„Der Markt ist in den Händen einer Minderheit“
Derzeit lassen sich Unternehmen, die automatisiert fahrende Personenkraftwagen herstellen, grob in drei Kategorien einteilen. Die erste Kategorie sind geschlossene Systeme, ähnlich wie Apple (NASDAQ: AAPL). Schlüsselkomponenten wie Chips und Algorithmen werden von Tesla (NASDAQ: TSLA) selbst hergestellt. Auch einige Hersteller von Fahrzeugen mit alternativen Antrieben hoffen, diesen Weg schrittweise einzuschlagen. Die zweite Kategorie sind offene Systeme, ähnlich wie Android. Einige Hersteller entwickeln intelligente Plattformen, andere wiederum Autos. Huawei und Baidu (NASDAQ: BIDU) haben beispielsweise entsprechende Pläne. Die dritte Kategorie umfasst Roboter (selbstfahrende Taxis), wie sie beispielsweise von Unternehmen wie Waymo entwickelt werden.
Dieser Artikel analysiert hauptsächlich die Machbarkeit dieser drei Ansätze aus technologischer und geschäftlicher Perspektive und diskutiert die Zukunft einiger Hersteller neuer Elektroautos oder Unternehmen für autonomes Fahren. Unterschätzen Sie die Technologie nicht. Beim autonomen Fahren ist Technologie das Leben, und der wichtigste technologische Weg ist der strategische Weg. Daher diskutiert dieser Artikel auch die verschiedenen Strategien für autonomes Fahren.
Im Bereich intelligenter Autos, insbesondere im Bereich des autonomen Fahrens, kann die Einführung des Closed-Loop-Modells von Apple es Herstellern erleichtern, die Leistung zu optimieren und schnell auf die Bedürfnisse der Verbraucher zu reagieren.
Lassen Sie mich zunächst über die Leistung sprechen. Leistung ist für autonomes Fahren unerlässlich. Seymour Cray, der Vater der Supercomputer, sagte einmal einen sehr interessanten Satz: „Jeder kann eine schnelle CPU bauen. Der Trick besteht darin, ein schnelles System zu bauen.“
Mit dem allmählichen Versagen des Mooreschen Gesetzes ist es nicht mehr möglich, die Leistung einfach durch eine Erhöhung der Transistoranzahl pro Flächeneinheit zu steigern. Aufgrund der begrenzten Fläche und des begrenzten Energieverbrauchs ist auch die Chipgröße begrenzt. Natürlich ist der aktuelle Tesla FSD HW3.0 (FSD wird als Full Self-Driving bezeichnet) nur ein 14-nm-Prozess, und es besteht Verbesserungsbedarf.
Derzeit basieren die meisten digitalen Chips auf der Von-Neumann-Architektur mit getrenntem Speicher und Rechenwerk, die das gesamte Computersystem (einschließlich Smartphones) bildet. Von der Software über das Betriebssystem bis hin zu den Chips ist sie stark betroffen. Die Von-Neumann-Architektur ist jedoch nicht vollständig für das Deep Learning geeignet, auf das autonomes Fahren angewiesen ist, und bedarf Verbesserungen oder gar Durchbrüchen.
Beispielsweise gibt es eine „Speicherwand“, bei der der Rechner schneller läuft als der Speicher, was zu Leistungsproblemen führen kann. Das Design gehirnähnlicher Chips stellt zwar einen Durchbruch in der Architektur dar, doch dieser große Sprung wird möglicherweise nicht so bald umgesetzt. Darüber hinaus kann das Bildfaltungsnetzwerk in Matrixoperationen umgewandelt werden, was für gehirnähnliche Chips möglicherweise nicht wirklich geeignet ist.
Da sowohl das Mooresche Gesetz als auch die Von-Neumann-Architektur auf Engpässe stoßen, müssen zukünftige Leistungssteigerungen vor allem durch eine domänenspezifische Architektur (DSA, die sich auf dedizierte Prozessoren beziehen kann) erreicht werden. DSA wurde von den Turing-Preisträgern John Hennessy und David Patterson vorgeschlagen. Es handelt sich um eine Innovation, die noch nicht allzu weit fortgeschritten ist und eine Idee darstellt, die sofort in die Praxis umgesetzt werden kann.
