„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 bei Apple (NASDAQ: AAPL). Schlüsselkomponenten wie Chips und Algorithmen werden selbst hergestellt. Tesla (NASDAQ: TSLA) macht das. Auch einige Unternehmen, die mit alternativen Antrieben fahren, hoffen, diesen Weg schrittweise einzuschlagen. Die zweite Kategorie sind offene Systeme, ähnlich wie Android. Einige Hersteller entwickeln intelligente Plattformen, andere Autos. Huawei und Baidu (NASDAQ: BIDU) haben beispielsweise entsprechende Pläne. Die dritte Kategorie sind Roboter (selbstfahrende Taxis), wie sie beispielsweise von Unternehmen wie Waymo entwickelt werden.
Dieser Artikel analysiert hauptsächlich die Machbarkeit dieser drei Wege 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 Wege autonomer Fahrstrategien.
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. Und aufgrund der begrenzten Fläche und des begrenzten Energieverbrauchs ist auch die Größe des Chips 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 Rechner, 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 sogar 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 künftige 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 Art und Weise, wie diese riesige Anzahl von Transistoren verteilt, verbunden und kombiniert wird, hat großen Einfluss auf die Leistung einer bestimmten Anwendung. In Zukunft ist es notwendig, aus der Gesamtperspektive von Software und Hardware ein „schnelles System“ aufzubauen und auf der Optimierung und Anpassung der Struktur zu beruhen.
Der „Android-Modus“ ist im Bereich der Smart Cars keine gute Lösung.
Viele Menschen glauben, dass es im Zeitalter des autonomen Fahrens im Smartphone-Bereich sowohl Apple (Closed Loop) als auch Android (Open Loop) geben wird und dass es auch Anbieter von Heavy-Core-Software wie Google geben wird. Meine Antwort ist einfach: Der Android-Weg 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 auch im Smartphone-Bereich Apple (geschlossener Kreislauf) und Android (offen) geben wird und dass es auch Anbieter von Heavy-Core-Software 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 Schwerpunkt auf der Ökologie. Ein 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 aus einer Reihe gemeinsamer Standardteile vorstellen. Der Chipstandard ist ARM, auf dem Chip läuft das Android-Betriebssystem und im Internet gibt es verschiedene Apps. Aufgrund dieser Standardisierung kann sich jedes einzelne Chip, jedes Android-System und jede App leicht zu einem eigenständigen Geschäft entwickeln. Diese Richtung der zukünftigen Entwicklung der Smart-Car-Technologie wird von vielen Unternehmen vorgegeben.
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 auf dem Terminal abgeleitet wird. Die Hardware intelligenter Fahrzeuge erfordert für bestimmte Spezialanwendungen und Algorithmen eine umfassende Leistungsoptimierung. Daher werden alleinige Algorithmen, Chips oder Betriebssysteme langfristig mit Leistungsoptimierungsproblemen konfrontiert sein. Nur wenn jede Komponente einzeln 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 HW 3.0. 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.