, wyodrębnionych z 10 miliardów wysokiej jakości próbek. Chiny nadal nie dorównują. Co więcej, 10 miliardów próbek zebrano w ramach standardowej struktury czujników, co zapewnia ciągłość w trenowaniu najnowszych modeli”.
Podobnie jak Horizon, AIChip podkreśla swoją rolę jako Tier 2, wierząc, że kluczowymi wymaganiami dla układów autonomicznego sterowania w algorytmach kompleksowych są duża ilość pamięci i wielordzeniowa moc obliczeniowa.
Osiągnięcie pełnej autonomicznej jazdy wymaga wsparcia kluczowych układów obliczeniowych, w tym innowacji architektonicznych, przełomowych osiągnięć w zakresie podstawowej własności intelektualnej i skokowego wzrostu wydajności.
Mu Lisen z Horizon wyjaśnił w wywiadzie dla „Auto Commune”/„C-Dimension”, że próg techniczny w konkurencji kompleksowej mocy obliczeniowej leży w przystosowaniu się do wymagań obliczeniowych wynikających ze zmian w strukturze modelu i zmianach priorytetów operatora.
Z jednej strony modele będą się rozrastać, a wraz z nimi wzrośnie moc obliczeniowa; z drugiej strony struktury modeli będą ewoluować, przechodząc od modeli opartych głównie na CNN (splotowych sieciach neuronowych) do kompleksowych modeli opartych głównie na technologii Transformer.
„Transformatory to szeroka kategoria algorytmów stosowana w dużych modelach językowych (takich jak ChatGPT) i autonomicznej jeździe typu end-to-end, z różnymi celami operatora. Autonomiczna jazda typu end-to-end wymaga podstawowych operacji macierzowych i dodatkowego wsparcia operatora, co stawia wyższe wymagania”.
Obóz Huawei ma również znaczący wpływ. Pomimo dominacji Nvidii na rynku układów autonomicznej jazdy, Chiny mają duży kontyngent zasilany przez Huawei, w tym marki takie jak AITO, Avatr, Jihu i Zhijie. Systemy autonomicznej jazdy ich pojazdów w dużej mierze wykorzystują platformy komputerowe MDC810/MDC610 firmy Huawei.
Dzięki wysiłkom dostawców układów scalonych do autonomicznej jazdy i przyspieszonemu wdrażaniu samodzielnie opracowanych układów scalonych przez firmy takie jak NIO, w nadchodzących latach aspiracja krajowego sektora układów scalonych do „uniezależnienia się od firmy Nvidia” zostanie stopniowo i częściowo zrealizowana.
