På sidste uges Technology Innovation Day afslørede NIO den seneste NIO World Model (NWM) inden for autonom kørsel, der hævder at besidde dual core-kapaciteter af rumlig og tidsmæssig forståelse, der overgår end-to-end modelimplementering.
Den autonome kørechip, Shenzi NX9031, som officielt blev annonceret for at have tapet ud, er skræddersyet til NIO World Model. Shenzi NX9031 er verdens første 5nm autonome kørechip, der er uafhængigt udviklet af NIO. Ifølge NIO har en chip en ydeevne svarende til fire industriflagskibschips (Nvidia Orin X).
I de sidste to år har selvkørende chips været en vigtig banebrydende produktretning for bilproducenter. NIO og XPeng har udviklet deres egne chips, hvor Li Auto starter lidt senere. Baseret på Longying nr. 1 har Geelys datterselskab, Xingjing Technology, også været på vej til selvudvikling i årevis.
Li Bin har offentligt udtalt, at NIO købte mange Nvidia-chips sidste år, hvilket kostede virksomheden mange penge. I betragtning af indkøbsomkostningerne besluttede virksomheden at vende sig til egenudviklede chips. Den officielle erklæring er, at Shenzi NX9031 kan betale sig tilbage på omkring et år.
Der er mange grunde til at udvikle deres egne chips, men et af hovedmålene for "Wei Xiaoli" (en samlebetegnelse for NIO, XPeng og Li Auto) er at frigøre sig fra Nvidias begrænsninger. Fra brancherapporter ser det ud til, at de selvudviklede chips er ret fremadskuende og vil matche de seneste trends såsom end-to-end autonom kørsel.
Det kinesiske kontingent, der omkranser Nvidia, er dog ikke begrænset til "Wei Xiaoli." I år er lokale chipleverandører også "fanget" i end-to-end konkurrencen. På China Auto Forum i sidste måned sagde Horizon-præsident Chen Liming klart, at end-to-end i øjeblikket er den eneste mulige løsning på slutspillet med autonom kørsel.
Lu Jianfeng, vicepræsident for AIChip Intelligent Vehicle Division, mener, at end-to-end er den eneste måde for avanceret autonom kørsel. På grund af den lange design- og udviklingscyklus af chips er AIChips strategi at springe andre modeller over og fokusere på One Model-tilstanden, svarende til UniAD-teknologiarkitekturen til NPU-design.
Fra et industriperspektiv har de høje omkostninger ved eksterne indkøb, den usikre internationale situation og de omkostningsreduktionsfordele, Tesla tidligere har haft med sine egenudviklede chips, alle påvirket indenlandske bilproducenters chipstrategier og forsyningsmodeller.
Populariteten af end-to-end store modeller katalyserede ikke kun en ny runde af autonom kørsel revolution, men accelererede også produktet og den teknologiske udvikling af autonome kørsel chips. Dette stiller ikke kun højere krav til bilproducenterne om egenudviklede chips, men tvinger også chipleverandører i det røde hav til at sætte fart på deres interne konkurrence.
Selvudviklingsbølgen er ankommet
Hvorfor udvikler bilproducenter deres egne chips?
Beherskelse af kerneteknologi: Sikring af forsyningssikkerhed og ikke at blive "kvalt" af leverandører, især magtfulde udenlandske leverandører.
Li Bin nævnte i et interview, at den internationale indvirkning på chipforsyningen, på grund af amerikanske restriktioner, allerede har haft en reel indflydelse på Kinas bilindustri.
"Siden i oktober sidste år har vi ikke været i stand til at bruge verdens mest avancerede chips til vores cloud-træning. Det autonome køreteam ser ikke kun på cloud-kapaciteter, men også på gruppeintelligens-kapaciteter. Mens risikoen for edge-inferenschips i øjeblikket er lav , vi mangler stadig at være forberedte på forskellige ændringer."
Tilpasning:
Industrieksperter fortalte "Auto Commune"/"C-Dimension", at en af de vigtigste overvejelser for nye bilproducenter, der udvikler deres egne chips, er at forbedre produktets konkurrenceevne gennem differentiering, da selvudviklede chips giver mulighed for tilpassede funktioner.
For bilproducenter er det dyrt at udvikle deres egne chips, men det kan reducere afhængigheden af oversøiske chipsleverandører, hvilket sikrer, at "alle æg ikke er i én kurv." Ydermere kan selvudviklede chips bedre matche deres egne algoritmer, hvilket løser koblingsproblemet mellem algoritmer og chipplatforme.
Tidligere overgik Teslas 144 TOPS-computerkraft de 400-500 TOPS-chips, der var tilgængelige på markedet, primært fordi chippen var designet til Teslas egne algoritmer. Det er bemærkelsesværdigt, at Teslas 144 TOPS computerkraftchip (Autopilot HW3.0), udgivet i 2019, stadig understøtter end-to-end autonom kørsel i dag.
