EV視界報道】8月19日，特斯拉在美國舉辦特斯拉人工智能日（AI Day）活動，公布了特斯拉純視覺方案FSD的進展、神經網絡自動駕駛訓練、D1芯片、Dojo超級計算機等重磅信息，此后引發各方積極評價。

美國麻省理工學院(MIT)深度學習與人工智能(AI)研究科學家Lex Fridman發推文表示，特斯拉人工智能日展示了他一生中見過最令人贊嘆的真實世界AI和工程努力。Fridman在YouTube開設的頻道擁有125萬名訂閱者。在加入MIT之前，他在谷歌(Google)從事機器學習工作。

Fridman認為，特斯拉可以通過自行研發的Dojo(道場)超級計算機芯片提供“AI訓練即服務(AI Training As A Service)”，直接挑戰的是全球最大云端服務商AWS(Amazon Web Services)與谷歌云(Google Cloud)，沒有理由讓Dojo局限于自動輔助駕駛Autopilot的運算。

第一位破解iPhone、PlayStation 3的知名黑客、Comma.ai創辦人George Hotz在接受Fridman“AI播客”系列專訪時指出，特斯拉將會贏得Level 5自動駕駛競賽的最后勝利，Comma.ai將會晚特斯拉1-2年抵達終點，Comma.ai將會是自駕車界的Android系統，特斯拉將是自駕車產業的蘋果。

特斯拉CEO馬斯克(Elon Musk)7月26日在2021年第2季財報電話會議上表示，完全自動輔助駕駛(FSD)是特斯拉服務項目的重心，最終將會運作得非常好，屆時大家都會想要使用。

馬斯克8月19日在人工智能日上被問及特斯拉最終是否會讓FSD成為開源軟件時回答說，打造FSD系統耗資巨大，除非有人愿意不計酬勞開發這套系統，否則勢必收取授權費。如果其他汽車公司想取得FSD授權并應用在他們的車型上，那就太酷了，開發FSD時并沒打算僅限應用在特斯拉的電動車上。

Loup Ventures管理合伙人Gene Munster指出，2031年底特斯拉上路的電動車將有八成具備FSD功能，10年后單靠FSD就能讓特斯拉擁有8500億美元的市值。

特斯拉的純視覺傳感器方案的實現，離不開多任務學習HydraNets神經網絡架構。每輛特斯拉汽車擁有8個環繞車身、覆蓋周圍360°的攝像頭，來獲取交通信號燈、信號牌、匝道、路緣等周邊信息，為神經網絡學習提供了絕佳條件。

Andrej說：“我們希望能夠打造一個類似動物視覺皮層的神經網絡連接，模擬大腦信息輸入和輸出的過程。就像光線進入到視網膜當中，我們希望通過攝像頭來模擬這個過程。”

多任務學習HydraNets神經網絡架構可以將8個攝像頭獲取的畫面拼接起來，并平衡視頻畫面的延遲和精準度。通過人工或自動標注車道、車輛、信號燈、障礙物等環境和動靜物體，系統會逐幀分析視頻畫面，了解物體縱深、速度等信息，再將這些數據交給車隊學習。

但是在這個過程中，特斯拉發現了這些參數和空間追蹤是很難通過C++這個基礎架構實現拼接的；有一些空間數據的輸出質量不高；不同攝像頭獲取的物體信息不同，拼合時很難進行整體把握。

為解決這些問題，特斯拉開發了矢量空間（Vector Space）技術，同時兼具了非凸優化算法（Non-convex）、高維度兩大優勢。該技術可以通過8個攝像頭輸入的數據為基礎繪制3D鳥瞰視圖，形成4D的空間和時間標簽的“路網”以呈現道路等信息，幫助車輛把握駕駛環境，更精準的尋找最優駕駛路徑。

