汽車行業(yè)智能駕駛市場(chǎng)分析

汽車行業(yè)智能駕駛市場(chǎng)分析1.特斯拉FSD商業(yè)化拐點(diǎn)將至，智駕付費(fèi)模式有望徹底跑通特斯拉FSD（FullSelf-Driving）是在Autopilot的基礎(chǔ)上，推出的高階自動(dòng)駕駛功能，是特斯拉樹(shù)立“高端智能化”品牌標(biāo)簽的重要渠道，目前已迭代至V11.4.6。特斯拉于2020年Q3正式發(fā)布FSDBeta（測(cè)試版）版本，隨后在2021年7月特斯拉通過(guò)重構(gòu)后的底層算法，采用純視覺(jué)技術(shù)路線初步實(shí)現(xiàn)了城市NOA，并針對(duì)不良天氣影響、無(wú)保護(hù)左轉(zhuǎn)等Cornercase進(jìn)行不斷的升級(jí)優(yōu)化。從2023年4月發(fā)布的FSDBeta11.3版本開(kāi)始，特斯拉統(tǒng)一了城市NOA與高速NOA的系統(tǒng)架構(gòu)。根據(jù)馬斯克在推特上的多次預(yù)告，F(xiàn)SDV12將是一次具有歷史意義的重要更新，同時(shí)稱FSDV12將不再是Beta版本。FSDBeta在北美測(cè)試用戶已超40萬(wàn)，行駛里程加速提升，我們認(rèn)為特斯拉FSD商業(yè)化拐點(diǎn)將至，智能駕駛付費(fèi)模式有望徹底跑通。測(cè)試用戶：馬斯克早在2015年首次官宣特斯拉將推出FSD完全自動(dòng)駕駛，2016年Q3在官網(wǎng)上線FSD選裝包，彼時(shí)尚無(wú)具體功能說(shuō)明。直到2020年10月21日，特斯拉正式發(fā)布FSDBeta測(cè)試版本，但僅向北美EarlyAccess早鳥用戶推送。在2021年初舉行的財(cái)報(bào)電話會(huì)議上，馬斯克表示，截至2021年1月，已經(jīng)有近1,000名車主在公共道路上參與FSD測(cè)試，至2021年3月，這一數(shù)字已提升至2000名。在數(shù)千名早鳥用戶歷經(jīng)一年的內(nèi)測(cè)，伴隨著2021年7月發(fā)布重要版本FSDBetaV9，在2021年9月FSDBeta在北美開(kāi)始進(jìn)行有條件的公測(cè),但僅安全評(píng)分達(dá)到100的車主才可獲得測(cè)試資格。兩個(gè)月后，2021年11月FSDBeta測(cè)試者的數(shù)量大幅提升至1.17萬(wàn)，隨后2022年1月/4月/9月測(cè)試人數(shù)分別達(dá)到6萬(wàn)/10萬(wàn)/16萬(wàn)。隨著FSDBeta版本持續(xù)迭代、系統(tǒng)可靠性不斷提升，特斯拉對(duì)于獲得FSDBeta測(cè)試資格的安全評(píng)分標(biāo)準(zhǔn)不斷放松，根據(jù)馬斯克的推特，2022年9月對(duì)安全評(píng)分的要求已放寬至80分。至2022年11月24日，特斯拉向北美地區(qū)所有購(gòu)買FSD用戶推送FSDBeta測(cè)試功能，標(biāo)志著FSDBeta在北美進(jìn)入全面公測(cè)，參與測(cè)試人數(shù)隨之大幅提升，截至2022年12月末測(cè)試人數(shù)達(dá)到28.5萬(wàn)。根據(jù)特斯拉官方推特，截至2023年3月2日FSDBeta測(cè)試人數(shù)超過(guò)40萬(wàn)，根據(jù)Marklines數(shù)據(jù)，截至2023年2月底，北美特斯拉保有量約為185萬(wàn)，對(duì)應(yīng)滲透率達(dá)到22%。（FSD軟件需要在HW3.0平臺(tái)上才可以啟動(dòng)，特斯拉2019Q2之后生產(chǎn)的車輛才搭載HW3.0，但特斯拉可以為老車主將硬件免費(fèi)升級(jí)至3.0平臺(tái)，因此此處滲透率計(jì)算按特斯拉在北美全部的保有量計(jì)算）行駛里程：根據(jù)特斯拉2023年二季度業(yè)績(jī)說(shuō)明會(huì)，截至2023年6月，F(xiàn)SDBeta累計(jì)行駛里程已超過(guò)3億英里。其中，自2023年4月開(kāi)始FSDBeta累計(jì)行程里程加速提升，僅Q2單季度提升約1億英里，主要系FSD訂閱量的上升及從2023年4月開(kāi)始的V11.3在高速上啟用了FSDBeta。