汽車行業(yè)深度：Dojo助推特斯拉加速AI落地

請(qǐng)務(wù)必閱讀正文后的聲明及說明特斯拉不僅在電動(dòng)汽車領(lǐng)域取得了革命性突破，更在智能駕駛和人形機(jī)器人領(lǐng)域展現(xiàn)出其作為AI公司的雄心和實(shí)力。特斯拉在智能駕駛技術(shù)上取得了顯著成就，其全自動(dòng)駕駛技術(shù)FSD已更新至V12版本。特斯拉的算法演進(jìn)經(jīng)歷了從HydraNets到端到端方案的四代變革，每一代都在感知、決策和規(guī)控方面實(shí)現(xiàn)了技術(shù)突破。最終端到端方案通過直接輸入傳感器信息到神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了高效的駕駛命令輸出。特斯拉在人形機(jī)器人領(lǐng)域的進(jìn)展同樣領(lǐng)先，自2021年首次發(fā)布概念以來，特斯拉人型機(jī)器人在運(yùn)動(dòng)能力、視覺感知能力和自主性方面取得了顯著進(jìn)步。2023年12月發(fā)布的Optimus第二代產(chǎn)品在行走速度、重量、平衡感和身體控制能力上都有了顯著提升，能夠在工廠環(huán)境中執(zhí)行精確的電池分揀任務(wù)。AI應(yīng)用的加速需要AI芯片。AI芯片是AI計(jì)算的核心工具，可分為訓(xùn)練和推理兩大類，也可分為云端和終端。不同場(chǎng)景對(duì)芯片的性能要求不同。云端訓(xùn)練芯片是AI時(shí)代最重要的武器之一，英偉達(dá)作為AI芯片市場(chǎng)的領(lǐng)導(dǎo)者，其GPU架構(gòu)從Fermi到Hopper不斷演進(jìn)，每一代產(chǎn)品都在性能和效能上取得了顯著提升。特斯拉的Dojo芯片采用ASIC路線，高效支持自身算法訓(xùn)練。Dojo采用ASIC路線，Dojonode是Dojo芯片的最小節(jié)點(diǎn)，具有標(biāo)量處理單元、向量處理單元、存儲(chǔ)單元和片上路由器。D1芯片集成了354個(gè)Dojonode，提供了高的算力和能效比。Dojo訓(xùn)練Tile通過集成多個(gè)D1芯片，形成了強(qiáng)大的訓(xùn)練矩陣，能夠支持大規(guī)模的AI模型訓(xùn)練。DojoExaPOD則進(jìn)一步集成了訓(xùn)練矩陣，提供了1.1EFLOPS的峰值算力和高速SRAM，為大規(guī)模并行計(jì)算任務(wù)提供了強(qiáng)大的硬件支持。Dojo的另一個(gè)可比對(duì)象：谷歌TPU。TPU是首款人工智能專用的計(jì)算芯片，于2016年首次發(fā)布，目前已經(jīng)從TPUv1迭代到了TPUv5，能力上也有巨大提升，是首個(gè)部署張量計(jì)算單元的芯片。雖然在數(shù)據(jù)中心訓(xùn)練和推理方面有其優(yōu)勢(shì)，但在工業(yè)級(jí)別適配和開發(fā)生態(tài)方面面臨挑戰(zhàn)。特斯拉Dojo在設(shè)計(jì)理念和應(yīng)用模式上與TPU有相似之處，但也面臨著類似的大規(guī)模推廣壓力。歷史收益率曲線歷史收益率曲線2023/52023/82023/11206%行業(yè)數(shù)據(jù)行業(yè)數(shù)據(jù)相關(guān)報(bào)告相關(guān)報(bào)告《奇瑞汽車深度報(bào)告：出海持續(xù)增長，新能源式齊發(fā)力推動(dòng)行業(yè)走向落地》1.特斯拉：從制造公司到AI公司 5 5 5 7 9 20 20 22 25 25 27 28 29 29 31 31 32 34 36 37 40 40 41 41 434.5.DojoInterfaceProcessor 43 45 47 47 48 51 54 54 5 6 7 8 8 9 9 圖25云端、邊緣和終端AI芯片應(yīng)用情況 6 表5：云端訓(xùn)練芯片 表6：云端推理芯片 表10：TPU歷代發(fā)布時(shí)間 特斯拉最初以其顛覆性的電動(dòng)汽車而聞名于世，但公司的長期規(guī)劃和布局是希望成為一家AI公司。特斯拉在全自動(dòng)駕駛（FSD，F(xiàn)ullSelf-Drive）投入巨大并取得了卓越的成就，它不僅代表了公司在自動(dòng)駕駛領(lǐng)域的技術(shù)突破，而且體現(xiàn)了其在機(jī)器學(xué)習(xí)和數(shù)據(jù)處理方面的深厚實(shí)力。