Hai-To The Moon - Tiger Brokers Online Investing Community

2
Comment
Favorite

深蓝夜雨
2021-08-22

Hai

特斯拉(TSLA.US)AI DAY深层解读，马斯克坚持纯视觉绝不动摇

汽车人参考结合AI Day的内容，从硬件和软件两个层面进行深入分析。

Disclaimer: Investing carries risk. This is not financial advice. The above content should not be regarded as an offer, recommendation, or solicitation on acquiring or disposing of any financial products, any associated discussions, comments, or posts by author or other users should not be considered as such either. It is solely for general information purpose only, which does not consider your own investment objectives, financial situations or needs. TTM assumes no responsibility or warranty for the accuracy and completeness of the information, investors should do their own research and may seek professional advice before investing.

Report

Comment

Top
Latest

No comments yet

Most Discussed

Terms and Conditions·Privacy Policy

Company: TTMF Limited. Tech supported by Xiangshang Yixin.

Email：uservice@ttm.financial

{"i18n":{"language":"en_US"},"data":{"magic":2,"id":832325071,"tweetId":"832325071","gmtCreate":1629593399093,"gmtModify":1676530073963,"author":{"id":78818338116088,"idStr":"78818338116088","authorId":78818338116088,"authorIdStr":"78818338116088","name":"深蓝夜雨","avatar":"https://static.tigerbbs.com/617fef598a8dd422d627bdaa3297c40b","vip":1,"userType":1,"introduction":"","boolIsFan":false,"boolIsHead":false,"crmLevel":1,"crmLevelSwitch":0,"individualDisplayBadges":[],"fanSize":1,"starInvestorFlag":false},"themes":[],"images":[],"coverImages":[],"extraTitle":"","html":"<html><head></head><body><p>Hai</p></body></html>","htmlText":"<html><head></head><body><p>Hai</p></body></html>","text":"Hai","highlighted":1,"essential":1,"paper":1,"likeSize":2,"commentSize":0,"repostSize":0,"favoriteSize":0,"link":"https://ttm.financial/post/832325071","repostId":2161741708,"repostType":2,"repost":{"id":"2161741708","kind":"highlight","pubTimestamp":1629590862,"share":"https://www.laohu8.com/m/news/2161741708?lang=&edition=full","pubTime":"2021-08-22 08:07","market":"hk","language":"zh","title":"特斯拉(TSLA.US)AI DAY深层解读，马斯克坚持纯视觉绝不动摇","url":"https://stock-news.laohu8.com/highlight/detail?id=2161741708","media":"智通财经网","summary":"汽车人参考结合AI Day的内容，从硬件和软件两个层面进行深入分析。","content":"<html><body><div> <p>“打造像人脑一样基于视觉的神经网络系统”，这是2021年<a href=\"https://laohu8.com/S/TSLA\">特斯拉</a>(TSLA.US)AI  Day的核心主题，本质上是马斯克坚持纯视觉路线的延续和说明。