需要注意的是，在2023年4月之前，高速場(chǎng)景并未統(tǒng)一到FSDBeta技術(shù)棧中。軟件付費(fèi)：特斯拉FSD具有“期貨”屬性，自2016年發(fā)布以來(lái)已經(jīng)過(guò)多輪價(jià)格調(diào)整，2019年4月激活FSD功能僅需要一次性支付5,000美元，而目前FSD買斷價(jià)格已上漲至1.5萬(wàn)美元。同時(shí)自2021年5月起，F(xiàn)SD同時(shí)支持訂閱的方式進(jìn)行購(gòu)買，基礎(chǔ)AP用戶訂閱價(jià)格為99美元/月，已購(gòu)買加強(qiáng)AP的用戶訂閱FSD價(jià)格為199美元/月。根據(jù)TroyTeslike調(diào)研數(shù)據(jù)，2019年以來(lái)隨著FSD購(gòu)買價(jià)格逐步上漲及Model3/Y中低端車型成為銷售主力，F(xiàn)SD在北美的單季度滲透率有所下滑。隨著FSDBeta功能體驗(yàn)逐步完善，2023年下半年以來(lái)特斯拉通過(guò)對(duì)FSD進(jìn)行有條件優(yōu)惠等方式擴(kuò)大用戶基數(shù)。2023年7月7日特斯拉升級(jí)引薦計(jì)劃，如果用戶通過(guò)推薦購(gòu)買Model3/Y，可以免費(fèi)試用三個(gè)月FSDBeta；如果通過(guò)推薦購(gòu)買ModelS/X，可以免費(fèi)試用六個(gè)月。同時(shí)，馬斯克在推特上表示當(dāng)FSD達(dá)到足夠流暢時(shí)會(huì)在北美向所有用戶免費(fèi)試用一個(gè)月，我們認(rèn)為這或會(huì)在FSDV12發(fā)布后實(shí)現(xiàn)，屆時(shí)FSD訂閱率有望實(shí)現(xiàn)躍升，智能駕駛付費(fèi)徹底跑通。2.算法：BEV+Transformer確立行業(yè)通用感知范式，端到端大模型有望再次引領(lǐng)行業(yè)2.1.2018年之前：從與Mobileye合作到初步嘗試自研2014-2016年間特斯拉與Mobileye深度合作，由Mobileye提供感知算法，主要基于傳統(tǒng)機(jī)器視覺(jué)技術(shù)，依靠大量人工手寫規(guī)則。針對(duì)每一類ADAS任務(wù)，Mobileye都設(shè)計(jì)了復(fù)雜的機(jī)器視覺(jué)算法，并且在工程層面進(jìn)行長(zhǎng)期的優(yōu)化，結(jié)合專用芯片，最終達(dá)到效率和可靠性的平衡。以Mobileye的經(jīng)典測(cè)距算法為例，它使用前方車輛的車輪和地面接觸點(diǎn)作為檢測(cè)點(diǎn)，在假定地面水平的情況下，利用鏡頭的焦距f、相機(jī)離地距離H、成像高度y等易于測(cè)量的數(shù)據(jù)，可以估算出車輛距離本車的距離。在這一階段，特斯拉基于Mobileye方案的AP1.0系統(tǒng)陸續(xù)實(shí)現(xiàn)了車道偏離預(yù)警、主動(dòng)巡航控制、自動(dòng)變道、自動(dòng)泊車等功能。2016年-2017年特斯拉開(kāi)始逐步探索自研自動(dòng)駕駛算法。2016年特斯拉和Mobileye合作關(guān)系破裂后在硬件端轉(zhuǎn)向英偉達(dá)，同時(shí)自研軟件算法。2016年10月HW2.0量產(chǎn)，而軟件層尚未推出，直到2016年12月31日特斯拉發(fā)布Autopilot8.0版本，輔助駕駛功能才重新上線，但相比于AP1.0系統(tǒng)功能上出現(xiàn)了明顯的回退，至2017年3月推送的8.1版本AP2.0系統(tǒng)基本達(dá)到了AP1.0系統(tǒng)的功能體驗(yàn)。同時(shí)，2016-2018年間特斯拉自動(dòng)駕駛團(tuán)隊(duì)構(gòu)成也發(fā)生了多次變化，2016年12月，特斯拉Autopilot原總監(jiān)SterlingAnderson離職，蘋果Swift語(yǔ)言之父ChrisLattner接任，帶領(lǐng)AP2.0的研發(fā)，但僅半年后Lattner宣布離職。