🕷️
SetupAI
EN
🗾較早收集於 83m

Tesla、Waymo 與 NVIDIA 的「實體 AI」策略比較

Tesla、Waymo 與 NVIDIA 的「實體 AI」策略比較
PostLinkedIn
🗾閱讀原文： ITmedia AI+ (日本)
#autonomous-driving#robotics#generative-aiphysical-aiteslawaymonvidiaphysical-ai

💡了解 Tesla、Waymo 與 NVIDIA 在爭奪自動駕駛「實體 AI」霸權時的架構差異。

⚡ 30-Second TL;DR

有什麼變化

「實體 AI」是日本政府在自動駕駛系統領域的戰略重點。

為什麼重要

了解這些不同的方法有助於從業者判斷應專注於純視覺模型、感測器密集型架構，還是模擬優先的開發流程。

下一步行動

評估您目前的機器人技術堆疊，看看是否能利用生成式 AI 將手動規則邏輯替換為端到端學習的行為。

誰應關注：Developers & AI Engineers

關鍵要點

  • •「實體 AI」是日本政府在自動駕駛系統領域的戰略重點。
  • •Tesla 專注於基於視覺的端到端神經網路駕駛技術。
  • •Waymo 強調感測器融合與安全關鍵的可靠性。
  • •NVIDIA 提供用於訓練實體 AI 的硬體與模擬基礎設施（Omniverse）。

🧠 深度解析

背景與延伸：來自公開資料，非原文內容。引用 35 個來源。

🔑 增強重點摘要

  • •日本政府正將其AI戰略重點從通用AI轉向「實體AI」（現場型AI），特別是在製造業、醫療、機器人及基礎設施控制等領域，目標是到2030年自動駕駛車輛佔全球市場份額的30%，並在2024年度編列70億日圓預算支持自動駕駛AI開發，包括生成虛擬數據以彌補真實數據不足。
  • •Tesla已開發並於2023年7月投入生產其專屬的Dojo超級電腦，該系統採用自研的D1晶片（7奈米製程，500億個電晶體，354個客製化AI核心），並以可擴展的ExaPOD架構，專門用於高效處理來自其全球車隊的大量視訊數據，以訓練其全自動輔助駕駛（FSD）AI模型。
  • •Waymo正利用其「Waymo基礎模型」架構，結合自動駕駛專用機器學習與通用世界知識，顯著提升其Driver系統的能力，從環境感知到生成駕駛規劃。該公司正積極擴展其全自動駕駛叫車服務，已在多個美國城市（如鳳凰城、舊金山、洛杉磯、奧斯汀、亞特蘭大、邁阿密）提供商業服務，並計劃在2026年底前擴展至全球20多個城市，包括倫敦和東京等國際市場。
  • •NVIDIA的最新DRIVE AGX Thor平台於2022年9月發布，搭載基於Blackwell架構的GPU和生成式AI引擎，提供高達2,000 FP4 TFLOPS的性能，旨在統一車輛內的智慧功能並加速Transformer深度神經網路的推論。其Omniverse平台與DRIVE Sim整合，利用神經重建（NuRec）和世界基礎模型（Cosmos）生成高擬真3D環境和合成數據，用於自動駕駛車輛的訓練與驗證，包括閉環模擬和強化學習。

