Todo el tiempo, Tesla parecía posicionado para ganar una ventaja en inteligencia artificial. Claro, Neuralink de Elon Musk, junto con SpaceX y The Boring Company, son empresas independientes de Tesla, pero ciertamente se produce una filtración entre las empresas. Entonces, en el evento Tesla AI el mes pasado, cuando la compañía anunció que estaría diseñando sus propios chips de silicio, más que nunca parecía que Tesla tenía una ventaja.
El evento de IA culminó con un humano bailando que se hizo pasar por un robot humanoide, mostrando una vista previa del Tesla Bot que la compañía pretende construir. Pero la revelación más inmediata e importante fue el chip AI personalizado “D1”, que se usaría para entrenar el algoritmo de aprendizaje automático detrás del sistema de conducción autónoma del piloto automático de Tesla. Tesla tiene un gran enfoque en esta tecnología, con una única red neuronal gigante conocida como “transformador” que recibe la entrada de 8 cámaras a la vez.
“Estamos construyendo efectivamente un animal sintético desde cero”, dijo el jefe de inteligencia artificial de Tesla, Andrej Karpathy, durante el evento de agosto de 2021. “El coche puede considerarse un animal. Se mueve de forma autónoma, detecta el entorno y actúa de forma autónoma “.
ElectroniaJohnna Crider, quien asistió al evento de IA, compartió que, “Al comienzo del evento, el director ejecutivo de Tesla, Musk, dijo que Tesla es mucho más que una empresa de automóviles eléctricos y que tiene una ‘profunda actividad de IA en el hardware en el en el nivel de inferencia y en el nivel de entrenamiento ‘”. Concluyó que,“ al revelar los planes de la supercomputadora Dojo y entrar en los detalles de cómo está resolviendo los problemas de visión por computadora, Tesla mostró al mundo otro lado de su identidad ”.
La incursión de Tesla en chips de silicio
Tesla es el último fabricante de chips no tradicional, como se describe en un reciente Cableado análisis. Intel Corporation es el mayor fabricante de chips de semiconductores del mundo, según sus ventas de 2020. Es el inventor de la serie x86 de microprocesadores que se encuentran en la mayoría de las computadoras personales en la actualidad. Sin embargo, a medida que la IA gana protagonismo y los chips de silicio se convierten en ingredientes esenciales en la fabricación de tecnología integrada, muchos otros, incluidos Google, Amazon y Microsoft, ahora están diseñando sus propios chips.
Para Tesla, la clave del éxito de los chips de silicio será obtener un rendimiento óptimo del sistema informático utilizado para entrenar la red neuronal de la empresa. “Si un modelo tarda un par de días en entrenarse en lugar de un par de horas”, dijo el CEO Elon Musk en el evento de IA, “es un gran problema”.
Inicialmente, Tesla se basó en el hardware de Nvidia para sus chips de silicio. Eso cambió en 2019, cuando Tesla se encargó de diseñar chips que interpreten la entrada de sensores en sus autos. Sin embargo, fabricar los chips necesarios para entrenar los algoritmos de inteligencia artificial (mover el proceso creativo de la visión a la ejecución) es un esfuerzo bastante sofisticado, costoso y exigente.
El chip D1, parte del sistema de supercomputadora Dojo de Tesla, utiliza un proceso de fabricación de 7 nanómetros, con 362 teraflops de potencia de procesamiento. dijo Ganesh Venkataramanan, director senior de hardware de piloto automático. Tesla coloca 25 de estos chips en un solo “mosaico de entrenamiento”, y 120 de estos mosaicos se unen en varios gabinetes de servidores, lo que equivale a más de un exaflop de potencia. “Estamos montando nuestros primeros gabinetes muy pronto”, reveló Venkataramanan.
ElectroniaChanan Bos deconstruyó el chip D1 de manera intrincada en una serie de artículos (en caso de que te los perdieras) y relató que, bajo sus especificaciones, el chip D1 presume de tener 50 mil millones de transistores. Cuando se trata de procesadores, supera absolutamente el récord actual que ostenta el chip Epyc Rome de AMD de 39,54 mil millones de transistores.