在這一時(shí)期特斯拉幾乎不對(duì)外披露軟件算法技術(shù)進(jìn)展，但值得注意的是，2016年底開(kāi)始特斯拉的vision小組與機(jī)器學(xué)習(xí)小組也開(kāi)始在技術(shù)上為Autopilot的開(kāi)發(fā)提供支持，說(shuō)明特斯拉已經(jīng)開(kāi)始嘗試將AI引入自動(dòng)駕駛的應(yīng)用中。2.2.2018年之后：從后融合到特征級(jí)融合，大模型賦能下引領(lǐng)行業(yè)2017年6月Andrej加入特斯拉后，主導(dǎo)特斯拉自動(dòng)駕駛算法從基于傳統(tǒng)視覺(jué)（規(guī)則的方式）向神經(jīng)網(wǎng)絡(luò)模型、數(shù)據(jù)驅(qū)動(dòng)的方向發(fā)展。Andrej將傳統(tǒng)視覺(jué)稱之為Software1.0，指實(shí)現(xiàn)某一個(gè)功能依靠既定代碼邏輯，可以理解為給定目標(biāo)，程序員設(shè)定好一條固定達(dá)到目標(biāo)的路徑。以數(shù)據(jù)驅(qū)動(dòng)、依靠神經(jīng)網(wǎng)絡(luò)的模型被稱為Software2.0，給定目標(biāo)結(jié)果，程序員設(shè)定網(wǎng)絡(luò)框架，通過(guò)計(jì)算資源搜索程序空間的子集（給定目標(biāo)值，利用反向傳播和梯度下降實(shí)現(xiàn)），進(jìn)而找到這條具體的、最高效的路徑。特斯拉自動(dòng)駕駛算法進(jìn)化過(guò)程是2.0軟件逐步“吞噬”1.0軟件的過(guò)程，從一開(kāi)始規(guī)則主導(dǎo)，部分神經(jīng)網(wǎng)絡(luò)輔助；到二者交叉，部分模塊神經(jīng)網(wǎng)絡(luò)、部分規(guī)則，再到神經(jīng)網(wǎng)絡(luò)完全主導(dǎo)，用“onemodel”統(tǒng)一全棧。2.2.1.2018-2019：使用多任務(wù)網(wǎng)絡(luò)提高模型效率，在BEV空間下進(jìn)行后融合構(gòu)建Hytranets多任務(wù)網(wǎng)絡(luò)提高自動(dòng)駕駛感知模型效率。在2018-2019年期間，行業(yè)中應(yīng)用神經(jīng)網(wǎng)絡(luò)完成自動(dòng)駕駛感知任務(wù)的方式是針對(duì)單個(gè)任務(wù)進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)，即一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)只對(duì)應(yīng)一個(gè)感知任務(wù)的實(shí)現(xiàn)。自動(dòng)駕駛中同時(shí)存在非常多感知任務(wù)（尤其從高速進(jìn)入城市場(chǎng)景，環(huán)境復(fù)雜度大幅提升），如果為每一個(gè)任務(wù)單獨(dú)設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)極其耗費(fèi)資源。特斯拉的解決方案是設(shè)計(jì)一個(gè)Hydranets多任務(wù)網(wǎng)絡(luò)，有一個(gè)共享的backbone骨干網(wǎng)絡(luò)，再輸出多個(gè)任務(wù)。這樣設(shè)計(jì)最核心的好處在于節(jié)約計(jì)算資源，一方面在訓(xùn)練端，針對(duì)單個(gè)任務(wù)進(jìn)行微調(diào)時(shí)不需要對(duì)共享網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練；另一方面在車端進(jìn)行推理時(shí)不同任務(wù)共享特征提取結(jié)果從而避免重復(fù)計(jì)算。在泊車場(chǎng)景下開(kāi)始應(yīng)用BEV，采用后融合策略對(duì)不同視角進(jìn)行拼接。2019年10月，特斯拉推出停車場(chǎng)智能召喚功能，可控制車輛離開(kāi)車位、繞過(guò)彎角、進(jìn)行必要的避障到達(dá)所選位置。為實(shí)現(xiàn)這一功能，車輛需要找到停車場(chǎng)中的可行駛區(qū)域，避免碰到道路邊緣。