🛠️ 技術深入

  • Tesla
    • FSD架構： FSD Beta V12（於2023年12月推出）是首個實現端到端AI自動駕駛的系統，採用單一深度學習模型處理從原始輸入到駕駛決策的整個過程，實現「光子輸入，控制輸出」的方法，並將大量C++程式碼替換為神經網路權重。
    • Dojo超級電腦： 採用客製化的D1晶片（台積電7奈米製程，500億個電晶體，645平方毫米晶片面積，354個客製化AI核心，400W熱設計功耗）。針對向量處理（CFloat8、CFloat16）進行優化。可擴展的ExaPOD架構包括：每個訓練單元（Training Tile）有25個D1晶片（8,850個核心），每個系統托盤（System Tray）有6個訓練單元（53,100個核心），每個機櫃（Cabinet）有2個系統托盤（106,200個核心，300個D1晶片），每個ExaPOD有10個機櫃（超過100萬個核心，3,000個D1晶片）。軟體針對PyTorch進行優化。
    • 車載硬體： FSD Beta最初在硬體3（HW3）上推出，而最新的神經網路建構和功能僅在硬體4（HW4/AI4）車輛上推出。
  • Waymo
    • 感測器套件： Waymo Driver使用豐富的感測器套件，包括光達（360度視角，超過300公尺範圍，高解析度）、攝影機（360度視角，高動態範圍，熱穩定性，長距離）和雷達（毫米波頻率，提供物體距離和速度，在惡劣天氣下有效，具有更高解析度的成像雷達）。第六代Waymo Driver顯著減少了感測器數量：13個攝影機（從29個減少）、4個光達（從5個減少）和6個雷達單元（總感測器減少42%）。
    • AI/ML： 利用「Waymo基礎模型」架構，結合自動駕駛專用機器學習與通用世界知識。使用先進的AI/ML進行感知、預測（根據超過2億英里的真實世界駕駛和200億英里的模擬駕駛經驗預測道路使用者的行為）、規劃和導航。
    • 車載運算： 結合伺服器級CPU和GPU。
  • NVIDIA
    • DRIVE AGX Thor： 於2022年9月發布。搭載基於Blackwell架構的GPU和Arm Neoverse V3AE CPU。提供2,000 FP8 TFLOPS（或1,000 INT8 TOPS，2,000 FP4 TFLOPS）的性能。具備推論Transformer引擎（Transformer深度神經網路加速高達9倍），支援8位元浮點（FP8）運算。使用NVLink-C2C技術連接兩個Thor SoC。設計符合ISO 26262功能安全和ISO 21434網路安全標準。
    • Omniverse模擬平台： DRIVE Sim與Omniverse整合。利用Omniverse NuRec從真實世界多感測器駕駛數據中神經重建高擬真3D世界。NVIDIA Cosmos（世界基礎模型）和OmniDreams生成逼真的場景變體和視訊。AlpaSim（開源）用於閉環模擬，AlpaGym用於強化學習。

🔮 前景展望AI analysis grounded in cited sources

日本將成為實體AI領域的全球領導者。
日本政府正透過國家級戰略，結合其在工業機器人、精密機械和感測器等硬體製造的優勢，專注發展「現場型AI」，以應對勞動力短缺並在全球AI競爭中尋求差異化。
端到端AI模型將成為自動駕駛系統的主流。
Tesla已將其FSD系統轉向端到端神經網路，直接從像素輸入到駕駛控制指令，並透過大規模數據和模擬器進行訓練，顯示出其在處理複雜駕駛情境上的潛力，日本政府也將其列為核心技術。
自動駕駛技術的商業化部署將加速並擴展到更多城市。
Waymo正積極擴展其無人駕駛叫車服務至更多美國城市及國際市場，並透過第六代Driver降低感測器數量和成本，預計到2026年底將服務擴展到20多個城市。

⏳ 時間線

2015-01
NVIDIA推出Drive平台，旨在提供自動駕駛和駕駛輔助功能。
2016-12
Google的自動駕駛專案更名為Waymo，並從Alphabet獨立出來。
2018-12
Waymo在鳳凰城推出Waymo One叫車服務，初期有安全駕駛員。
2020-10
Tesla在美國向早期測試者推出FSD Beta軟體，首次將其自動駕駛軟體應用於城市道路。
2022-09
NVIDIA推出DRIVE Thor，一款集中式車載電腦，整合了Blackwell GPU和生成式AI引擎。
2023-07
Tesla的Dojo超級電腦投入生產，用於訓練FSD AI模型。
🗾閱讀原文： ITmedia AI+ (日本)
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #autonomous-driving

同產品

更多關於 physical-ai

同來源

最新來自 ITmedia AI+ (日本)

Alibaba 重組 AI 與雲端業務

Alibaba 重組 AI 與雲端業務

钛媒体•Aug 22
Waymo 回應 NHTSA 兒童碰撞調查

Waymo 回應 NHTSA 兒童碰撞調查

cnBeta (Full RSS)•Aug 21

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ITmedia AI+ (日本) ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。