Tesla dice en su sitio web que la empresa cree que “un enfoque basado en inteligencia artificial avanzada para la visión y la planificación, respaldado por un uso eficiente del hardware de inferencia, es la única forma de lograr una solución general para la conducción autónoma total y más”. Para ello, la empresa:
- Construya chips de silicio que impulsen el software de conducción autónoma desde cero, teniendo en cuenta todas las pequeñas mejoras arquitectónicas y microarquitectónicas mientras se esfuerzan por obtener el máximo rendimiento de silicio por vatio;
- Realice análisis de planificación del piso, tiempos y energía en el diseño;
- Redactar pruebas y cuadros de mando sólidos y aleatorios para verificar la funcionalidad y el rendimiento;
- Implementar compiladores y controladores para programar y comunicarse con el chip, con un fuerte enfoque en la optimización del rendimiento y el ahorro de energía; y,
- Validar el chip de silicio y llevarlo a la producción en masa.
“Deberíamos tener Dojo operativo el próximo año”, afirmó el CEO Elon Musk.
La red neuronal y el entrenamiento de datos de Tesla
El enfoque de Tesla para la conducción autónoma total se basa en su red neuronal. La mayoría de las empresas que están desarrollando tecnología de conducción autónoma buscan lidar, que es un acrónimo de “Detección y rango de luz”. Es un método de detección remota que utiliza luz en forma de láser pulsado para medir rangos, es decir, distancias variables, a la Tierra. Estos pulsos de luz se combinan con otros datos registrados por el sistema aerotransportado para generar información precisa y tridimensional sobre la forma de la Tierra y las características de su superficie.
Tesla, sin embargo, rechazó el lidar, en parte debido a su alto costo y la cantidad de tecnología requerida por vehículo. En cambio, interpreta escenas utilizando el algoritmo de red neuronal para diseccionar la entrada de sus cámaras y radar. Chris Gerdes, director del Centro de Investigación Automotriz de Stanford, dice este enfoque es “computacionalmente formidable. El algoritmo tiene que reconstruir un mapa de su entorno a partir de las señales de la cámara en lugar de depender de sensores que puedan capturar esa imagen directamente “.
Tesla explica en su sitio web los protocolos que ha adoptado para desarrollar sus redes neuronales:
- Aplicar investigación de vanguardia para entrenar redes neuronales profundas en problemas que van desde la percepción hasta el control;
- Las redes por cámara analizan imágenes sin procesar para realizar segmentación semántica, detección de objetos y estimación de profundidad monocular;
- Las redes de vista de pájaro toman video de todas las cámaras para mostrar el diseño de la carretera, la infraestructura estática y los objetos 3D directamente en la vista de arriba hacia abajo;
- Las redes aprenden de los escenarios más complicados y diversos del mundo, obtenidos de forma iterativa a partir de una flota de casi 1 millón de vehículos en tiempo real; y,
- Una compilación completa de redes neuronales Autopilot involucra 48 redes que necesitan 70,000 horas de GPU para entrenarse y, juntas, generan 1,000 tensores distintos (predicciones) en cada paso de tiempo.
Entrenamiento de Teslas a través de Videofeeds
Tesla recopila más datos de entrenamiento que otras compañías automotrices. Cada uno de los más de 1 millón de Teslas en la carretera envía a la empresa los videos de sus 8 cámaras. Hardware 3 La computadora a bordo procesa más de 40 segundos los datos en comparación con el sistema de generación anterior de Tesla. La compañía emplea a 1,000 personas que etiquetan esas imágenes, señalando automóviles, camiones, señales de tráfico, marcas de carriles y otras características, para ayudar a entrenar el gran transformador.
En el evento de agosto, Tesla también dijo que puede seleccionar automáticamente qué imágenes priorizar en el etiquetado para hacer que el proceso sea más eficiente. Esta es una de las muchas piezas que distinguen a Tesla de sus competidores.
Imagen proporcionada por Tesla a través de dossier de prensa
.
Ahora, nos vemos en la siguiente noticia. ¡Hasta la próxima!