Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

AutoByte作者

特斯拉即将放出的「性能怪兽」,隐藏了多大的野心?

近日,马斯克发推特宣布,特斯拉「AI Day」将会在北美时间8月19日正式举行,并表示发布会将会介绍特斯拉在人工智能领域的软件和硬件进展,尤其是在神经网络训练和预测推理方面的进展。而这次活动的主要目的,还是招揽相关人才。

图片 

这种做法非常的特斯拉,就像2019年的「Autonomous Day」和2020年的「Battery Day」一样,估计「AI Day」整个发布会将会涉及大量的软件、硬件的技术细节,以此来向外界「秀肌肉」。 
而这种技术「秀肌肉」正是特斯拉招揽人才的方式。从某种程度上讲,特斯拉在召开类似的发布会时,面向的群体更多是行业领域的专业人士,并用极具野心的规划方向和研发成果来吸引受众之中的专业人才。 
特斯拉的AI硬件负责人Peter Bannon曾在接受采访时说:「很多人想要来特斯拉工作的根本原因,仅仅是因为他们想要从事于FSD的研发和相关工作。」事实上,美国近几年在统计工程类专业学生最想去的公司排名中,特斯拉和SpaceX经常交替排名第一,其实也佐证了Peter所说的这一现象。 

图片

(图/Universum)
尽管此次特斯拉一如既往地并未泄露什么「AI Day」的信息,但仅通过上面那一张预热图,就让不少从事AI领域的人感到兴奋。
神秘的Dojo计算机芯片
在「AI Day」发布会的邀请函上,放着一张夸张的芯片图。
从图上估测,该芯片才用了非常规的封装形式,第一层和第五层铜质结构是水冷散热模块;红色圈出的第二层结构由5*5阵列共25个芯片组成;第三层为25个阵列核心的BGA封装基板;第四层和第七层应该只是物理承载结构附带一些导热属性;蓝色圈出的第六层应该是功率模块,以及上面竖着的黑色长条,很可能是穿过散热与芯片进行高速通信的互联模块; 

图片

从第二层结构的圆形边角,以及拥有25个芯片结构来看,非常像Cerebras公司的WSE超大处理器,也有可能采用了TSMC(台积电)的InFO-SoW(集成扇出系统)设计。 

图片 

所谓InFo-SoW设计,简单理解来说就是原本一个晶圆(Wafer)能够「切割」出很多个CPU或GPU等类型的芯片(根据设计不同,光刻时决定芯片类型),而InFo-SoW则是所有的芯片都来自于同一个晶圆,不但不进行切割,反而是直接讲整个晶圆做成一个超大芯片,实现system on wafer的设计。 

图片

这么做的好处有三个:极低的通讯延迟和超大的通讯带宽、能效的提升。 
简单来说,由于C2C(芯片与芯片之间)的物理距离极短,加上通讯结构可以直接在晶圆上布置,使得所有内核都能使用统一的2D网状结构互连,实现了C2C通信的超低延迟和高带宽;以及由于结构优势实现了较低的PDN阻抗,实现了能效的提升。此外,由于是阵列多个小芯片组成,可以通过冗余设计来避免「良品率」问题,以及实现小芯片处理的灵活性。
举个形象的例子,特斯拉前一阵公布的超级电脑,一共用了5760个Nvida A100 80GB的GPU,那么在这些芯片之间,需要海量的物理结构进行连接以实现通讯,不仅耗费大量成本,且由于连接结构的带宽限制成为「木桶短板」,导致整体效率较低,并且还有分散的庞大散热问题。 
这里拿Cerabraas的WSE-2作为参考对比,其单个芯片的核心数是Nvdia A100的123倍,芯片缓存为1000倍,缓存带宽为12733倍,Fabric结构带宽则为45833倍。

图片

研发这一「性能怪兽」的主要目的,就是为了AI的数据处理和训练。其一代芯片WSE,已经有多个重量级用户在使用,比如美国阿贡国家实验室、劳伦斯利弗莫尔国家实验室、匹兹堡超级计算中心、爱丁堡大学的超级计算中心、葛兰素史克、东京电子器件等。 

图片

全球制药巨头葛兰素史克的高级副总裁Kim Branson曾表示,WSE的超强性能将训练时间减少到之前的1/80。而在美国最大的科学与工程研究室阿贡国家实验室,WSE芯片被用于癌症研究,将癌症模型的实验周转时间减少到1/300还少。 
所以不难推断出,「AI Day」邀请函上面放出的这张图,应该就是马斯克所谓的Dojo超级计算机的自研芯片。并且颇有意思的是,发布会的时间是2021年8月19日,而就在刚好一年前的2020年8月19日,马斯克发了一条推特说:「Dojo V1.0还未完成,估计还需要一年的时间。不仅仅是芯片本身的研发难度,能效和冷却问题也非常的难图片
之所以说冷却问题难,是因为根据300mm的标准晶圆尺寸来看,特斯拉这块Dojo芯片设计应该与RTX 3090差不多,至少每个芯片有280亿-320亿个左右的晶体管,单个芯片功耗可达250-300w左右,整体功耗约在6250w-7500w左右;并且台积电也曾表示,InFo-SoW设计的最高功耗约为7000w,同样印证了这一点。 
几个月后,马斯克又补充道:「Dojo采用我们自研的芯片和为神经网络训练优化的计算架构,而非GPU集群。尽管可能是不准确的,但是我认为Dojo将会是世界上最棒的超算。」
此外,马斯克在2021年Q1财报时也曾说:Dojo是一台为神经网络训练优化的超级计算机。我们认为以视频数据处理速度而言,Dojo将会是全世界效率最高的。」 