有了海量、精準的視頻數據，特斯拉還要創造一個強大的神經網絡，并對網絡進行特殊布局，使這些數據能在一個總主干網絡上進行整合和重新分析。因此，特斯拉自主研發了基于神經網絡的訓練方式。

特斯拉擁有一支由世界各地人才組成的數據標注團隊，規模在1000人左右。團隊每天對視頻數據中的物體在“矢量空間”中進行標注，在善于把握細節的人工標注和效率更高的自動標注配合下，只需要標注一次，“矢量空間”就能自動標注所有攝像頭的多幀畫面。這為特斯拉帶來了上百億級的有效且多樣化的原生數據，而這些數據都會用于神經網絡培訓。

同時，特斯拉還開發了“仿真場景技術”，可以模擬現實中不太常見的“邊緣場景”用于自動駕駛培訓。在仿真場景中，特斯拉工程師可以提供不同的環境以及其他參數（障礙物、碰撞、舒適度等），極大提升了訓練效率。

由此，特斯拉FSD系統已可以實現每1.5毫秒2500次搜索的超高效率，預測可能出現的各種情況，并在其中找到最安全、最舒適、最快速的自動駕駛路徑。

當下，隨著所需處理的數據開始指數級增長，特斯拉也在提高訓練神經網絡的算力，因此，便有了特斯拉Dojo超級計算機。

特斯拉的目標是實現人工智能訓練的超高算力，同時還要擴展帶寬、減少延遲、節省成本。這就要求Dojo超級計算機的布局，要實現空間和時間的最佳平衡。

組成Dojo超級計算機的關鍵單元，是特斯拉自主研發的神經網絡訓練芯片——D1芯片，采用分布式結構和7納米工藝，搭載500億個晶體管、354個訓練節點，僅內部的電路就長達17.7公里，實現了超強算力和超高帶寬。

1500個D1芯片共53萬余訓練節點，組成了Dojo超級計算機的訓練模塊。由于每個D1芯片之間都是無縫連接在一起，相鄰芯片之間的延遲極低，訓練模塊最大程度上實現了帶寬的保留，配合特斯拉自創的高帶寬、低延遲的連接器，算力高達9PFLOPs（9千萬億次）。

得益于訓練模塊的獨立運行能力和無限鏈接能力，由其組成的Dojo超級計算機的性能拓展在理論上無上限，是個不折不扣的“性能野獸”。實際應用中，特斯拉將以120個訓練模塊組裝成ExaPOD，它是世界上首屈一指的人工智能訓練計算機。與業內其他產品相比，同成本下它的性能提升4倍，同能耗下性能提高1.3倍，占用空間節省5倍。

與強大硬件相匹配的，是特斯拉針對性開發的分布式系統——DPU（Dojo Processing Unit）。DPU是一個可視化交互軟件，可以隨時根據要求調整規模，高效地處理和計算，進行數據建模、存儲分配、優化布局、分區拓展等任務。

不久后，特斯拉即將開始Dojo超級計算機的首批組裝，并從整個超級計算機到芯片、系統，進行更進一步的完善。

對于人工智能技術，馬斯克顯然還有更遠大的追求。他相信、特斯拉的Hardware 3.0(HW3)/一代全自動輔助駕駛(FSD)計算機將能在遠優于人類的安全水平上(至少比人類好上200%或300%)實現全自動駕駛。

大約在一年后、Cybertruck電動皮卡車可能會配備HW4、二代FSD計算機，其安全駕駛能力將比人類好上400%。

特斯拉2020年影響力報告顯示，2020年在美國啟動Autopilot功能的特斯拉電動車，每行駛100萬英里僅出現0.2次事故。作為對照，美國整體平均值為每100萬英里的行駛里程數出現2.0次事故。

Oppenheimer資深分析師Colin Rusch重申，特斯拉在顛覆電動車領域，推動產業走向可持續運輸方面做得非常出色，特斯拉人工智能日也凸顯出了解AI的工程師正供不應求。