特斯拉在不同視角之下完成了車道線邊緣的預(yù)測(cè)，但車輛無(wú)法在2D透視圖中完成后續(xù)的規(guī)劃決策，因此需要將8個(gè)不同視角下的預(yù)測(cè)結(jié)果“投射”到BEV視角下（此時(shí)尚未正式提出BEV的概念，稱其為Top-down自上而下的視角）進(jìn)行拼接，需要特別注意的是，這個(gè)拼接過(guò)程是用基于數(shù)學(xué)規(guī)則的方式而非神經(jīng)網(wǎng)絡(luò)的方式完成的。2.2.2.2020-2021：特征級(jí)融合取代后融合，BEV+Transformer架構(gòu)下，進(jìn)入自動(dòng)駕駛大模型時(shí)代特斯拉利用基于神經(jīng)網(wǎng)絡(luò)的特征級(jí)融合取代基于規(guī)則的后融合，大幅提升感知效果。2020年特斯拉開(kāi)始研發(fā)FSD完全自動(dòng)駕駛，當(dāng)自動(dòng)駕駛從簡(jiǎn)單的泊車場(chǎng)景向普通城市道路拓展時(shí)，后融合的感知結(jié)果難以滿足要求。一方面基于規(guī)則的后融合具有嚴(yán)苛的假設(shè)，如地面是完美水平、相機(jī)和地面之間不存在相對(duì)運(yùn)動(dòng)，因此任何的車輛顛簸或者道路有高度變化都會(huì)打破這一假設(shè)，使得BEV輸出的圖像面臨失真。同時(shí)，由于透視投影，在2D圖像中完成不錯(cuò)的感知結(jié)果投影到BEV空間中精度很差，若要保證遠(yuǎn)距離區(qū)域的精度，就必須要對(duì)每一個(gè)像素的深度預(yù)測(cè)非常準(zhǔn)確，而這是難以實(shí)現(xiàn)的。為解決這些問(wèn)題，特斯拉希望能直接利用神經(jīng)網(wǎng)絡(luò)輸出BEV感知結(jié)果，自動(dòng)駕駛感知融合從后融合走向特征級(jí)融合。具體模型框架如下：1）通過(guò)Backbone共享骨干網(wǎng)絡(luò)進(jìn)行特征提??；2）將不同視角下的2D特征圖通過(guò)神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換至BEV空間內(nèi)融合；3）融入時(shí)序信息；4）多任務(wù)的輸出。Transformer交叉注意力機(jī)制對(duì)于BEV空間轉(zhuǎn)換任務(wù)適配性較高。利用Transformer進(jìn)行BEV空間轉(zhuǎn)換的方法沒(méi)并有顯示的深度估計(jì)，而是用注意力機(jī)制直接進(jìn)行不同序列（指2D特征圖和BEV視圖）之間的轉(zhuǎn)換。Transformer的交叉注意力機(jī)制中的Query和Key/Value來(lái)源不同，因此天然適配于不同域之間的數(shù)據(jù)轉(zhuǎn)換。在2D特征圖向BEV空間轉(zhuǎn)換的過(guò)程中，首先將BEV空間分割成2D格柵，之后將它們編碼成一組Query向量，去不同視角的2D特征圖中查詢對(duì)應(yīng)的點(diǎn)，從而實(shí)現(xiàn)空間的轉(zhuǎn)換。根據(jù)2021年特斯拉AIDay，通過(guò)Transformer交叉注意力機(jī)制在BEV空間內(nèi)做特征級(jí)融合的效果遠(yuǎn)好于基于規(guī)則的方法在BEV空間內(nèi)后融合。2.2.3.2022：升級(jí)至Occupancy解決一般障礙物識(shí)別問(wèn)題，LanesNetwork進(jìn)一步完善地圖模型從BEV升級(jí)到占用網(wǎng)絡(luò)，進(jìn)一步提升泛化能力。特斯拉在2022年AIDay中展現(xiàn)了OccupancyNetwork感知技術(shù)?；镜乃枷胧菍⑷S空間劃分成體素voxel（可以理解為微小立方體），再去預(yù)測(cè)每個(gè)voxel是被占用還是空閑，通過(guò)0/1賦值對(duì)voxel進(jìn)行二分類：有物體的voxel賦值為1，表示voxel被物體占據(jù)；沒(méi)有物體的voxel被賦值為0。實(shí)際中的賦值可以是概率值，表示voxel存在物體的概率。