不管是產(chǎn)品定義、產(chǎn)品命名，還是下一階段的發(fā)展方向，都是特斯拉在引領全球車企和自動駕駛公司發(fā)展。
特斯拉自動駕駛系統(tǒng)的優(yōu)異表現(xiàn)是算法的勝利，但算法背后，算力同樣重要。
這方面特斯拉實際上是掀起了三波浪潮，從車端算力到云端算力，再到AI智算中心…每一次算力的迭代，都促進了特斯拉自動駕駛系統(tǒng)邁上新的臺階。
現(xiàn)在，中國車企在車端算力上動輒數(shù)千TOPS，已經(jīng)大幅超過特斯拉，接下來就是要在車外算力上去追趕了。
一、自動駕駛越來越卷 車外算力成新熱點
今年8月份，內(nèi)蒙古烏蘭察布已經(jīng)有了一絲絲涼意。雖然街上人不多，但在一間酒店會議室里卻聚集起了省市區(qū)三級領導，共同見證小鵬汽車的自動駕駛AI智算中心“扶搖”揭牌。
該中心由小鵬和阿里聯(lián)合出資打造。據(jù)小鵬汽車CEO何小鵬介紹，該中心具備60億億次浮點運算能力（60000TFLOPs），可將自動駕駛算法的模型訓練時間提速170倍，并且未來還具備10~100倍的算力提升空間。
就在小鵬“扶搖”官宣后的1個多月，長城旗下的自動駕駛公司毫末智行也宣布將打造屬于自己的AI智算中心。毫末智行CEO顧維灝表示，該中心的目標是滿足千億參數(shù)大模型的訓練，訓練100萬Clips的數(shù)據(jù)，訓練成本降低200倍。
在這兩個案例之外，智己汽車在6月份公布了和阿里云聯(lián)合打造的“云上數(shù)據(jù)超級工廠”，這是跟小鵬“扶搖”類似的AI計算中心；10月份的特斯拉AI Day上，特斯拉也展示了自有AI計算中心的最新進展，用自研的D1芯片打造的計算設備能夠提升30%的模型訓練效率…
毫無疑問，車外算力已經(jīng)成了車載自動駕駛芯片之外，車企和自動駕駛公司們競爭的新焦點。
二、AI技術越用越多 算力是核心競爭力
車外算力成為新焦點，與自動駕駛算法的演進趨勢密切相關。
過去10年來，面向量產(chǎn)的L2自動駕駛系統(tǒng)在特斯拉的帶動下發(fā)生了一系列變化：在單車道居中智能巡航的基礎功能上，增加了指令式或全自動變道功能，以此為基礎又衍生出了自動導航輔助駕駛系統(tǒng) -- 設定好目的地后，車輛在高速上智能巡航，并知道何時駛下高速。
在自動導航輔助駕駛過程中，車輛需要時刻感知周邊車輛，并自動做出變道決策。這與此前的單車道巡航功能相比，難度直接提升了一個數(shù)量級，進而也逼著自動駕駛算法從固定的“規(guī)則算法”向著數(shù)據(jù)驅動的AI算法轉變。
隨著算法越來越成熟，最近一兩年高速場景的自動駕駛系統(tǒng)已經(jīng)不再是車企宣傳的重點，各家轉而開始比拼城市場景的點到點自動駕駛能力。
與高速自動導航輔助駕駛相比，城市內(nèi)行車又涉及到了紅綠燈、十字路口、行人電動車、遮擋、固定障礙物等一系列難題，復雜度又提升了好幾個數(shù)量級。
為了解決這些新問題，車企和自動駕駛公司給汽車引入了更多的傳感器，高精地圖、半固態(tài)激光雷達、4D成像毫米波雷達紛紛上車，且背后的算法也得進一步升級 -- 以前是從規(guī)則到AI，現(xiàn)在是從簡單AI到高級AI。
在特斯拉的帶動下，過去量產(chǎn)自動駕駛常見的后融合算法逐漸被拋棄，轉而使用前融合的BEV算法，把攝像頭的感知到的畫面直接扔進AI算法里，生成一個鳥瞰視角的3D空間，并在這個空間內(nèi)輸出感知結果。
因為是所有攝像頭統(tǒng)一在3D空間里輸出感知目標，BEV算法很好的解決了跨攝像頭的識別問題，在處理近距離加塞這種行業(yè)難題時有了更好的表現(xiàn)。
這還沒完。因為量產(chǎn)車搭載的自動駕駛芯片算力相對有限，車企和自動駕駛公司還在積極使用多任務神經(jīng)網(wǎng)絡，比如特斯拉的HydraNet，就是讓一套AI算法同時輸出多個結果。
大家使用的AI算法越來越高級，給行業(yè)也帶來了兩個重要變化：
一是需要越來越多的數(shù)據(jù)來培育算法背后的神經(jīng)網(wǎng)絡，算法之間的競爭逐步變成了數(shù)據(jù)之爭。
二是海量數(shù)據(jù)需要海量的存儲和處理能力，車企和自動駕駛公司對專用的AI計算設備的需求量持續(xù)增長。