Omkostningsreduktion:
Li Bin udtalte på pressemødet, at NIO brugte mange penge på Nvidia-chips sidste år. For at reducere omkostningerne besluttede NIO at udvikle sine egne chips, med en chip svarende til fire Nvidia-chips, og derved sænke omkostningerne. Ifølge Li Bin kan Shenzi NX9031 betale sig selv på omkring et år.
Der er også andre overvejelser. Insidere fra industrien bemærker, at promovering af selvudviklede chips og afgivelse af offentlige forpligtelser kan have en positiv indvirkning på det sekundære marked og mærkeopfattelsen. Derudover kan selvudviklede chips forbedre systemoplevelsen betydeligt og opnå strategiske mål.
Især havde Teslas tidlige selvudviklede chips til formål at øge computerkraften og fleksibiliteten.
Rapporter indikerer, at XPengs egenudviklede chipproces følger NIO tæt, med chips sendt til tape-out, som forventes at vende tilbage i august. Li Autos chipudvikling startede relativt sent, og det autonome kørechipprojekt med kodenavnet "Schumacher" forventes at afslutte tape-out inden for året.
"Et middel, ikke et mål"
Wu Xinzou, leder af Nvidias autonome kørselsvirksomhed, skitserede, at udviklingen af autonom kørsel kan opsummeres i tre faser, hvor end-to-end er det sidste trin.
Første etape: Fuldstændig regelbaseret.
Anden fase: Store AI-modeller erstatter gradvist manuelle regler og fuldender forudsigelse og planlægning.
Tredje fase: Helt ende-til-ende store modeller, hvor AI dækker hele processen fra perception til beslutningstagning.
I den tredje fase af autonom kørsel er autonome kørselschips meget udfordrende. AIChips vicepræsident Liu Jifeng udtrykte lignende tanker og udtalte, at ægte ende-til-ende involverer brug af store modeller til cloud-træning og validering, med resultaterne anvendt på kantslutninger, hvilket placerer betydeligt ansvar på chipvirksomheder.
Horizon mener, at end-to-end er et middel, ikke et mål, der kræver en kombination af menneskelignende erfaring, effektiv databehandling og agil levering. End-to-end kapacitetsopbygning kræver indsats inden for algoritme-iteration, konstruktion af konstruktionsgrundlag og software-hardware-integration, hvor software og algoritmer spiller en central rolle.
Horizon Algorithm Platform Chief Architect Mu Lisen mener, at den væsentlige evne til end-to-end ligger i data iteration. Selvom det ser ud til at være en fremadskuende modelstruktur, er de iterative data bag den mere afgørende og understøtter overgangen fra laboratorieteknologi til modenhed på produktniveau.
Chen Liming erkendte også, at Horizon står over for vanskeligheder med de konstant skiftende køretøjs- og sensorarkitekturer, sensorlayouts og adoption. På trods af indsamling af en masse data, er meget af det ikke af høj kvalitet eller kontinuerligt brugbart, et problem, der ligger uden for rammerne af en enkelt virksomhed at løse.
"Teslas FSD V12.3-version blev trænet med 10 millioner prøvevideoer, udtrukket fra 10 milliarder prøver af høj kvalitet. Kina kommer stadig til kort. Desuden blev de 10 milliarder prøver indsamlet under en standard sensorramme, hvilket sikrer kontinuitet for træning af de nyeste modeller ."
Ligesom Horizon understreger AIChip sin rolle som Tier 2, idet han mener, at nøglekravene til autonome kørselschips i end-to-end-algoritmer er høj hukommelse og stor computerkraft med flere kerner.
Opnåelse af end-to-end autonom kørsel er afhængig af kritisk computing chip support, herunder arkitektonisk innovation, kerne IP-gennembrud og ydeevnespring.
Mu Lisen fra Horizon forklarede til "Auto Commune"/"C-Dimension", at den tekniske tærskel for end-to-end computerkraftkonkurrence ligger i tilpasningen til de beregningsmæssige krav, som modelstrukturændringer og ændringer i operatørfokus medfører.
På den ene side vil modeller vokse sig større, og det samme vil regnekraft; på den anden side vil modelstrukturer udvikle sig og skifte fra primært CNN (convolutional neural networks) til hovedsageligt transformator-baserede end-to-end modeller.
"Transformere er en bred algoritmekategori, der bruges i store sprogmodeller (som ChatGPT) og ende-til-ende autonom kørsel, med forskellige operatørfokuseringer. End-to-end autonom kørsel kræver grundlæggende matrix-operationer og yderligere operatørsupport, hvilket stiller højere krav. "
Huawei-lejren har også betydelig indflydelse. På trods af at Nvidia dominerer markedet for autonome kørechips, har Kina et stort kontingent drevet af Huawei, herunder mærker som AITO, Avatr, Jihu og Zhijie. Deres køretøjers autonome køresystemer bruger i høj grad Huaweis MDC810/MDC610 computerplatforme.
Med indsatsen fra leverandører af autonome kørselschips og den accelererede udrulning af selvudviklede chips fra virksomheder som NIO, vil ambitionen om at "ikke være underlagt Nvidia" i den indenlandske autonome kørselschipsektor i de kommende år gradvist blive delvist realiseret.