占用網(wǎng)絡(luò)感知技術(shù)本質(zhì)上是為了解決更多的長(zhǎng)尾問(wèn)題。純視覺(jué)方案被質(zhì)疑的一大問(wèn)題在于對(duì)于沒(méi)有在訓(xùn)練集中出現(xiàn)過(guò)的物體，視覺(jué)系統(tǒng)則無(wú)法識(shí)別，比如側(cè)翻的白色大卡車，垃圾桶出現(xiàn)的路中，傳統(tǒng)視覺(jué)算法無(wú)法檢測(cè)到。占用網(wǎng)絡(luò)模型的基本思想是“不考慮這個(gè)物體到底是什么，只考慮體素是否被占用”，則從根本上避免了這一問(wèn)題，大幅提升了模型的泛化能力。Occupancy網(wǎng)絡(luò)結(jié)構(gòu)與特斯拉2021年AIDay展示的BEV網(wǎng)絡(luò)結(jié)構(gòu)差異不大，均包括特征提取、利用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征級(jí)融合、融入時(shí)序信息、多任務(wù)的輸出四個(gè)步驟，事實(shí)上Occupancy可以看作是4D的BEV。從網(wǎng)絡(luò)結(jié)構(gòu)上看差異主要體現(xiàn)在：1）Occupancy模型中進(jìn)行空間轉(zhuǎn)換時(shí)的Query是3D格柵，BEV模型中是2D；2）Occupancy模型可以直接解碼出網(wǎng)格的占用情況、速度信息、3維道路曲面參數(shù)和語(yǔ)義信息等。從BEV在線地圖升級(jí)至矢量地圖構(gòu)建模型LanesNetwork，更有利于下游的規(guī)劃決策。特斯拉始終堅(jiān)持無(wú)高精度地圖的方案，通過(guò)車端實(shí)時(shí)感知+導(dǎo)航地圖為下游規(guī)劃決策提供所需的道路信息，因此特斯拉在線地圖的升級(jí)方向就是讓其提供的信息密度越來(lái)越接近高精度地圖。高精度地圖相比于導(dǎo)航地圖定位精度明顯提升，并且可以提供車道級(jí)的信息（車道線的數(shù)量、邊緣位置），這一點(diǎn)特斯拉在2021年通過(guò)在BEV空間內(nèi)對(duì)車道線進(jìn)行完整的在線分割和識(shí)別已經(jīng)實(shí)現(xiàn)。但除此之外，高精度地圖還可以提供道路拓?fù)浣Y(jié)構(gòu)，即車道線之間的連接關(guān)系，特斯拉將地圖模型升級(jí)至矢量地圖就是為了補(bǔ)足這一信息。特斯拉矢量地圖LanesNetwork包含視覺(jué)、地圖、語(yǔ)義三個(gè)模塊，利用Transformer生成車道線的關(guān)鍵節(jié)點(diǎn)。從網(wǎng)絡(luò)架構(gòu)上來(lái)說(shuō)，矢量地圖是Occupancy感知網(wǎng)絡(luò)的一個(gè)decoder，將來(lái)自感知網(wǎng)絡(luò)的視覺(jué)特征信息、地圖的信息整合起來(lái)給到語(yǔ)義模塊，這里需要特別注意的是特斯拉所采用的地圖是其自己繪制的眾包地圖，而非高精度地圖。語(yǔ)義模型框架上類似Transformer中的Decoder，將來(lái)自視覺(jué)模塊和地圖模塊的所有信息進(jìn)行編碼，類似于語(yǔ)言模型中單詞token，再以序列自回歸的方式預(yù)測(cè)節(jié)點(diǎn)的位置、屬性以及連接關(guān)系。2.2.4.2023：規(guī)劃決策端應(yīng)用神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)“端到端”的自動(dòng)駕駛模型特斯拉FSDV12在規(guī)劃決策端采用AI大模型，更好的處理復(fù)雜的交通參與者之間的交互問(wèn)題，有望實(shí)現(xiàn)端到端自動(dòng)駕駛。在當(dāng)前自動(dòng)駕駛模型架構(gòu)中將駕駛目標(biāo)劃分為感知、決策、執(zhí)行三個(gè)大的模塊。目前行業(yè)在特斯拉的引領(lǐng)下感知模塊均依靠于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，但規(guī)劃決策端依然是基于傳統(tǒng)規(guī)則，而非神經(jīng)網(wǎng)絡(luò)的方式。