多位自動駕駛技術專家都曾告訴車東西，AI技術進步很快，大家在算法和模型層面的差距其實并不大，真正拉開差距的是數(shù)據(jù)收集和處理能力。
正是如此，我們才看到了車企和自動駕駛公司們在今年紛紛宣布了自建AI計算中心的消息，瘋狂卷起了車外算力。
三、車外算力不只有云 特斯拉打響算力
看到這里你肯定該提問了，現(xiàn)在云服務這么方便，算力要多少有多少，租云不就好了嗎？為啥要費勁自建AI計算中心呢？
這里需要從成本和技術兩個維度考量。
先說經(jīng)濟性。據(jù)車東西了解，目前車企和自動駕駛公司每年在云計算方面花費的資金普遍在數(shù)千萬元，頭部玩家上億也很常見，且隨著數(shù)據(jù)量的日益增長，在AI計算方面的投資也在水漲船高。
據(jù)IDC統(tǒng)計，2022年自動駕駛相關公司對AI計算的投資全部在增長，并且有28%的企業(yè)投資增長幅度超過30%。
如果持續(xù)使用公有云服務，顯然存在邊際成本不斷上漲的問題。
而若是自行采購設備組建AI計算中心，一次性投資約在數(shù)千萬到1億元以內(nèi)，長期來看性價比更高。
當然這里也有個前提，那就是企業(yè)的數(shù)據(jù)處理、模型訓練流程得相對固定才行。如果還處于研發(fā)早期，AI算力需求不固定，那還是使用具有彈性的公有云最合適。
技術層面，自建AI計算中心也更具優(yōu)勢。
云計算的本質是租賃計算設備。云服務商的設備都是統(tǒng)一采購 -- 目標是具備最大的通用性（這樣才能獲得更多客戶）。所以其設備內(nèi)部使用的CPU、GPU/AI加速器、內(nèi)存的型號與規(guī)格都相對固定，很難與車企和自動駕駛公司的算法形成最佳匹配。
另一方面，云服務廠商對自動駕駛算法的了解程度不高，其使用的管理軟件在調(diào)度AI計算設備集群時難免會出現(xiàn)損耗和效率不高的問題。
這導致在理論算力一定的情況下，其訓練AI模型需要更多的時間。
作為量產(chǎn)自動駕駛方面的領頭羊，特斯拉是深知專用AI算力的重要性。
其在多年前就開始打造了屬于自己的AI計算中心 -- Dojo，總計使用了1.4萬個英偉達的GPU來訓練AI模型。
特斯拉專家在今年AI Day上表示，其需要使用14億幀畫面才能訓練一個神經(jīng)網(wǎng)絡，對應的是10萬個GPU工時！可見這是一個非常龐雜和耗時的過程。
特斯拉為了進一步提升效率，在2021年發(fā)布了自研的AI加速芯片D1。25個D1封裝在一起組成一個訓練模塊（Training tile），然后再將訓練模塊組成一個機柜（Dojo ExaPOD）。
按照特斯拉方面的說法，使用Dojo組成的AI計算集群，可提升30%的網(wǎng)絡訓練速度。
上面實打實的數(shù)據(jù)說明，特斯拉通過高度定制化的方式建立自己的AI計算中心，確實使其在模型訓練的效率方面獲得了明顯的提升。
某種程度來說，特斯拉通過自研D1芯片，自研Dojo ExaPOD智算設備，實際上構建的是一種其他競爭對手難以企及的算力霸權。
接下來，隨著路上特斯拉的車隊規(guī)模越來越大，采集的數(shù)據(jù)越來越多，特斯拉的算法迭代速度也會越來越快，對其他車企和自動駕駛公司形成越來越難以逾越的領先優(yōu)勢。
四、自建AI計算中心 選對設備很關鍵
既然自建AI計算中心如此重要，而數(shù)據(jù)中心最核心的AI智算設備，更是一點不能含糊。
目前國內(nèi)AI智算設備銷量第一的浪潮，已經(jīng)開始全面布局智能汽車和自動駕駛領域，希望用自家高質量的AI智算設備為車企和自動駕駛公司的模型訓練提供支持。
如何選擇AI計算設備？軟硬件結合最關鍵。
正如前文所言，只有高度定制化的AI智算設備才能發(fā)揮最佳的訓練效果。
浪潮深知這個道理。為了研發(fā)出最適合自動駕駛行業(yè)的AI智算設備，浪潮專門組建了一支幾十人的算法團隊，先研究自動駕駛的前沿算法。
比如最近在NuScenes數(shù)據(jù)集的3D目標檢測比賽中，浪潮自動駕駛團隊的DABNet4D算法一舉拿下了第一名的成績 -- NDS綜合檢測精度0.624，較2021年的第一名提升了16個點，進步明顯。