FSD技術(shù)通過不斷學(xué)習(xí)得到強(qiáng)大的神經(jīng)網(wǎng)絡(luò)和先進(jìn)的算法，使得特斯拉汽車能夠?qū)崿F(xiàn)接近人類的駕駛決特斯拉的智駕算法被認(rèn)為是行業(yè)的標(biāo)桿，也是Neck：頸部位于主干和頭部之間，用于提取一些更精細(xì)的特征。Head：在特征提取（Backbone）道檢測(cè)等大量任務(wù)聚合到一個(gè)全新的架構(gòu)布局中，該架構(gòu)有一個(gè)共同共享的主干， 在2020-2021年到來的的大模型時(shí)代，特斯拉引領(lǐng)自動(dòng)駕駛行業(yè)感知性能，完美實(shí)現(xiàn)了多攝像頭和多傳感器信息的融合從而獲得體積占用率，以此為基礎(chǔ)實(shí)現(xiàn)實(shí)時(shí)感知。占用網(wǎng)絡(luò)的1.1.4.特斯拉智能駕駛第四代算法：端到端方案特斯拉最新的FSDV12版本采用端到端方案，這是完全基于大模型和數(shù)據(jù)在自動(dòng)駕駛系統(tǒng)中，算法通?？梢苑譃楦兄蜎Q策規(guī)控兩個(gè)主要部憑借著自身在智能駕駛和人工智能領(lǐng)域的積累，特斯拉積極投入人型機(jī)器人領(lǐng)域，并掀起了行業(yè)大潮。通過開發(fā)具有高度靈活性和智能的人型機(jī)器人，特斯拉正在探索AI在工業(yè)自動(dòng)化、家庭服務(wù)和復(fù)雜任務(wù)執(zhí)行中的潛力。這些機(jī)器人將能夠執(zhí)行重復(fù)性、危險(xiǎn)或需要高度精確度的工作，從而推動(dòng)生產(chǎn)力的提高和人類工作的轉(zhuǎn)型。的身體結(jié)構(gòu)和四肢以及靜態(tài)站立能力，但尚性和智能性，通過端到端神經(jīng)網(wǎng)絡(luò)的應(yīng)用，機(jī)器動(dòng)能力、視覺感知能力和自主性方面得到了提升，還在機(jī)器人的移動(dòng)實(shí)現(xiàn)需要幾個(gè)步驟，首先需要形成物理上的自我實(shí)現(xiàn)全身協(xié)調(diào)運(yùn)動(dòng)（利用相應(yīng)的傳感器以及的控制難題，機(jī)器人的骨盆位置、重心位置，使用更好的機(jī)器人模型來進(jìn)行訓(xùn)練，通過傳感器測(cè)量，將真實(shí)世界的復(fù)雜性引入訓(xùn)練環(huán)境成還是走不出三步就會(huì)倒。研發(fā)人員利用相應(yīng)的傳感器以及他們?cè)诂F(xiàn)實(shí)先捕捉人類搬箱子時(shí)的運(yùn)動(dòng)軌跡，再結(jié)合機(jī)器人自身特點(diǎn)有一個(gè)人類對(duì)某一動(dòng)作進(jìn)行了演示，研發(fā)人員通過視頻對(duì)其其映射到機(jī)器人上。這樣只需要一個(gè)演示視頻，研發(fā)人動(dòng)能力，同時(shí)學(xué)習(xí)人類完成一些精細(xì)的操作，逐漸在工廠里面承擔(dān)一些實(shí)際工作。在利用端到端神經(jīng)網(wǎng)絡(luò)的驅(qū)動(dòng)下，機(jī)器人的能力邊界不斷拓寬。AI算力芯片特點(diǎn)AI算力芯片種類硬件通用性延和成本因素ASIC人工智能的實(shí)現(xiàn)包括訓(xùn)練（Training）和推理（Inference）兩個(gè)環(huán)節(jié)。訓(xùn)練環(huán)節(jié)需要通過大量數(shù)據(jù)訓(xùn)練出一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，使其能夠定的通用性，可處理不同的任務(wù)。推理芯片云端訓(xùn)練:云端即數(shù)據(jù)中心，對(duì)神經(jīng)網(wǎng)絡(luò)云端推理:推理過程是指直接將數(shù)據(jù)輸入神經(jīng)網(wǎng)由于涉及海量的訓(xùn)練數(shù)據(jù)和復(fù)雜的深度絡(luò)并評(píng)估結(jié)果的正向計(jì)算過程。相比云端訓(xùn)練芯終端訓(xùn)練:訓(xùn)練對(duì)數(shù)據(jù)量的要求和終端場(chǎng)終端推理:在5G技術(shù)和AIoT技術(shù)高速發(fā)展的今天，終端推理芯片有越來越豐富的應(yīng)用場(chǎng)景，居等各種終端設(shè)備中，需求和約束也日趨多樣，圖25云端、邊緣和終端AI芯片應(yīng)用情況某些大型模型的推理過程也較為復(fù)雜，通過云端計(jì)算方式接觸或使用、不需要遠(yuǎn)程訪問的設(shè)備，或者直接和數(shù)據(jù)或傳感器一體的設(shè)在云端數(shù)據(jù)中心，訓(xùn)練和推理都需要用AI展性，因此其主要設(shè)計(jì)精力除了在計(jì)算部分之外，網(wǎng)絡(luò)通信部分（包括軟件接口）也至關(guān)重要。