8月20日，特斯拉AI日終于開始了！馬斯克和一眾技術高管不僅介紹了特斯拉汽車數據處理、超級計算機Project Dojo、D1芯片，還公開了真人形態的特斯拉機器人原型，話不多說下面一起來看看特斯拉大招吧！


視頻來源網絡
網址：https://www.bilibili.com/video/BV14h411i75g?from=search&seid=13206247333984460081


自動化駕駛

AI可以視作一種生物。這種生物是從頭開始構建的，包含了合成視覺皮層。而這就是應用在特斯拉汽車中的視覺組件。

特斯拉在設計汽車中的視覺時，是按照人眼感知生物視覺的方式進行建模。在特斯拉汽車中，每輛車都裝有8個攝像頭，攝像頭的數據會輸入到一個三維的矢量空間里。

每個相機獲取原始輸入后能創建不同的分辨率，以用于各種功能和目的。這些信息會輸入到一個復雜的神經網絡中，以生成對自動駕駛套件有用的附加信息。特斯拉展示了過去如何處理其圖像數據的視頻，雖然每個攝像頭的檢測很好，但事實證明矢量空間是不夠的。

如今，特斯拉已經能夠在矢量空間進行自動標注，就算行駛過程中視野被遮擋，根據標注的數據，也能夠安全、準確地導航。除此之外，Karpathy還討論了特斯拉神經網絡學習的設計，包括相機校準、緩存、隊列和優化，以簡化所有任務。

通過結合多個車輛經過同一地點的繪制，就可以得到一個完整的地圖。這些策略最終幫助特斯拉從其FSD和自動駕駛套件中退出雷達，采用純視覺模型。特斯拉的模擬（simulation）大有裨益。目前已經幫助特斯拉確定了行人、自行車和車輛檢測和運動學。

車輛中的網絡已經能夠得出3.71億個模擬圖像和4.8億個立方體。特斯拉的自動駕駛場景模擬系統能夠根據現實視頻自動對場景進行標注，重建場景，最后得出合成場景，該系統包括五個部分：

準確傳感器模擬


逼真渲染


各種路上的事物和定位


可擴展的場景生成


情景重構


Project Dojo
要想讓特斯拉汽車應用神經網絡，那就需要超級計算機。
Project Dojo也就應運而生。
Dojo是一個由網絡結構連接的分布式計算架構，有一個大的計算平面，具有極高的帶寬和低延遲，以及被分割和映射的大網絡。
Dojo是一個純粹的學習機器，有超過50萬個訓練節點。每個節點的計算量為9 petaflops，每秒有36兆字節的瓦片外帶寬。
但這僅僅是Dojo的冰山一角。


Dojo用所有這些力量都被用來做一件事：為自動駕駛汽車賦能。
特斯拉Dojo超級計算機系統的重頭戲，莫過于D1芯片。

采用7納米制造工藝，具有1024千兆的處理能力。曾在芯片制造商 AMD 工作的 Venkataramanan 表示，將一組這樣的芯片放置在單個“訓練片”上，以提供每秒九千萬億次的計算能力，并將 120 個芯片放在多個服務器機柜上，達到每秒超過 1 千萬億次的計算能力。這些芯片可以幫助訓練模型來識別特拉斯汽車攝像頭中收集到的各種物品。訓練模型需要大量的計算工作。


特斯拉展示了實驗室內部的一個訓練單元，運行頻率2GHz，計算性能最高9PFlops(每秒9千萬億次)。

Dojo 的規格、性能十分強大。Dojo 是一個真正意義上的機器學習架構，它擁有 50 多萬個訓練節點。每秒九千萬億次的計算以及每秒 36tb 的帶寬還都只是 Dojo 的冰山一角。比這更可怕的是，Dojo 的全部潛力都在為一件事情做準備——使自動駕駛汽車成為可能。Venkataramanan 認為，特斯拉的技術將打造出最快的 AI 訓練計算機。他還表示：“特斯拉很快就會組裝首批套件。"

至于為什么要自研超算 Dojo，馬斯克也給過答案：“解決自動駕駛的唯一方法是解決現實世界中的 AI 問題，無論是硬件還是軟件，而這也是特斯拉正在做的事情。除非一家公司具有很強的 AI 能力以及超強算力，否則很難解決自動駕駛難題。”如今 Dojo 芯片已來，根據馬斯克的計劃，明年 Dojo 會投入運營。至于 Dojo 未來會為特斯拉以及自動駕駛帶來哪些改變，一起拭目以待。

特斯拉機器人

特斯拉正式宣布進軍機器人領域，將會制造一個特斯拉機器人——明年上市。特斯拉表示，Tesla Bot會替代人類去執行那些危險、重復、無聊的任務。馬斯克表示，機器人將會使用和特斯拉汽車相似的系統。不過，前提是他們能夠解決FSD的問題。由人類建造，為人類服務。

身高1米73，速度最高可達8千米每小時，載重18千克。得益于輕量級材料的使用，機器人的體重只有56.7千克。

此外，Tesla Bot還搭載了40個機電執行器 ，人類級別的手和兩只腳。機器人將通過力反饋感應來實現平衡。

機器人的臉則會作為顯示用戶信息的屏幕。與特斯拉汽車相同，機器人將使用基于視覺的神經網絡，AP的攝像頭以及FSD的全套計算設備。同時還會有Dojo超算的加持，為其提供自動標簽、以及訓練等。

文章內容來源：芯片之家，作者金屬加工。