汽车人参考结合AI Day的内容，从硬件和软件两个层面进行深入分析。</p><p><strong>车端感知硬件做减法</strong></p><p>从2014年的HW1.0开始，特斯拉自动驾驶不用激光雷达已是路人皆知，芯片设计从外购逐步走向自研，车越卖越多，神经网络越来越成熟，车端“12个摄像头+1个前向雷达”这套感知硬件整体框架一直没有变化。</p><center><img height=\"292\" src=\"http://img.zhitongcaijing.com/images/contentformat/1dd0c37412ce9173eb5ba8e387d9f377.jpg\" width=\"677\"/></center><p>2021年5月发布的“Tesla Vision”，取消了毫米波雷达，特斯拉最终走向了纯视觉。</p><p>其使用的德国大陆第四代中距前向雷达，作为一款入门产品，无论从FoV还是角分辨率，性能上都称不上最佳，而且更缺乏高度信息。</p><center><img height=\"278\" src=\"http://img.zhitongcaijing.com/images/contentformat/66dbcb5d95995e310f7cc7526292cb08.jpg\" width=\"677\"/></center><p>这就带来了一个问题，或者说现有毫米波雷达的通病，对大量静态目标，包括很低的路灯、隧道顶等产生反射，特别是金属圆盘，反射信号会被进一步放大，就会产生大量的虚假杂点。</p><p>因此需要在算法上需要进行过滤，但过滤多了就会“漏检撞车”(可联想到蔚来汽车近期的事故)，而过滤少了就会有“幽灵刹车”(特斯拉车主抱怨)。</p><p>更重要的是，摄像头每秒传输的比特量是毫米波雷达的100倍，当两者数据进行融合时，置信度不高，会产生跳跃和抖动的问题。</p><p>摄像头就如同人的视觉，而毫米波雷达更像是人的嗅觉，在对前方物体进行分类识别时，两者发生冲突，视觉才是主导。</p><p><strong>云端Dojo超算力，足以媲美人脑</strong></p><p>现有特斯拉车端FSD芯片算力主要依靠两块SoC芯片，算力为144TOPS，并不高，但是，基于帧检测的摄像头需要依赖高算力，其核心诉求是高带宽和低延迟。</p><center><img height=\"351\" src=\"http://img.zhitongcaijing.com/images/contentformat/aceee224bb0da39bd9f21ec57240107a.jpg\" width=\"677\"/></center><p>高带宽意味着数据交换的通道多，低延迟表示数据交换速度快，而特斯拉云端的中央计算平台“Dojo”就是为此而生。</p><p>Dojo由5760个<a href=\"https://laohu8.com/S/NVDA\">英伟达</a>A100GPU组成，其总算力达到1.8EFLOPS，带宽达到了1.6TB/s，存储空间为12PB，足以与人脑相媲美。</p><center><img height=\"332\" src=\"http://img.zhitongcaijing.com/images/contentformat/0aa051494bf2b34d682f58891e4c1b40.jpg\" width=\"677\"/></center><p>其核心是能将多个GPU通过<a href=\"https://laohu8.com/S/TSM\">台积电</a>首次量产的InFO-SoW扇上晶圆直出封装技术，封装在一个基板上，成为一个D1芯片组。</p><p>由于芯片间的距离极短，因此D1芯片组就是一个低延迟的数据交换结构，以D1芯片组为单元，构建了整个Dojo的硬件体系，用于支撑更大更复杂神经网络的AI训练，实现对数据的高效处理。</p><center><img height=\"412\" src=\"http://img.zhitongcaijing.com/images/contentformat/8f6c41cd686b44ea48cb4a352871f99e.jpg\" width=\"677\"/></center><p><strong>越来越成熟的全栈AI神经网络</strong></p><p>在软件层面，特斯拉整个神经网络架构如下图所示：</p><center><img height=\"359\" src=\"http://img.zhitongcaijing.com/images/contentformat/ae5f4f4b5d89a5ddfa2c12b91e03fffd.jpg\" width=\"677\"/></center><p>最底层的是数据、GPU集群以及Dojo计算集群，进行数据采集、标注和训练，生成模型;上一层是基于PyTorch开源框架(<a href=\"https://laohu8.com/S/FB\">Facebook</a>)的深度神经网络，主要负责对模型进行分布式训练;再用损失函数对模型进行评估;在评估层之上，是云端推理和车端FSD芯片推理，在这一层意味着模型已经部署到了车端;在车端通过影子模式将模型与人类驾驶行为进行比对，检测是否存在异常。