Wir können die Idee von DSA aus einer Makroperspektive verstehen. Aktuelle High-End-Chips verfügen in der Regel über Milliarden bis Zehnmilliarden Transistoren. Die Verteilung, Verbindung und Kombination dieser riesigen Transistoren hat großen Einfluss auf die Leistung einer bestimmten Anwendung. Zukünftig ist es notwendig, aus der Gesamtperspektive von Software und Hardware ein „schnelles System“ aufzubauen und auf die Optimierung und Anpassung der Struktur zu setzen.
Der „Android-Modus“ ist im Bereich der Smart Cars keine gute Lösung.
Viele glauben, dass es im Zeitalter des autonomen Fahrens sowohl Apple (Closed Loop) als auch Android (Open Loop) im Smartphone-Bereich geben wird und dass es auch Anbieter von Heavy-Core-Software wie Google geben wird. Meine Antwort ist einfach: Der Android-Ansatz wird beim autonomen Fahren nicht funktionieren, da er nicht der zukünftigen Entwicklung der Smart-Car-Technologie entspricht.
Der „Android-Modus“ ist im Bereich der Smart Cars keine gute Lösung.
Viele glauben, dass es im Zeitalter des autonomen Fahrens im Smartphone-Bereich auch Apple (Closed Loop) und Android (Open) geben wird und dass es auch Heavy-Core-Softwareanbieter wie Google geben wird. Meine Antwort ist einfach: Der Android-Weg wird beim autonomen Fahren nicht funktionieren, da er nicht den Anforderungen entspricht. Die Architektur von Smartphones und Smart Cars ist unterschiedlich. Bei Smartphones liegt der Fokus auf der Ökologie. Ökosystem bedeutet, dass verschiedene Anwendungen auf Basis der Betriebssysteme ARM und iOS oder Android bereitgestellt werden. Daher kann man sich Android-Smartphones als eine Kombination einer Reihe allgemeiner Standardteile vorstellen. Der Chipstandard ist ARM, auf dem Chip läuft das Android-Betriebssystem und im Internet gibt es dann verschiedene Apps. Dank dieser Standardisierung kann sich unabhängig davon, ob es sich um einen Chip, ein Android-System oder eine App handelt, leicht ein eigenständiges Geschäft entwickeln, das die Richtung der zukünftigen Entwicklung der Smart-Car-Technologie vorgibt.
Der Fokus bei intelligenten Fahrzeugen liegt auf dem Algorithmus sowie den ihn unterstützenden Daten und der Hardware. Der Algorithmus erfordert extrem hohe Leistung, unabhängig davon, ob er in der Cloud trainiert oder im Terminal abgeleitet wird. Die Hardware des intelligenten Fahrzeugs erfordert eine umfassende Leistungsoptimierung für spezifische Spezialanwendungen und Algorithmen. Daher werden alleinige Algorithmen, Chips oder Betriebssysteme langfristig mit Leistungsoptimierungsproblemen konfrontiert sein. Nur wenn jede Komponente separat entwickelt wird, lässt sie sich problemlos optimieren. Die Trennung von Software und Hardware führt zu einer Leistung, die nicht optimiert werden kann.
Wir können es folgendermaßen vergleichen: NVIDIA Xavier hat 9 Milliarden Transistoren, Tesla FSD HW 3.0 hat 6 Milliarden Transistoren, aber der Rechenleistungsindex von Xavier ist nicht so gut wie der von HW3.0. Und es wird gesagt, dass die FSD HW der nächsten Generation eine siebenmal höhere Leistung als die aktuelle hat. Das liegt entweder daran, dass Teslas Chipdesigner Peter Bannon und sein Team stärker sind als die Designer von NVIDIA oder daran, dass Teslas Methode der Kombination von Software und Hardware besser ist. Wir denken, dass die Methode der Kombination von Software und Hardware auch ein wichtiger Grund für die Verbesserung der Chipleistung sein muss. Die Trennung von Algorithmen und Daten ist keine gute Idee. Sie ist weder für schnelles Feedback zu Verbraucherbedürfnissen noch für schnelle Iterationen förderlich.
Daher ist es im Bereich des autonomen Fahrens auf lange Sicht kein gutes Geschäft, Algorithmen oder Chips zu zerlegen und einzeln zu verkaufen.