馬斯克在推特上稱，特斯拉FSDV12將采用“端到端”模型，輸入數(shù)據(jù)是攝像頭采集的到的視頻流raw-data，輸出數(shù)據(jù)直接是如方向盤轉(zhuǎn)角多少度的控制決策?？梢岳斫鉃?，除了感知模塊，特斯拉在規(guī)劃決策模塊也將采用AI大模型、數(shù)據(jù)驅(qū)動(dòng)的方式來(lái)實(shí)現(xiàn)。規(guī)劃決策端應(yīng)用神經(jīng)網(wǎng)絡(luò)模型是當(dāng)前學(xué)界、業(yè)界共同關(guān)注的發(fā)展方向。獲得2023年CVPR最佳論文獎(jiǎng)的《Planning-orientedAutonomousDriving》提出UniAD自動(dòng)駕駛大模型，UniAD以“規(guī)劃”為目標(biāo)，利用多組query實(shí)現(xiàn)了全棧Transformer的端到端模型。需要注意的是UniAD利用Transformer統(tǒng)一了自動(dòng)駕駛感知、規(guī)劃決策全棧，但模塊之間有明顯的區(qū)隔，并非完全黑盒，具有一定的可解釋性。3.數(shù)據(jù)：數(shù)據(jù)閉環(huán)+超算中心造就FSD極致迭代速度如前所述，特斯拉自動(dòng)駕駛模型從大量的程序員手寫規(guī)則的Software1.0向基于神經(jīng)網(wǎng)絡(luò)的Software2.0迭代，在Software2.0時(shí)代下，數(shù)據(jù)是最為重要的生產(chǎn)資料。我們復(fù)盤特斯拉對(duì)數(shù)據(jù)閉環(huán)體系的構(gòu)建可以分為以下兩個(gè)階段：1）2016-2019年：首創(chuàng)影子模式，組建千人標(biāo)注團(tuán)隊(duì)，數(shù)據(jù)閉環(huán)體系初步構(gòu)建；2）2020年-至今：逐步發(fā)展至4D自動(dòng)標(biāo)注，數(shù)據(jù)閉環(huán)體系趨于完善，Dojo超算中心投產(chǎn)進(jìn)一步提升迭代速度。3.1.2016-2019：首創(chuàng)影子模式，數(shù)據(jù)閉環(huán)體系初步構(gòu)建特斯拉早在2016年首創(chuàng)影子模式，開(kāi)始在車端大量收集眾包數(shù)據(jù)，2018年已初步構(gòu)建了數(shù)據(jù)閉環(huán)體系。一次完整的數(shù)據(jù)閉環(huán)過(guò)程分為以下幾個(gè)步驟：1）從一個(gè)初始數(shù)據(jù)集開(kāi)始（seeddataset）訓(xùn)練神經(jīng)網(wǎng)絡(luò)并部署在車端。2）設(shè)計(jì)trigger觸發(fā)機(jī)制，回傳車端收集到的cornercase（如神經(jīng)網(wǎng)絡(luò)結(jié)果不準(zhǔn)確、司機(jī)接入接管等）。3）發(fā)現(xiàn)這個(gè)cornercase后，寫成一個(gè)新的trigger發(fā)送到車端，讓車隊(duì)回傳大量的類似數(shù)據(jù)集。4）對(duì)新得到的數(shù)據(jù)集進(jìn)行標(biāo)注，重新訓(xùn)練。在這一過(guò)程中，cornercase的挖掘速度（取決于眾包車隊(duì)的數(shù)量以及Trigger觸發(fā)機(jī)制的設(shè)計(jì)）、對(duì)類似場(chǎng)景數(shù)據(jù)的收集速度、數(shù)據(jù)標(biāo)注的速度和質(zhì)量、訓(xùn)練模型的計(jì)算資源共同決定了自動(dòng)駕駛模型的迭代能力。特斯拉開(kāi)創(chuàng)影子模式通過(guò)大量眾包車輛收集cornercase：在有人駕駛狀態(tài)下，系統(tǒng)包括傳感器仍然運(yùn)行但并不參與車輛控制，只是對(duì)決策算法進(jìn)行驗(yàn)證——系統(tǒng)的算法在“影子模式”下做持續(xù)模擬決策，并且把決策與駕駛員的行為進(jìn)行對(duì)比，一旦兩者不一致，該場(chǎng)景便被判定為“極端工況”，進(jìn)而觸發(fā)數(shù)據(jù)回傳。