</p><p>在这个架构底层，需要数以百万计的，经过清晰标注的(速度、加速度、深度)，且包含大量边缘案列的数据进行喂养。</p><center><img height=\"292\" src=\"http://img.zhitongcaijing.com/images/contentformat/702e1d05ea5256a1baf6234ccd691c6f.jpg\" width=\"677\"/></center><p>在数据标注层面，特斯拉一直致力于自动打标签，通过Dojo在传统摄像头2D图像基础上，实现立体空间+时间戳的四维标注。</p><p>此外，为了应对长尾问题(Conner Case)，特斯拉开发了221个Trigger，主要目的是为了获得边缘化的场景。</p><p>截止到今2021年6月底，特斯拉一共积累了7轮影子模式迭代流程，包括了100万个由摄像头拍摄的36  帧/s、10秒时长的高度差异化场景，共计60亿个包含精确的深度和加速度的物体标注，总计1.5PB的数据量。</p><p>下图为一辆特斯拉眼中的数据世界Mind of Car：</p><center><img height=\"381\" src=\"http://img.zhitongcaijing.com/images/contentformat/f3ab45aed338b1193c633803dc1cfe41.jpg\" width=\"677\"/></center><p><strong>汽车人参考小结</strong></p><p>马斯克坚持纯视觉路线的底层逻辑，本质上是特斯拉的技术壁垒。</p><p>在硬件层面，车端感知层开始做减法，云端超计算Dojo，对数据自动标注;而在软件层面，实现从数据、模型、训练、推理、迭代的全栈AI神经网络架构。</p><p>回到开头的第一句话，打造像人脑一样基于视觉的神经网络系统，既是2021年特斯拉AI Day的核心主题，又体现了马斯克第一性原理的处世哲学。</p><p><strong>本文选编自“德安车研”;智通财经编辑：王岳川。</strong></p> </div></body></html>","source":"highlight_zhitongcaijin","collect":0,"html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>特斯拉(TSLA.US)AI DAY深层解读，马斯克坚持纯视觉绝不动摇</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n特斯拉(TSLA.US)AI DAY深层解读，马斯克坚持纯视觉绝不动摇\n</h2>\n\n<h4 class=\"meta\">\n\n\n2021-08-22 08:07 北京时间&nbsp;&nbsp;&nbsp;<a href=http://www.zhitongcaijing.com/content/detail/540831.html><strong>智通财经网</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>“打造像人脑一样基于视觉的神经网络系统”，这是2021年特斯拉(TSLA.US)AI  Day的核心主题，本质上是马斯克坚持纯视觉路线的延续和说明。汽车人参考结合AI Day的内容，从硬件和软件两个层面进行深入分析。车端感知硬件做减法从2014年的HW1.0开始，特斯拉自动驾驶不用激光雷达已是路人皆知，芯片设计从外购逐步走向自研，车越卖越多，神经网络越来越成熟，车端“12个摄像头+1个前向雷达”...</p>\n\n<a href=\"http://www.zhitongcaijing.com/content/detail/540831.html\">Web Link</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","type":0,"thumbnail":"https://img.zhitongcaijing.com/image/20210822/20210822080853_28042.png?x-oss-process=image/format,jpg/quality,Q_80/resize,w_250","relate_stocks":{"TSLA":"特斯拉"},"source_url":"http://www.zhitongcaijing.com/content/detail/540831.html","is_english":false,"share_image_url":"https://static.laohu8.com/6ca2dcdccfa2217fb20a0351f4efe814","article_id":"2161741708","content_text":"“打造像人脑一样基于视觉的神经网络系统”，这是2021年特斯拉(TSLA.US)AI  Day的核心主题，本质上是马斯克坚持纯视觉路线的延续和说明。