Конкуренція за чипи всередині Nvidia гальмує безпілотні авто

Внутрішня боротьба за обчислювальні ресурси в епоху ШІ

Розвиток систем автономного водіння зіткнувся з несподіваною перешкодою всередині самої компанії Nvidia. Керівник автомобільного підрозділу компанії Сіньчжоу Ву визнав, що його команді доводиться конкурувати з іншими департаментами за доступ до графічних процесорів. Основна частина потужностей наразі спрямовується на навчання великих мовних моделей, що обмежує ресурси для автомобільного сектору.

Незважаючи на статус головного постачальника заліза для штучного інтелекту, внутрішні розробники Nvidia відчувають дефіцит чипів. Це підкреслює глобальну проблему індустрії автономного транспорту, де швидкість прогресу прямо залежить від обсягу доступних обчислень. Для навчання нейромереж, які керують автомобілями у реальному часі, потрібні тисячі спеціалізованих прискорювачів.

Різниця між підходами Nvidia та Tesla до безпілотних авто

Сучасний ринок автономного транспорту розділений на кілька філософських та технічних таборів. Стратегія Nvidia суттєво відрізняється від підходу компанії Tesla, яку очолює Ілон Маск. Тоді як Tesla робить ставку виключно на оптичні камери та систему Vision, Nvidia інтегрує ширший спектр сенсорів для забезпечення максимальної безпеки.

Платформа Nvidia DRIVE Hyperion використовує комбінацію камер, радарів та лідарів. Це дозволяє створити надлишкову систему сприйняття навколишнього середовища. Якщо один із датчиків дасть збій через складні погодні умови чи забруднення, інші сенсори підстрахують його, запобігаючи аварійним ситуаціям на дорозі.

Суперкомп’ютер Alpamayo та архітектура обробки даних

Для обробки величезних масивів інформації, які надходять від тестових автомобілів, Nvidia використовує суперкомп’ютер Alpamayo. Ця система розроблена спеціально для симуляції складних дорожніх сценаріїв та навчання нейромереж автомобільного спрямування. Кожна година реального водіння генерує терабайти даних, які необхідно відфільтрувати, розмітити та завантажити в систему навчання.

Сіньчжоу Ву зазначає, що ефективність алгоритмів залежить не лише від кількості графічних процесорів, але й від архітектури зберігання даних. Передача інформації від автомобілів до дата-центрів вимагає оптимізованих каналів зв’язку. Інженери змушені постійно покращувати стиснення даних без втрати важливих деталей, таких як дрібні об’єкти на дорозі або поведінка пішоходів.

Перехід до наскрізного навчання нейромереж

Одним із головних технологічних трендів став перехід до наскрізного навчання, відомого як end-to-end штучний інтелект. У такій моделі дані з камер та сенсорів надходять безпосередньо у велику нейромережу, яка на виході генерує команди для керування кермом, акселератором та гальмами. Це замінює класичні системи, де окремі алгоритми відповідали за детекцію об’єктів, а окремі – за планування траєкторії.

Такий підхід має свої ризики. Головна проблема полягає в ефекті чорної скриньки, коли інженерам важко зрозуміти, чому саме система прийняла конкретне рішення у критичній ситуації. Для вирішення цієї проблеми автомобільный підрозділ Nvidia створює паралельні системи верифікації, які перевіряють безпеку запланованих дій ШІ перед їх виконанням.

Регуляторні виклики та досягнення четвертого рівня автономності

Технічна готовність платформи DRIVE Hyperion не означає її миттєву появу на всіх дорогах загального користування. Впровадження безпілотного транспорту стримується жорсткими регуляторними нормами в різних країнах. Четвертий рівень автономності передбачає, що автомобіль може повністю взяти на себе керування у визначених зонах без участі людини.

Для отримання сертифікатів безпеки автовиробники мають довести, що їхні безпілотники пересуваються значно безпечніше, ніж середньостатистичний водій-людина. Це вимагає мільярдів кілометрів віртуальних тестів у симуляторах. Оскільки реальні дорожні випробування є дорогими та тривалими, Nvidia робить ставку на цифрові двійники міст, де ШІ може тренуватися цілодобово в екстремальних сценаріях.

Майбутнє автомобільного бізнесу Nvidia у структурі доходів

Зараз автомобільний сегмент приносить меншу частку прибутку Nvidia порівняно з рішеннями для великих дата-центрів та хмарних провайдерів. Проте керівництво розглядає цей напрямок як один із ключових елементів довгострокової стратегії компанії. Автомобільна індустрія переживає масштабну трансформацію, перетворюючись на програмно-визначений транспорт.

Партнерство з провідними світовими брендами дозволяє Nvidia інтегрувати свої чипи безпосередньо у конвеєрне виробництво. У майбутньому доходи компанії формуватимуться не лише від продажу фізичних процесорів, але й від ліцензування програмного забезпечення та підписок на оновлення систем автономного водіння. Це забезпечить стабільний потік інвестицій для подальших наукових досліджень.

Технічні нюанси інтеграції платформи DRIVE Hyperion

Інтеграція обчислювальної платформи в сучасний автомобіль вимагає вирішення багатьох інженерних завдань, пов’язаних з енергоспоживанням та охолодженням. Комп’ютери, які обробляють алгоритми ШІ четвертого рівня автономності, споживають сотні ват енергії. Для електромобілів це створює додаткове навантаження на тягову батарею, що може зменшити загальний запас ходу на кілька відсотків.

Інженери Nvidia працюють над оптимізацією архітектури чипів, щоб підвищити енергоефективність обчислень на один ват потужності. Використання спеціалізованих тензорних ядер дозволяє прискорити виконання математичних операцій, необхідних для роботи глибоких нейромереж. Також важливу роль відіграє рідинне охолодження бортового комп’ютера, яке інтегрується в загальну систему терморегуляції транспортного засобу.

Крім того, важливим аспектом є кібербезпека безпілотних платформ. Оскільки автомобілі підключені до мережі інтернет для оновлення карт та програмного забезпечення, вони можуть стати ціллю для зловмисників. Nvidia застосовує багаторівневу архітектуру захисту на апаратному рівні, яка ізолює критичні функції керування автомобілем від розважальних систем та зовнішніх комунікаційних модулів.