5fc4fb2a24b6adfbe3736be6 Nyheter - Det grymma slutet av autonom körning: Tesla, Huawei, Apple, Weilai Xiaopeng, Baidu, Didi, vem kan bli historiens fotnot?
10 december 2020

Det grymma slutet av autonom körning: Tesla, Huawei, Apple, Weilai Xiaopeng, Baidu, Didi, vem kan bli historiens fotnot?


I dagsläget kan företag som kör personbil automatiskt grovt delas in i tre kategorier.Den första kategorin är ett slutet system som liknar Apple (NASDAQ: AAPL).Nyckelkomponenterna som chips och algoritmer tillverkas av dem själva.Tesla (NASDAQ: TSLA) gör detta.En del nya energibilsföretag hoppas också att successivt inleda det.den här vägen.Den andra kategorin är ett öppet system som liknar Android.Vissa tillverkare tillverkar smarta plattformar, och vissa gör bilar.Huawei och Baidu (NASDAQ: BIDU) har till exempel avsikter i detta avseende.Den tredje kategorin är robotik (förarlösa taxibilar), såsom företag som Waymo.

bilden är från PEXELS

Den här artikeln kommer huvudsakligen att analysera genomförbarheten av dessa tre rutter ur ett perspektiv av teknik och affärsutveckling, och diskutera framtiden för några nya kraftbilstillverkare eller autonoma körföretag.Underskatta inte tekniken.För autonom körning är teknik livet, och nyckelvägen för teknik är den strategiska vägen.Så den här artikeln är också en diskussion om de olika vägarna för strategier för autonom körning.

Eran av mjukvaru- och hårdvaruintegrering har anlänt."Apple-modellen" representerad av Tesla är den bästa vägen.

När det gäller smarta bilar, särskilt inom området autonom körning, kan antagandet av Apples modell med slutna kretslopp göra det lättare för tillverkare att optimera prestanda och förbättra prestandan.Svara snabbt på konsumenternas behov.
Låt mig prata om prestanda först.Prestanda är avgörande för autonom körning.Seymour Cray, superdatorernas fader, sa en gång ett mycket intressant ord, "Vem som helst kan bygga en snabb CPU. Tricket är att bygga ett snabbt system".
Med det gradvisa misslyckandet av Moores lag är det inte möjligt att bara öka prestandan genom att öka antalet transistorer per ytenhet.Och på grund av begränsningen av yta och energiförbrukning är chipets skala också begränsad.Naturligtvis är nuvarande Tesla FSD HW3.0 (FSD kallas Full Self-Driving) bara en 14nm-process, och det finns utrymme för förbättringar.
För närvarande är de flesta digitala chips designade baserat på Von Neumann Architecture med separation av minne och kalkylator, vilket skapar hela systemet av datorer (inklusive smarta telefoner).Från mjukvara till operativsystem till chips, det är djupt påverkat.Von Neumann-arkitekturen är dock inte helt lämplig för den djupa inlärning som autonom körning förlitar sig på, och behöver förbättras eller till och med genombrott.
Det finns till exempel en "minnesvägg" där räknaren går snabbare än minnet, vilket kan orsaka prestandaproblem.Utformningen av hjärnliknande chips har ett genombrott inom arkitekturen, men språnget för långt kanske inte tillämpas snart.Dessutom kan bildfalsnätverket omvandlas till matrisoperationer, vilket kanske inte är riktigt lämpligt för hjärnliknande chips.
Därför, eftersom både Moores lag och Von Neumann-arkitekturen stöter på flaskhalsar, måste framtida prestandaförbättringar huvudsakligen uppnås genom Domain Specific Architecture (DSA, som kan referera till dedikerade processorer).DSA föreslogs av Turing Award-vinnarna John Hennessy och David Patterson.Det är en innovation som inte är alltför långt framme, och är en idé som kan omsättas i praktiken omedelbart.
Vi kan förstå idén med DSA ur ett makroperspektiv.I allmänhet har de nuvarande avancerade chipsen miljarder till tiotals miljarder transistorer.Hur dessa enorma antal transistorer fördelas, ansluts och kombineras har stor inverkan på prestandan för en specifik applikation.I framtiden är det nödvändigt att bygga ett "snabbt system" ur det övergripande perspektivet av mjukvara och hårdvara, och förlita sig på optimering och justering av strukturen.

"Android-läge" är ingen bra lösning inom området smarta bilar.

Många tror att i en tidevarv av autonom körning finns det även Apple (closed loop) och Android (öppen) inom området för smarta telefoner, och det kommer också att finnas tunga mjukvaruleverantörer som Google.Mitt svar är enkelt.Android-rutten kommer inte att fungera på autonom körning eftersom den inte uppfyller riktningen för framtida smarta bilteknikutveckling.

2

Naturligtvis skulle jag inte säga att företag som Tesla och andra företag måste göra varje skruv själva, och många delar måste fortfarande köpas från tillbehörstillverkare.Men den mest centrala delen som påverkar användarupplevelsen måste göras av dig själv, till exempel alla aspekter av autonom körning.
I det första avsnittet har det nämnts att Apples slutna rutt är den bästa lösningen.Det visar faktiskt också att Androids öppna väg inte är den bästa lösningen inom området för autonom körning.

Arkitekturen för smarta telefoner och smarta bilar är annorlunda.Fokus för smartphones är ekologi.Ekosystem innebär att tillhandahålla olika applikationer baserade på ARM och IOS eller Android operativsystem.Därför kan Android-smarttelefoner förstås som en kombination av ett gäng vanliga standarddelar.Chipstandarden är ARM, ovanpå chippet ligger Android-operativsystemet och så finns det olika appar på Internet.På grund av dess standardisering, oavsett om det är ett chip, ett Android-system eller en app, kan det lätt bli ett företag självständigt.

EV3
4

Fokus för smarta bilar är algoritmen och data och hårdvara som stöder algoritmen.Algoritmen kräver extremt hög prestanda oavsett om den tränas i molnet eller antas på terminalen.Hårdvaran i den smarta bilen kräver mycket prestandaoptimering för specifika specialiserade applikationer och algoritmer.Därför kommer endast algoritmer eller bara chips eller bara operativsystem att möta prestandaoptimeringsdilemman på lång sikt.Först när varje komponent utvecklas av sig själv kan den enkelt optimeras.Separationen av mjukvara och hårdvara kommer att resultera i prestanda som inte kan optimeras.

Vi kan jämföra det på det här sättet, NVIDIA Xavier har 9 miljarder transistorer, Tesla FSD HW 3.0 har 6 miljarder transistorer, men Xaviers datoreffektindex är inte lika bra som HW3.0.Och det sägs att nästa generations FSD HW har en prestandaförbättring på 7 gånger jämfört med den nuvarande.Så det beror på att Tesla-chipdesignern Peter Bannon och hans team är starkare än NVIDIAs designers, eller för att Teslas metodik för att kombinera mjukvara och hårdvara är bättre.Vi tror att metodiken för att kombinera mjukvara och hårdvara också måste vara ett viktigt skäl för att förbättra chipprestandan.Att separera algoritmer och data är inte en bra idé.Det är inte gynnsamt för snabb feedback om konsumenternas behov och snabb iteration.

Därför, inom området för autonom körning, är det inte en bra affär att ta isär algoritmer eller chips och sälja dem separat i längden.

Den här artikeln är hämtad från EV-tech

psp13880916091


Posttid: 2020-10-10

Skicka ditt meddelande till oss: