? 欧美人与zozo,婷婷五月综合激情中文字幕,欧美综合少妇中文
当前位置Q?/SPAN>主页 > 技防分公司 > 行业动?/a> >
自动N力之争 从天上卷到地上了

在量产自动驾驶方向,Ҏ(gu)拉是当之无愧的领军者?/span>

  不管是品定义、品命名,q是下一阶段的发展方向,都是Ҏ(gu)拉在引领全球车企和自动驾驶公司发展?/span>

  Ҏ(gu)拉自动驾驶系l的优异表现是算法的胜利Q但法背后Q算力同样重要?/span>

  q方面特斯拉实际上是掀起了三L潮Q从车端力C端算力,再到AI智算中心…每一ơ算力的q代Q都促进了特斯拉自动Npȝq上新的台阶?/span>

  现在Q中国R企在车端力上动辄数千TOPSQ已l大q超q特斯拉Q接下来是要在车外力上去q赶了?/span>

  一、自动驾驶越来越?车外力成新热点

  今年8月䆾Q内蒙古乌兰察布已经有了一丝丝凉意。虽然街上h不多Q但在一间酒店会议室里却聚集起了省市ZU领|共同见证鹏汽R的自动驾驶AI智算中心“扶摇”揭牌?/span>

  该中心由鹏和阿里联合出资打造。据鹏汽RCEO何小鹏介l,该中心具?0亿亿ơQ点运能力(60000TFLOPsQ,可将自动N法的模型训l时间提?70倍,q且未来q具?0~100倍的力提升I间?/span>

  在鹏“扶摇”官宣后?个多月,长城旗下的自动驾驶公司毫末智行也宣布?yu)打造属于自qAI智算中心。毫末智行CEO儡灏表C,该中心的目标是满_亿参数大模型的训l,训练100万Clips的数据,训练成本降低200倍?/span>

  在这两个案例之外Q智己汽车在6月䆾公布了和阉K云联合打造的“云上数据超U工厂”,q是跟小鹏“扶摇”类似的AI计算中心Q?0月䆾的特斯拉AI Day上,Ҏ(gu)拉也展示了自有AI计算中心的最新进展,用自研的D1芯片打造的计算讑֤能够提升30%的模型训l效率?/span>

  毫无疑问QR外算力已l成了R载自动驾驶芯片之外,车企和自动驾驶公总竞争的新焦点?/span>

  二、AI技术越用越?力是核心竞争力

车外力成ؓ新焦点,与自动驾驶算法的演进势密切相关?/span>

  q去10q来Q面向量产的L2自动Npȝ在特斯拉的带动下发生了一pd变化Q在单R道居中智能E航的基础功能上,增加了指令式或全自动变道功能Q以此ؓ基础又衍生出了自动导航辅助驾驶系l?-- 讑֮好目的地后,车辆在高速上巡航Qƈ知道何时驶下高速?/span>

  在自动导航辅助驾驶过E中QR辆需要时L知周边R辆,q自动做出变道决{。这与此前的单R道E航功能相比,隑ֺ直接提升了一个数量Q进而也逼着自动N法从固定的“规则算法”向着数据驱动的AI法转变?/span>

  随着法来成熟,最q一两年高速场景的自动Npȝ已经不再是R企宣传的重点Q各家{而开始比拼城市场景的点到点自动驾驶能力?/span>

  与高速自动导航辅助驾驶相比,城市内行车又涉及CU绿灯、十字\口、行人电(sh)动R、遮挡、固定障物{一pdNQ复杂度又提升了好几个数量?/span>

  Z解决q些新问题,车企和自动驾驶公司给汽R引入了更多的传感器,高精地图、半固态激光雷达?D成像毫米波雷辄U上车,且背后的法也得q一步升U?-- 以前是从规则到AIQ现在是从简单AI到高UAI?/span>

  在特斯拉的带动下Q过去量产自动驾驶常见的后融合算法逐渐被抛弃,转而用前融合的BEV法Q把摄像头的感知到的画面直接扔进AI法里,生成一个鸟瞰视角的3DI间Qƈ在这个空间内输出感知l果?/span>

  因ؓ是所有摄像头l一?DI间里输出感知目标,BEV法很好的解决了跨摄像头的识别问题,在处理近距离加塞q种行业N时有了更好的表现?/span>

  q还没完。因为量产R搭蝲的自动驾驶芯片算力相Ҏ(gu)限,车企和自动驾驶公司还在积极用多d经|络Q比如特斯拉的HydraNetQ就是让一套AI法同时输出多个l果?/span>

  大家使用的AI法来高U,l行业也带来了两个重要变化:

  一是需要越来越多的数据来培育算法背后的经|络Q算法之间的竞争逐步变成了数据之争?/span>

  二是量数据需要v量的存储和处理能力,车企和自动驾驶公司对专用的AI计算讑֤的需求量持箋增长?/span>

  多位自动N技术专安曑֑诉R东西QAI技术进步很快,大家在算法和模型层面的差距其实ƈ不大Q真正拉开差距的是数据攉和处理能力?/span>

  正是如此Q我们才看到了R企和自动N公司们在今年UL(fng)宣布了自建AI计算中心的消息,疯狂卯v了R外算力?/span>

  三、R外算力不只有?Ҏ(gu)拉打响算?/span>

  看到q里你肯定该提问了,现在云服务这么方便,力要多有多少Q租云不好了吗Qؓ啥要费劲自徏AI计算中心呢?

  q里需要从成本和技术两个维度考量?/span>

  先说l济性。据车东西了解,目前车企和自动驾驶公司每q在云计方面花费的资金普遍在数千万元,头部玩家上亿也很常见Q且随着数据量的日益增长Q在AI计算斚w的投资也在水涨船高?/span>

  据IDCl计Q?022q自动驾驶相兛_司对AI计算的投资全部在增长Qƈ且有28%的企业投资增长幅度超q?0%?/span>

  如果持箋使用公有云服务,昄存在辚w成本不断上涨的问题?/span>

  而若是自行采购设备组建AI计算中心Q一ơ性投资约在数千万?亿元以内Q长期来看性h(hun)比更高?/span>

  当然q里也有个前提,那就是企业的数据处理、模型训l流E得相对固定才行。如果还处于研发早期QAI力需求不固定Q那q是使用hҎ(gu)的公有云最合适?/span>

  技术层面,自徏AI计算中心也更具优ѝ?/span>

  云计的本质是租赁计设备。云服务商的讑֤都是l一采购 -- 目标是具备最大的通用性(q样才能获得更多客户Q。所以其讑֤内部使用的CPU、GPU/AI加速器、内存的型号与规格都相对固定Q很难与车企和自动驾驶公司的法形成最?jng)_配?/span>

另一斚wQ云服务厂商对自动驾驶算法的了解E度不高Q其使用的管理Y件在调度AI计算讑֤集群旉免会出现损耗和效率不高的问题?/span>

q导致在理论力一定的情况下,其训lAI模型需要更多的旉?/span>

  作ؓ量自动N斚w的领头羊Q特斯拉是深知专用AI力的重要性?/span>

  其在多年前就开始打造了属于自己的AI计算中心 -- DojoQ总计使用?.4万个׃辄GPU来训lAI模型?/span>

  Ҏ(gu)拉专家在今年AI Day上表C,光要?4亿画面才能训练一个神l网l,对应的是10万个GPU工时Q可见这是一个非常庞杂和耗时的过E?/span>

  Ҏ(gu)拉ؓ了进一步提升效率,?021q发布了自研的AI加速芯片D1?5个D1装在一L(fng)成一个训l模块(Training tileQ,然后再将训练模块l成一个机柜(Dojo ExaPODQ?/span>

  按照Ҏ(gu)拉方面的说法Q用Dojol成的AI计算集群Q可提升30%的网l训l速度?/span>

  上面实打实的数据说明Q特斯拉通过高度定制化的方式建立自己的AI计算中心Q确实其在模型训练的效率方面获得了明显的提升?/span>

  某种E度来说Q特斯拉通过自研D1芯片Q自研Dojo ExaPOD智算讑֤Q实际上构徏的是一U其他竞争对手难以企及的力霸权?/span>

  接下来,随着路上Ҏ(gu)拉的车队规模来大Q采集的数据来多Q特斯拉的算法P代速度也会来快Q对其他车企和自动驾驶公司Ş成越来越难以逾越的领先优ѝ?/span>

  四、自建AI计算中心 选对讑֤很关?/span>

  既然自徏AI计算中心如此重要Q而数据中心最核心的AI智算讑֤Q更是一点不能含p?/span>

  目前国内AI智算讑֤销量第一的浪潮,已经开始全面布局汽R和自动驾驉域,希望用自安质量的AI智算讑֤R企和自动N公司的模型训l提供支持?/span>

  如何选择AI计算讑֤QYgl合最关键?/span>

  正如前文所aQ只有高度定制化的AI智算讑֤才能发挥最佳的训练效果?/span>

  潮qq个道理。ؓ了研发出最适合自动N行业的AI智算讑֤Q浪潮专门组Z一支几十h的算法团队,先研I自动驾驶的前沿法?/span>

  比如最q在NuScenes数据集的3D目标比赛中Q浪潮自动驾驶团队的DABNet4D法一举拿下了W一名的成W -- NDSl合精?.624Q较2021q的W一名提升了16个点Q进步明显?/span>