图片 

其实马斯克早在2019年的「Autonomous Day」就提到过Dojo,称Dojo是能够利用海量的视频(级别)数据,做「无人监管」的标注和训练的超级计算机。
并且如果认真了解过2019年「Autonomous Day」发布会,就会发现,特斯拉推出Dojo超算以及自研芯片,是特斯拉「不得不去做的事」。 

为什么要做Dojo
其实这个问题马斯克曾在推特中回复过,大致意思为:「只有解决了真实世界的AI问题,才能解决自动驾驶问题……除非拥有很强的AI能力及超强算力,否则根本没办法……自动驾驶行业大家都很清楚,无数的边缘场景只能通过真实世界的视觉AI来解决,因为整个世界的道路就是按照人类的认知来建立的……一旦拥有了解决上述问题的AI芯片,其他的就只能算是锦上添花。」 

图片图片


自动驾驶目前需要解决的难题,其实最核心和最困难的就是「感知」,换句话说系统对周围驾驶环境的感知能力越强,其自动驾驶的综合能力就越强;也就是从这里,行业里分成了两大流派,一个是以特斯拉和Mobileye(同时也有Lidar方案)为首的纯视觉方案;另外是其他所有相关公司,想尽可能加入更多的传感器融合方案。 
目前还很难判断究竟哪条路径是正确的,因为很有可能未来实现殊同同归的结果。 
但是,无论是哪条路径,都需要对海量的数据进行深度学习,也就是对神经网络的训练,才有可能实现所谓完全自动驾驶,而且这是唯一途径。 
原因很简单,自动驾驶的问题,可以理解为处理可能遇到的各种驾驶场景以及做出的操作,这一问题基本是「无限」的:如果有有限的编程方式,那么永远无法解决所有可能遇到的问题,或者说以人类的能力,根本无法覆盖那么多种变化的情况。 
早期的各种自动驾驶系统,由于没有别的途径,只能用这样的「死板」方式去研发软件,所以其能力非常有限,只能应付相对稳定和条件限制较多的场景。 
而如果想要实现识别各类型的场景,就需要相关「软件」不断自我适应和进化,这也是利用神经网络进行深度学习的原因。 
神经网络可以简单理解为通过「仿生学」模拟人类大脑皮层的神经元「沟通学习」的方式进行处理数据,用来实现「类人」的学习东西的方式。然而,概念很美好,现实很残酷。 

图片 

1943年Warren McCulloch和Walter Pitts曾写过论文讲述人工神经网络该如何工作,并且利用电路造了一个简单的模型。后来经过诸多人的努力和研究发展,直到1998年,斯坦福大学的Bernard Widrow和Marcian Hoff才打造出了第一套用于解决实际问题的人工神经网络。 

图片

1956年,达特茅斯夏季会议上各路大牛提出了AI定义,大大推动了AI和人工神经网络的发展,也被广泛人为是AI元年。当时人们信心满满,认为不用20年就能打造出跟人脑差不多一样的AI系统。结果在不断研究中发现,深度神经网络的算法太过复杂,从而无从下手。于是放弃了当初「大而全」的目标形式,转为以执行单一目标为方向。 