汽车人参考结合AI Day的内容，从硬件和软件两个层面进行深入分析。车端感知硬件做减法从2014年的HW1.0开始，特斯拉自动驾驶不用激光雷达已是路人皆知，芯片设计从外购逐步走向自研，车越卖越多，神经网络越来越成熟，车端“12个摄像头+1个前向雷达”这套感知硬件整体框架一直没有变化。2021年5月发布的“Tesla Vision”，取消了毫米波雷达，特斯拉最终走向了纯视觉。其使用的德国大陆第四代中距前向雷达，作为一款入门产品，无论从FoV还是角分辨率，性能上都称不上最佳，而且更缺乏高度信息。这就带来了一个问题，或者说现有毫米波雷达的通病，对大量静态目标，包括很低的路灯、隧道顶等产生反射，特别是金属圆盘，反射信号会被进一步放大，就会产生大量的虚假杂点。因此需要在算法上需要进行过滤，但过滤多了就会“漏检撞车”(可联想到蔚来汽车近期的事故)，而过滤少了就会有“幽灵刹车”(特斯拉车主抱怨)。更重要的是，摄像头每秒传输的比特量是毫米波雷达的100倍，当两者数据进行融合时，置信度不高，会产生跳跃和抖动的问题。摄像头就如同人的视觉，而毫米波雷达更像是人的嗅觉，在对前方物体进行分类识别时，两者发生冲突，视觉才是主导。云端Dojo超算力，足以媲美人脑现有特斯拉车端FSD芯片算力主要依靠两块SoC芯片，算力为144TOPS，并不高，但是，基于帧检测的摄像头需要依赖高算力，其核心诉求是高带宽和低延迟。高带宽意味着数据交换的通道多，低延迟表示数据交换速度快，而特斯拉云端的中央计算平台“Dojo”就是为此而生。Dojo由5760个英伟达A100GPU组成，其总算力达到1.8EFLOPS，带宽达到了1.6TB/s，存储空间为12PB，足以与人脑相媲美。其核心是能将多个GPU通过台积电首次量产的InFO-SoW扇上晶圆直出封装技术，封装在一个基板上，成为一个D1芯片组。由于芯片间的距离极短，因此D1芯片组就是一个低延迟的数据交换结构，以D1芯片组为单元，构建了整个Dojo的硬件体系，用于支撑更大更复杂神经网络的AI训练，实现对数据的高效处理。越来越成熟的全栈AI神经网络在软件层面，特斯拉整个神经网络架构如下图所示：最底层的是数据、GPU集群以及Dojo计算集群，进行数据采集、标注和训练，生成模型;上一层是基于PyTorch开源框架(Facebook)的深度神经网络，主要负责对模型进行分布式训练;再用损失函数对模型进行评估;在评估层之上，是云端推理和车端FSD芯片推理，在这一层意味着模型已经部署到了车端;在车端通过影子模式将模型与人类驾驶行为进行比对，检测是否存在异常。在这个架构底层，需要数以百万计的，经过清晰标注的(速度、加速度、深度)，且包含大量边缘案列的数据进行喂养。在数据标注层面，特斯拉一直致力于自动打标签，通过Dojo在传统摄像头2D图像基础上，实现立体空间+时间戳的四维标注。此外，为了应对长尾问题(Conner Case)，特斯拉开发了221个Trigger，主要目的是为了获得边缘化的场景。截止到今2021年6月底，特斯拉一共积累了7轮影子模式迭代流程，包括了100万个由摄像头拍摄的36  帧/s、10秒时长的高度差异化场景，共计60亿个包含精确的深度和加速度的物体标注，总计1.5PB的数据量。下图为一辆特斯拉眼中的数据世界Mind of Car：汽车人参考小结马斯克坚持纯视觉路线的底层逻辑，本质上是特斯拉的技术壁垒。在硬件层面，车端感知层开始做减法，云端超计算Dojo，对数据自动标注;而在软件层面，实现从数据、模型、训练、推理、迭代的全栈AI神经网络架构。回到开头的第一句话，打造像人脑一样基于视觉的神经网络系统，既是2021年特斯拉AI Day的核心主题，又体现了马斯克第一性原理的处世哲学。本文选编自“德安车研”;智通财经编辑：王岳川。","news_type":1},"isVote":1,"tweetType":1,"viewCount":307,"commentLimit":10,"likeStatus":false,"favoriteStatus":false,"reportStatus":false,"symbols":[],"verified":2,"subType":0,"readableState":1,"langContent":"EN","currentLanguage":"EN","warmUpFlag":false,"orderFlag":false,"shareable":true,"causeOfNotShareable":"","featuresForAnalytics":[],"commentAndTweetFlag":false,"andRepostAutoSelectedFlag":false,"upFlag":false,"length":3,"xxTargetLangEnum":"ORIG"},"commentList":[],"hasMoreComment":false,"orderType":2}