Зачем Tesla разрабатывает чипы для обучения беспилотной техники

Разработка искусственного интеллекта обходится дорого и занимает много времени. Собственные чипы дают преимущество среди конкурентов, и Tesla, похоже, решила этим воспользоваться. Рассказываем, зачем компании собственный чип и что об этом думают эксперты.

Зачем Tesla разрабатывает чипы для обучения беспилотной техники

В прошлом месяце Tesla провела рекламную презентацию, посвященную ее достижениям в области ИИ. Компания сообщила о том, что разрабатывает собственный чип под названием D1, который будет обучать алгоритмы МО, встроенные в систему Autopilot. Кроме того, на мероприятии станцевал человек в костюме робота-гуманоида Tesla Bot, которого планирует создать компания.

Tesla — не первая компания, заявившая о желании разрабатывать собственные кремниевые чипы. ИИ набирает все большее влияние, но при этом его разработка дорожает. Поэтому те, кто активно инвестирует в эту технологию, в том числе Google, Amazon и Microsoft, теперь работают над своими чипами.

На презентации CEO Tesla Илон Маск сообщил, что для развития автономного вождения необходимо увеличить производительность компьютерной системы, обучающей нейронную сеть компании. «Если модель будет обучаться в течение пары часов, а не дней, то это большой шаг», — заявил Маск. 

Tesla уже разрабатывает чипы, которые анализируют входные данные сенсоров (до 2019 года она использовала оборудование Nvidia). Однако мощный чип, обучающий ИИ-алгоритмы, — более сложная и дорогостоящая цель.

Какой подход использует Tesla

Многие автопроизводители используют несколько нейронных сетей, чтобы определять объекты на дороге. Tesla, в свою очередь, применяет лишь одну огромную нейросеть, известную как «трансформер», которая получает данные из восьми камер одновременно.

«Мы с нуля создаем синтетическое животное», — заявил директор по искусственному интеллекту Tesla Андрей Карпатый. По его словам, машину можно рассматривать как живое существо: она движется автономно и распознает окружающую среду.

Последние годы нейросети-трансформеры росли и потребляли все больше данных, что способствовало достижениям в таких областях, как понимание языка. Обучение крупнейших ИИ-программ требует огромной мощности облачных вычислений, стоимость которой достигает нескольких миллионов долларов.

Хочешь вывести бизнес на международный рынок? Участвуй в конференции Go Global Day

По словам аналитика в области чипов из Real World Technologies Дэвида Кантера, Маск рассчитывает на то, что ускорение обучения поможет ему обойти конкурентов — Cruise и Waymo, которые также разрабатывают беспилотники.

Директор Центра автомобильных исследований Стэнфорда Крис Гердес утверждает, что Tesla выстраивает свою стратегию вокруг нейронных сетей. В отличие от многих других беспилотных автомобилей, Tesla не использует технологию лидар (lidar) — более дорогой сенсор, который видит мир в 3D.

Вместо этого, автомобиль распознает окружающий мир с помощью нейронной сети, которая анализирует данные камер и радара. Этот подход требует больше вычислительной мощности: алгоритму нужно воспроизводить карту окружения по данным камер, в то время как сенсоры улавливают картину напрямую.

Фото в тексте: Mr Dmitry / Shutterstock

Однако по сравнению с другими автопроизводителями Tesla собирает гораздо больше обучающих данных — их поставляют более миллиона автомобилей компании. Маркировкой изображений занимаются более тысячи сотрудников — они помечают машины, грузовики, дорожные знаки, полосы движения и прочие детали — для обучения трансформера.

Во время августовской презентации Tesla также сообщила, что отбор изображений происходит автоматически — это повышает эффективность процесса. Тем не менее Гердес считает, что у подхода Tesla есть недостаток: настанет время, когда увеличение количества данных перестанет улучшать систему.

Как крупные ИИ-модели меняют индустрию

Развитие крупных и дорогих ИИ-моделей повлияло не только на крупные компании, которые начали разрабатывать собственные чипы. Помимо этого, появились десятки стартапов, работающих над специализированными кремниевыми чипами.

Сейчас на рынке чипов для обучения ИИ-моделей доминирует Nvidia. Компания переключилась на поставку этой технологии, поскольку ее графические процессоры (GPU) лучше подходят для управления крупными нейросетями, чем центральные процессоры (CPU), которые используют компьютеры общего назначения.

Создание чипов требует глубоких технических знаний, но, как оказалось, этот процесс можно частично автоматизировать с помощью машинного обучения. Чипы от Google, Samsung и других компаний частично спроектированы с помощью ИИ.

По словам Кантера, разработка специализированных технологий, подобных D1 от Tesla, вызывает несколько технических вопросов. Например, насколько эффективно они будут взаимодействовать и как распределить работу алгоритма между различными чипами.

Хуэй Пенг, профессор Мичиганского университета, изучающий автономное вождение, утверждает: если D1 будет иметь успех, Маск сможет продавать его другим автопроизводителям. В таком случае им также потребуется применять его технический подход.

Пенг не может точно утверждать, сработает ли метод Tesla с финансовой или технической точки зрения. «Маск принимал множество решений, которые, как считали другие, неэффективны, — утверждает он. — Однако в конечном счете они все же работают».

Источник.

Фото на обложке: canadianPhotographer56 / Shutterstock

Источник: rb.ru

Понравилась новость? Поделитесь с друзьями:
AdMarket News