 图片

这其中的原因除了因为对人类大脑的认识非常肤浅(到现在也没有进步多少),以及人工神经网络架构的局限和软件算法的局限之外,更多的就是算力问题,也就是受到半导体行业发展的限制。 
当年,李开复在做他的语音识别功能博士论文时,哪怕他所采用语音数据库在当时就算容量相当大的了,也不过仅有100MB,可这也花费了他导师近10万美元。在1988年,这相当于两套房子的价格。而如今动辄几个PB的庞大数据量,让算力成为了限制很多AI发展的瓶颈。 
这里补充一个知识:不同的处理器芯片所具备的能力各不相同。例如CPU的通用计算可以被理解为总指挥,负责逻辑上更线性的计算和判断;而GPU则是专职于图像处理的芯片,能够同时吞吐较大的数据量和进行矩阵计算,加之已经是成熟的量产产品,所以被大量应用于AI学习。 
而NPU(Neural Processing Unit,神经网络处理器)则是从设计层面就专职为神经网络学习优化的,像谷歌的TPU和特斯拉的FSD芯片都属于NPU序列,这类芯片扔掉了类似GPU中不需要的功能,仅为神经网络所需要的数据处理形式服务,其速度和能效要高很多。 
但是,这里还需要区分ASIC(Application Specific Integrated Circuit,专用集成电路)芯片和FPGA(Field Programmable Gate Array,可编程逻辑门阵列)芯片,其中ASIC芯片就是生产后,其运行逻辑和功能就固定了,不能修改,为某项任务(软件)而生,能效极高。
而FPGA则是可以通过软件改变其运行逻辑,为半定制的芯片,可以通过软件对其进行修改,适合进行训练和优化所用,能效相比ASIC芯片低一些。像TPU和FSD都属于ASIC芯片,而特斯拉此次发布的Dojo芯片就属于FPGA序列。
目前来看,市场上既没有符合需求的车载芯片可用,也没有符合需求的超算来更好地利用这些数据,特斯拉想要实现这一切,在当时只有自己去做软件和硬件:当年,特斯拉在2016年立项做FSD芯片时,谷歌的专属AI芯片TPU才刚刚问世,而车载的AI芯片几乎没有能用的。 
所以,当年很可能FSD和Dojo的立项时间不会差太远,只是由于考虑到能耗和需求问题,Dojo等到7nm的技术相对成熟后,才开始逐步推进。 
从另一个纬度上去理解Dojo的必然性,是从神经网络学习的计算量级上去理解。在2019年「Autonomous Day」发布会上,特斯拉其实已经明示了会去掉雷达,走向纯视觉,且是视频级别的数据进行直接处理。 
举个简单的例子,一张1080p的图像,以最简单的神经网络结构,如果不利用激活函数(tanh、ReLU)进行数据「优化」,其运算量大概需要4万多亿次;即便采用激活函数优化的卷积神经网络处理,其运算量也将达到1.3亿多次;而如果以视频形式处理,一秒按24帧计算,也有24张图像,综合算下来其运算量是惊人的。 

图片

值得注意的是,自动驾驶收集的数据中95%左右都是无效数据,也就是对神经网络训练压根没用,简单理解来说就是你每天做几乎相同的卷子,是得不到任何提升的。所以即便特斯拉的车辆仅在特定触发条件下才会收集部分数据,但得到的数据量依然非常庞大,需要Dojo这样为特斯拉自身软件优化过的定制超算,才能大大提高效率。
此外,前文提到过「无监督训练」也是Dojo的另一个核心目的,用于大幅度提高训练效率。
神经网络训练中,其实海量的研究人员都是「调参侠」,简单理解也就是通过不断调「权重」来让神经网络判断越来越准确,或者是通过人工标注各种「正确答案」,让其学习。
这就会导致「人」成为了效率的短板,从而致使整个过程的训练速度大幅降低。而如果实现「无监督训练」,也就是系统自己通过海量数据和以前「学习」的结果进行自动标注和调整,那么其效率将会是量子级别的提升。
举个简单的例子,谷歌的Alpha Go击败世界围棋大师相信很多人都知道,也是一个人工智能在特定领域击败人类的标志事件。作为对比,Alpha Go经过人工参与调整和标注的训练结果,经历了几年时间击败了全球高手。而作为无监督训练的范例Alpha Zero,仅用三天时间自己与自己对弈,就击败了Alpha Go Lee,在21天打到了Alpha Master的水平,并在40天超越了所有的旧版本。 
总结起来,如果特斯拉完成了Dojo的打造,那么就能够以惊人的效率用海量的数据进行训练,解决各种「边缘场景」的问题,加快自动驾驶系统的成熟和完善;更关键的是,特斯拉对其软硬件的垂直整合度非常高,不仅不受制于别人,而且能够以此作为服务,给外界提供深度学习的训练业务。 

图片

马斯克曾表示,一旦相对完善了Dojo,将会开放Dojo作为服务给外界提供训练业务,并且Dojo能够承接几乎所有的机器学习任务。 

图片

这也是为什么马斯克敢说,未来特斯拉将会是最大的几家人工智能公司之一。 
会有One More Thing吗?
此次特斯拉的「AI Day」,不出意料的话会把Dojo芯片作为最重点的内容进行软硬件的介绍;当然也会覆盖FSD Beta相关的进展介绍,但就目前的信息来看,还极有可能会推出新的基于7nm技术的HW4.0硬件。 
毕竟在2019年「Autonomous Day」时,马斯克就说过HW4.0的研发已经进行了一半,所以此次发布会,也很有可能借此机会发布新的车载芯片硬件。 
总之,此次特斯拉「AI Day」发布会,很有可能再次在汽车行业甚至是AI领域掀起一波浪潮,至于到底会不会有更多的惊喜,那就到等那天才能揭晓了。
产业性能怪兽特斯拉
相关数据
人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

台积电机构

台积电(中国)有限公司成立于台湾新竹科学园区,并开创了专业集成电路制造服务商业模式。台积公司专注生产由客户所设计的芯片,本身并不设计、生产或销售自有品牌产品,确保不与客户直接竞争。公司为客户生产的晶片被广泛地运用在电脑产品、通讯产品、消费性、工业用及标准类半导体等多样电子产品应用领域。

https://www.tsmc.com/schinese/default.ht…
推荐文章
暂无评论
暂无评论~