同時(shí)在2019年特斯拉已經(jīng)開(kāi)始搭建仿真平臺(tái)，但根據(jù)TeslaAutonomyDay，彼時(shí)特斯拉仿真場(chǎng)景存在雨霧等復(fù)雜現(xiàn)實(shí)環(huán)境難以復(fù)原等問(wèn)題，在自動(dòng)駕駛模型訓(xùn)練中參與度較低。組建超過(guò)千人的數(shù)據(jù)標(biāo)注團(tuán)隊(duì)，保證標(biāo)注質(zhì)量。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程需要給定目標(biāo)結(jié)果（即真值），因此對(duì)于收集的數(shù)據(jù)需要進(jìn)行標(biāo)注后才可以用于模型的訓(xùn)練。在2016-2019年這個(gè)階段，特斯拉數(shù)據(jù)標(biāo)注主要依賴于人工手動(dòng)標(biāo)注。特斯拉最早將數(shù)據(jù)標(biāo)注外包給第三方團(tuán)隊(duì)，但由于外部團(tuán)隊(duì)難以及時(shí)響應(yīng)且數(shù)據(jù)標(biāo)注質(zhì)量較低，特斯拉逐步在內(nèi)部組建了近千人的數(shù)據(jù)標(biāo)注團(tuán)隊(duì)。同時(shí)，在這一階段訓(xùn)練數(shù)據(jù)的真值標(biāo)注是基于2D圖像的，即在2D圖像上標(biāo)注出各種物體（車輛、行人、交通標(biāo)志等）的位置和類別，形式通常是邊界框（BoundingBoxes）。采購(gòu)英偉達(dá)GPU自建數(shù)據(jù)中心，規(guī)模尚小，模型單次訓(xùn)練所需時(shí)間較長(zhǎng)。在特斯拉啟動(dòng)Dojo超算中心項(xiàng)目之前，通過(guò)采購(gòu)英偉達(dá)GPU已初步構(gòu)建數(shù)據(jù)中心。根據(jù)特斯拉AIDay展示資料，2019年8月特斯拉所擁有的GPU數(shù)量?jī)H約1500個(gè)，到2020年2月達(dá)到約1700個(gè)。同時(shí)，Andrej2020年2月在ScaledML會(huì)議中的演講中表示，特斯拉當(dāng)時(shí)自動(dòng)駕駛模型訓(xùn)練一次需要約70000個(gè)GPU時(shí)，因此可以推算在2019年末-2020年初時(shí)，特斯拉自動(dòng)駕駛模型一次訓(xùn)練需要2天。3.2.2020-2023：逐步升級(jí)至4D標(biāo)注，數(shù)據(jù)閉環(huán)體系趨于完善在初代數(shù)據(jù)引擎的基礎(chǔ)之上，特斯拉升級(jí)版數(shù)據(jù)引擎在標(biāo)注方案、模擬仿真、云端計(jì)算資源三個(gè)方面大幅升級(jí)，數(shù)據(jù)閉環(huán)系統(tǒng)趨于完善。特斯拉在2022年AIDay上所展示的數(shù)據(jù)引擎依然按照模型部署->車端影子模式下發(fā)現(xiàn)cornercase回傳至云端->獲得大量相似場(chǎng)景->數(shù)據(jù)標(biāo)注后重新訓(xùn)練->再次部署到車端的流程進(jìn)行，但相比于2019年的初代數(shù)據(jù)引擎版本，主要在標(biāo)注方案、模擬仿真、云端計(jì)算資源三個(gè)方面進(jìn)行了升級(jí)。3.2.1.從2D人工標(biāo)注升級(jí)至4D自動(dòng)標(biāo)注，提升標(biāo)注效率從基于圖像空間的2D標(biāo)注升級(jí)至BEV空間下的4D標(biāo)注，大幅提升標(biāo)注效率。如前所述，對(duì)采集的原始數(shù)據(jù)進(jìn)行標(biāo)注來(lái)作為神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)結(jié)果進(jìn)行訓(xùn)練。因此訓(xùn)練傳統(tǒng)的基于單個(gè)攝像頭的感知模型，所需要標(biāo)注的真值僅在2D圖像空間中完成即可。而隨著感知模型向BEV模型迭代，其所需要的真值需要在BEV空間內(nèi)完成標(biāo)注。