而推理芯片場(chǎng)景和功能相對(duì)更為單一，很高的場(chǎng)合，推斷過程必須在設(shè)備本身完成，因此要求終端設(shè)備具備足慮單位功耗算力、時(shí)延和成本等因素，市場(chǎng)除了有表4：云端訓(xùn)練芯片公司名稱V100V100V100S（最大功月月月月月月（稀疏技SSSSSSSSSSSS（稀疏技S表5：云端推理芯片NVIDIAAlveoU50AlveoU200AlveoU250AlveoU280BX316GB/s77GB/s77GB/s月月月月月月月SSUltraScaleUltraScaleUltraScaleUltraScale漸將該芯片的計(jì)算能力挖掘出來，英偉達(dá)也于2006年正式推出統(tǒng)一計(jì)算架構(gòu)具有眾多計(jì)算單元和超長流水線，只有非常簡單的控制邏輯，適用于大規(guī)模計(jì)算。水線化的整數(shù)算術(shù)邏輯單元（ALU）和浮點(diǎn)單元（FPU）負(fù)責(zé)計(jì)算。這些內(nèi)核由線核心參數(shù)計(jì)算架構(gòu),支持個(gè)LD/STUnit+192個(gè)減少到每組128個(gè),每個(gè)SM單元擁有更伏特NVLink2.0,CUDInt32+64個(gè)FP32+64個(gè)INT32+32個(gè)FP64+4個(gè)NVLink3.0,結(jié)構(gòu)列FP32+64個(gè)FP64+4個(gè)NVlink4.0,結(jié)構(gòu)更高的效率，SM的指令執(zhí)行與下發(fā)進(jìn)行了分塊；改進(jìn)了共享內(nèi)存結(jié)構(gòu)，在同計(jì)算更高的要求。帶寬限制可能導(dǎo)致節(jié)點(diǎn)之間的通信效率下降，同時(shí)進(jìn)行了拆分，將FPU和ALU分離，可存器-ALU-寄存器-ALU-寄存器來回得光線追蹤技術(shù)在游戲中得以廣泛應(yīng)用，實(shí)現(xiàn)更逼真的光影效果和智能化的游戲體驗(yàn)，為玩家?guī)砀映两胶蛣?chuàng)新性的游戲體驗(yàn)。賃和云服務(wù)需求提供了更靈活的算力配置。加速，為人工智能領(lǐng)域的應(yīng)用提供更大的靈活性。NVLinkC2C技術(shù)的應(yīng)用進(jìn)一步表7：英偉達(dá)芯片參數(shù)1應(yīng)用場(chǎng)景AI/HPC科學(xué)計(jì)算AlAI/HPC科學(xué)計(jì)算AINVLink4.0NVSwitch900GB/sNVLink4.0NVSwitch400GB/sNVLinkbridge600NVLinkbridge4001----表8：英偉達(dá)芯片參數(shù)1應(yīng)用場(chǎng)景AI/HPC科學(xué)計(jì)算AI/HPC科學(xué)計(jì)算AI/HPC科學(xué)計(jì)算AI/HPC科學(xué)計(jì)算AmpereAmpereAmpereAmpereNVLinkNVSwitchNVLinkNVSwitchNVLinkbridge600NVLinkbridge400---和英偉達(dá)相比，特斯拉在芯片設(shè)計(jì)上走了一條不一樣的道路。Dojo芯片對(duì)特定算法具有更高的執(zhí)行效率和更低的能耗。對(duì)于神經(jīng)網(wǎng)絡(luò)訓(xùn)基于D1芯片，特斯拉和臺(tái)積電一起推出了晶圓上系統(tǒng)級(jí)方案。通過臺(tái)積電（DojoInterfaceProcessor）來訪問高速內(nèi)存和外部的主Dojo相比英偉達(dá)具有更高的延遲和更好的訓(xùn)練效果。以往要用6Dojo相較于A100的優(yōu)勢(shì)分為兩點(diǎn):1、畫面幀數(shù)傳輸速度更快，相2016年，谷歌在開發(fā)者大會(huì)上,推出了自行研制的人工智能芯片TensorProcessing表9：TPU歷代發(fā)布時(shí)間180TFlops（集成4塊芯片）+64GB420TFlops+128GB（HB表10：TPU歷代芯片參數(shù)d