  潮信息的AI团队早在今年q初构Z一个基于Transformer架构的多视角特征融合模型CBTR法Qƈl箋Z多相机时I特征优化,设计构徏MASTERQMulti-camerA Spatial and Temporal feature ExtractoRQ多相机时空特征提取器)。而最q所登顶的DABNet4D法正是在MASTER法的基上进一步引入了深度估计|络{等Q最l实C更ؓ高效E_的BEV输出?/span>

  此外Q通过囑փ数据增强、BEV特征增强和样本脓(chung)囑֢强等多尺度的数据增强技术等Q提升模型的效果,最lDABNet4D法在NuScenes数据集中夺得3D目标第一名的佳W?/span>

  有了对自动驾驶算法模型的深刻理解Q浪潮就能在g和Y件两个维度优化自家的AI智算讑֤?/span>

  g层面Q不仅CPU、GPU/AI加速器{核心硬件的选型做过优化Q像是CPU与GPU之间、计设备之间的通信链\设计也进行了专门的设计?/span>

  比如潮自动N团队训练模型使用的是全球领先的AI服务?488A5服务器^台。其中GPU之间使用了NV-Switch全互联架构,来满x型训l的高显存需求,以及模型q行训练的高通信带宽需求?/span>

  软g斚w的优化更为重要,配套软g法要让g高效的运转v来?/span>

  潮的AI智算讑֤融合AIStationQ通过整合计算资源、数据资源以及AI开发环境,实现AI 计算资源l一分配调度、训l数据集中管理与加速、AI模型程化开发训l,动驾驶R企开发团队构建敏捷高效的一体化开发^台?/span>

  q里举个例子?/span>

  当前大多数的AI模型训练一般需要用几个到几十个GPU加速卡Q而面向自动驾驶融合感知的模型训练Q因为其模型复杂度的提升和数据量的规模因素,则需要用几百上千个GPU加速卡协同训练?/span>

  如此大规模的协同计算Q无论是在集硬Ӟq是在算法Y件上Q都是需要进行专门的设计优化。如果不q行优化Q假讄搭蝲?000块GPU的AI计算中心训练一个模型,其中每个GPU的效率发挥甚臛_能不?0%Q也是会出现用的资源越多,的慢的情c?/span>

  潮的专业团队曾l徏设了一个超q?000个GPU的超大规模AI计算集群Qƈ在训l“源”大模型pdӞ实现?0%的扩展效率。协同Y、硬件系l优化能力,大幅提升训练效率Q最大化地发挥GPU性能?/span>

  q些实打实的技术细节和参数Q也正是潮助力车企和自动驾驶企业组建AI智算中心的底气所在?/span>

  在AI力、算法方面,潮所拥有的整体化技术优势,也让其连l多q在AI服务器市场稳居全球市占第一Qƈp互联|头部客L(fng)l对认可?/span>

  五、智能化助力自主品牌弯道R

  最后我们回到汽车行业本w来看?/span>

  汽R四化潮是中国汽车业遇到的千蝲N的时代机遇。电(sh)动化打破了传l燃油R的技术壁垒,让自主R型能够与Ƨ美大牌qvq_。智能化是我国的优势领域Q一旦在技术上实现领先Q就能带动R型竞争力的大q领先,最l带动整个中国汽车工业实现弯道超车?/span>

  从今q的汽R销量来看,?sh)动化浪潮已l带动比亚_、广汽、蔚来、理想等车企初步实现弯道R?/span>

  下一步,各大车企和汽车智能化供应商应该进一步加大投资力度,在算法和力斚w实现双线布局Q将我国庞大的市Z势{化ؓ数据优势Q从而在自动N{智能化pȝ的研发上实现更大发展Q最l助力整个汽车工业实现弯道超车?/span>


?div id="copyright_main">