▲NuScenes 3D目標檢測比賽榜單
浪潮信息的AI團隊早在今年年初就構建了一個基于Transformer架構的多視角特征融合模型CBTR算法，并繼續(xù)基于多相機時空特征優(yōu)化，設計構建MASTER（Multi-camerA Spatial and Temporal feature ExtractoR，多相機時空特征提取器）。而最近所登頂?shù)腄ABNet4D算法正是在MASTER算法的基礎上進一步引入了深度估計網(wǎng)絡等等，最終實現(xiàn)了更為高效穩(wěn)定的BEV輸出。
此外，通過圖像數(shù)據(jù)增強、BEV特征增強和樣本貼圖增強等多尺度的數(shù)據(jù)增強技術等，提升模型的檢測效果，最終DABNet4D算法在NuScenes數(shù)據(jù)集中奪得3D目標檢測第一名的佳績。
有了對自動駕駛算法模型的深刻理解，浪潮就能在硬件和軟件兩個維度優(yōu)化自家的AI智算設備。
硬件層面，不僅CPU、GPU/AI加速器等核心硬件的選型做過優(yōu)化，像是CPU與GPU之間、計算設備之間的通信鏈路設計也進行了專門的設計。
比如浪潮自動駕駛團隊訓練模型使用的是全球領先的AI服務器5488A5服務器平臺。其中GPU之間使用了NV-Switch全互聯(lián)架構，來滿足模型訓練的高顯存需求，以及模型并行訓練的高通信帶寬需求。
軟件方面的優(yōu)化更為重要，配套軟件算法要讓硬件高效的運轉起來。
浪潮的AI智算設備融合AIStation，通過整合計算資源、數(shù)據(jù)資源以及AI開發(fā)環(huán)境，實現(xiàn)AI 計算資源統(tǒng)一分配調(diào)度、訓練數(shù)據(jù)集中管理與加速、AI模型流程化開發(fā)訓練，為自動駕駛車企開發(fā)團隊構建敏捷高效的一體化開發(fā)平臺。
這里舉個例子。
當前大多數(shù)的AI模型訓練一般需要使用幾個到幾十個GPU加速卡，而面向自動駕駛融合感知的模型訓練，因為其模型復雜度的提升和數(shù)據(jù)量的規(guī)模因素，則需要使用幾百上千個GPU加速卡協(xié)同訓練。
如此大規(guī)模的協(xié)同計算，無論是在集群硬件，還是在算法軟件上，都是需要進行專門的設計優(yōu)化。如果不進行優(yōu)化，假設用搭載了1000塊GPU的AI計算中心訓練一個模型，其中每個GPU的效率發(fā)揮甚至可能不到10%，也就是會出現(xiàn)用的資源越多，算的越慢的情況。
浪潮的專業(yè)團隊曾經(jīng)建設了一個超過2000個GPU的超大規(guī)模AI計算集群，并在訓練“源”大模型系列時，實現(xiàn)了90%的擴展效率。協(xié)同軟、硬件系統(tǒng)優(yōu)化能力，大幅提升訓練效率，最大化地發(fā)揮GPU性能。
這些實打實的技術細節(jié)和參數(shù)，也正是浪潮助力車企和自動駕駛企業(yè)組建AI智算中心的底氣所在。
在AI算力、算法方面，浪潮所擁有的整體化技術優(yōu)勢，也讓其連續(xù)多年在AI服務器市場穩(wěn)居全球市占第一，并深獲互聯(lián)網(wǎng)頭部客戶的絕對認可。
五、智能化助力自主品牌彎道超車
最后我們回到汽車行業(yè)本身來看。
汽車四化浪潮是中國汽車產(chǎn)業(yè)遇到的千載難逢的時代機遇。電動化打破了傳統(tǒng)燃油車的技術壁壘，讓自主車型能夠與歐美大牌平起平坐。智能化是我國的優(yōu)勢領域，一旦在技術上實現(xiàn)領先，就能帶動車型競爭力的大幅領先，最終帶動整個中國汽車工業(yè)實現(xiàn)彎道超車。
從今年的汽車銷量來看，電動化浪潮已經(jīng)帶動比亞迪、廣汽、蔚來、理想等車企初步實現(xiàn)彎道超車。
下一步，各大車企和汽車智能化供應商應該進一步加大投資力度，在算法和算力方面實現(xiàn)雙線布局，將我國龐大的市場優(yōu)勢轉化為數(shù)據(jù)優(yōu)勢，從而在自動駕駛等智能化系統(tǒng)的研發(fā)上實現(xiàn)更大發(fā)展，最終助力整個汽車工業(yè)實現(xiàn)彎道超車
更多信息可以來這里獲取==>>電子技術應用-AET<<
