El cruel final de la conducción autónoma: Tesla, Huawei, Apple, Weilai, Xiaopeng, Baidu, Didi, ¿quién puede convertirse en la nota al pie de la historia?
2020-12-10

"El mercado está en manos de la minoría"

Actualmente, las empresas que conducen automóviles de pasajeros automáticamente se pueden dividir aproximadamente en tres categorías. La primera categoría es un sistema de circuito cerrado similar a Apple (NASDAQ: AAPL). Los componentes clave como chips y algoritmos son fabricados por ellos mismos. Tesla (NASDAQ: TSLA) hace esto. Algunas empresas de automóviles de nueva energía también esperan embarcarse gradualmente en este camino. La segunda categoría es un sistema abierto similar a Android. Algunos fabricantes hacen plataformas inteligentes y algunos hacen automóviles. Por ejemplo, Huawei y Baidu (NASDAQ: BIDU) tienen intenciones en este sentido. La tercera categoría es robótica (taxis sin conductor), como empresas como Waymo.

Este artículo analizará principalmente la viabilidad de estas tres rutas desde la perspectiva del desarrollo tecnológico y comercial, y discutirá el futuro de algunos fabricantes de automóviles de nueva potencia o empresas de conducción autónoma. No subestime la tecnología. Para la conducción autónoma, la tecnología es vida, y la ruta tecnológica clave es la ruta estratégica. Por lo que este artículo también es una discusión sobre las diferentes rutas de estrategias de conducción autónoma.

Ha llegado la era de la integración de software y hardware. El "modelo Apple" representado por Tesla es la mejor ruta.

En el campo de los autos inteligentes, especialmente en el campo de la conducción autónoma, adoptar el modelo de circuito cerrado de Apple puede facilitar a los fabricantes optimizar y mejorar el rendimiento. Responder rápidamente a las necesidades de los consumidores.
Hablemos del rendimiento primero. El rendimiento es esencial para la conducción autónoma. Seymour Cray, el padre de las supercomputadoras, una vez dijo una palabra muy interesante: "Cualquiera puede construir una CPU rápida. El truco es construir un sistema rápido".
Con el fracaso gradual de la Ley de Moore, no es factible simplemente aumentar el rendimiento aumentando el número de transistores por unidad de área. Y debido a la limitación de área y consumo de energía, la escala del chip también está limitada. Por supuesto, el actual Tesla FSD HW3.0 (FSD se llama Full Self-Driving) es solo un proceso de 14 nm, y hay espacio para mejorar.
En la actualidad, la mayoría de los chips digitales están diseñados basados en la Arquitectura de Von Neumann con la separación de memoria y calculadora, lo que crea todo el sistema de computadoras (incluidos los teléfonos inteligentes). Desde el software hasta los sistemas operativos y chips, está profundamente afectado. Sin embargo, la Arquitectura de Von Neumann no es completamente adecuada para el aprendizaje profundo del que depende la conducción autónoma, y necesita mejora o incluso ruptura.
Por ejemplo, hay un "muro de memoria" donde la calculadora corre más rápido que la memoria, lo que puede causar problemas de rendimiento. El diseño de chips tipo cerebro sí tiene un avance en la arquitectura, pero el salto demasiado lejano puede no aplicarse pronto. Además, la red convolucional de imágenes se puede convertir en operaciones de matriz, que pueden no ser realmente adecuadas para chips tipo cerebro.
Por lo tanto, a medida que tanto la Ley de Moore como la arquitectura de Von Neumann encuentran cuellos de botella, las mejoras de rendimiento futuras principalmente necesitan lograrse a través de la Arquitectura de Dominio Específico (DSA, que puede referirse a procesadores dedicados). DSA fue propuesto por los ganadores del Premio Turing John Hennessy y David Patterson. Es una innovación que no avanza demasiado, y es una idea que se puede poner en práctica de inmediato.
Podemos entender la idea de DSA desde una perspectiva macro. Generalmente, los chips de gama alta actuales tienen miles de millones a decenas de miles de millones de transistores. Cómo se distribuyen, conectan y combinan estos enormes números de transistores tiene un gran impacto en el rendimiento de una aplicación específica. En el futuro, es necesario construir un "sistema rápido" desde la perspectiva integral de software y hardware, y confiar en la optimización y ajuste de la estructura.

El "modo Android" no es una buena solución en el campo de los autos inteligentes.

Muchas personas creen que en la era de la conducción autónoma, también habrá Apple (circuito cerrado) y Android (abierto) en el campo de los teléfonos inteligentes, y también habrá proveedores de software de núcleo pesado como Google. Mi respuesta es simple. La ruta Android no funcionará en la conducción autónoma porque no cumple la dirección del desarrollo futuro de la tecnología de autos inteligentes.

El "modo Android" no es una buena solución en el campo de los autos inteligentes.

Muchas personas creen que en la era de la conducción autónoma, también habrá Apple (circuito cerrado) y Android (abierto) en el campo de los teléfonos inteligentes, y también habrá proveedores de software de núcleo pesado como Google. Mi respuesta es simple. La ruta Android no funcionará en la conducción autónoma porque no cumple la dirección del desarrollo futuro de la tecnología de autos inteligentes. La arquitectura de teléfonos inteligentes y autos inteligentes es diferente. El enfoque de los teléfonos inteligentes es el ecosistema. Ecosistema significa proporcionar varias aplicaciones basadas en ARM e IOS o sistemas operativos Android. Por lo tanto, los teléfonos inteligentes Android se pueden entender como una combinación de un montón de piezas estándar comunes. El estándar de chip es ARM, encima del chip está el sistema operativo Android, y luego hay varias aplicaciones en Internet. Debido a su estandarización, ya sea un chip, un sistema Android o una App, puede convertirse fácilmente en un negocio independiente. La ruta Android no funcionará en la conducción autónoma porque no cumple la dirección del desarrollo futuro de la tecnología de autos inteligentes.

El enfoque de los autos inteligentes es el algoritmo y los datos y hardware que respaldan el algoritmo. El algoritmo requiere un rendimiento extremadamente alto ya sea entrenado en la nube o inferido en el terminal. El hardware del auto inteligente requiere mucha optimización de rendimiento para aplicaciones y algoritmos especializados específicos. Por lo tanto, solo algoritmos o solo chips o solo sistemas operativos enfrentarán dilemas de optimización de rendimiento a largo plazo. Solo cuando cada componente es desarrollado por sí mismo puede optimizarse fácilmente. La separación de software y hardware resultará en un rendimiento que no se puede optimizar.

Podemos compararlo de esta manera: NVIDIA Xavier tiene 9 mil millones de transistores, Tesla FSD HW 3.0 tiene 6 mil millones de transistores, pero el índice de poder de cálculo de Xavier no es tan bueno como HW3.0. Y se dice que la próxima generación de FSD HW tiene una mejora de rendimiento de 7 veces en comparación con la actual. Entonces, ¿es porque el diseñador de chips de Tesla, Peter Bannon, y su equipo son más fuertes que los diseñadores de NVIDIA, o porque la metodología de Tesla de combinar software y hardware es mejor? Creemos que la metodología de combinar software y hardware también debe ser una razón importante para la mejora del rendimiento del chip. Separar algoritmos y datos no es una buena idea. No es propicio para la retroalimentación rápida sobre las necesidades de los consumidores y la iteración rápida.

Por lo tanto, en el campo de la conducción autónoma, desensamblar algoritmos o chips y venderlos por separado no es un buen negocio a largo plazo.