特斯拉采用的方法是基于多趟場(chǎng)景重建技術(shù)的4D自動(dòng)標(biāo)注，具體步驟如下：1）對(duì)單個(gè)Clip（Clip是Tesla標(biāo)注系統(tǒng)的最小標(biāo)注單位，一個(gè)Clip通常包含時(shí)長(zhǎng)為45秒到1min的路段內(nèi)所有傳感器的數(shù)據(jù)）使用一個(gè)神經(jīng)網(wǎng)絡(luò)隱式地對(duì)路面建模，得到重建結(jié)果；2）將包含相同路段所有的Clip進(jìn)行拼接對(duì)齊，完成多趟重建；3）當(dāng)有新的旅程發(fā)生時(shí)，就可以進(jìn)行、幾何匹配，得到新旅程車道線的偽真值（pseudolabel）。特斯拉自動(dòng)標(biāo)注系統(tǒng)可以取代500萬(wàn)小時(shí)的人工作業(yè)量，人工僅需要檢查補(bǔ)漏。特別需要指出的是，離線自動(dòng)標(biāo)注系統(tǒng)同樣是大模型，車載感知模型相當(dāng)于對(duì)離線大模型進(jìn)行蒸餾。3.2.2.虛擬仿真技術(shù)逐步成熟，賦能模型迭代加入仿真場(chǎng)景，對(duì)所采集的cornercase進(jìn)行泛化，提高模型迭代速度。如前所述，在特斯拉初代數(shù)據(jù)引擎中，在影子模式之下回傳cornercase后，需要再寫一個(gè)trigger發(fā)送到車端讓眾包車隊(duì)回傳類似場(chǎng)景進(jìn)行訓(xùn)練。但隨著模型不斷迭代，cornercase出現(xiàn)的概率逐步降低，某些極端場(chǎng)景往往可遇不可求，等待車隊(duì)回傳真實(shí)數(shù)據(jù)耗時(shí)較長(zhǎng)，在這種情況下，仿真場(chǎng)景是有效的解決方案。特斯拉SimulationWorldCreator具體流程如下：1）由經(jīng)自動(dòng)標(biāo)注的真實(shí)場(chǎng)景數(shù)據(jù)中提取隔離帶邊界、車道線、道路連接信息等來(lái)生成路面網(wǎng)格并進(jìn)行車道線等渲染；2）植物通過(guò)豐富的素材庫(kù)在路間和路旁隨機(jī)生成植物房屋等來(lái)模擬真實(shí)世界中這些物體引起的遮擋效應(yīng)；3）由導(dǎo)航地圖提供信號(hào)燈、路牌等其他道路元素；4）加入車輛和行人等動(dòng)態(tài)元素。在這一過(guò)程中，通過(guò)道路街景隨機(jī)生成以及車道鏈接關(guān)系的隨機(jī)生成提高了模型的泛化能力。3.2.3.云端計(jì)算資源不斷擴(kuò)充，Dojo超算中心正式投產(chǎn)Dojo超算中心正式投產(chǎn)，F(xiàn)SD迭代速度有望進(jìn)一步大幅提升。根據(jù)Tesla2021年AIDay，自2019年以來(lái)，特斯拉基于英偉達(dá)GPU部署的數(shù)據(jù)中心算力持續(xù)提升。2019年8月，特斯拉僅擁有不到1500個(gè)GPU，而到了2021年8月，特斯拉用于云端部署的超級(jí)計(jì)算機(jī)已經(jīng)擁有11544個(gè)GPU。此時(shí)，特斯拉具有三個(gè)計(jì)算集群，其中最大的計(jì)算集群具有5760個(gè)英偉達(dá)A100GPU（80GB顯存容量），合計(jì)1.8EFlops的AI算力。而最小的計(jì)算集群具有1752個(gè)GPU用于自動(dòng)標(biāo)注系統(tǒng)。與此同時(shí)，特斯拉自2019年開(kāi)始籌備Dojo超算中心項(xiàng)目，在2021年AIDay上正式發(fā)布。馬斯克表示一方面由于英偉達(dá)產(chǎn)能有限，另一方面由于英偉達(dá)是通用GPU，并非針對(duì)視頻訓(xùn)練的專用芯片，因此特斯拉自研訓(xùn)練芯片可以提高訓(xùn)練效率。根據(jù)特斯拉在AIDay2022上公布的數(shù)據(jù)，與英偉達(dá)的A100相比，每一顆D1芯片（配合特斯拉自研的編譯器）在自動(dòng)標(biāo)注任務(wù)中最高能夠?qū)崿F(xiàn)3.2倍的計(jì)算性能，而在占用網(wǎng)絡(luò)任務(wù)中最高能夠?qū)崿F(xiàn)4.4倍的計(jì)算性能。根據(jù)Tesla_AI的官方推特，Dojo超算中心已于2023年7月正式投產(chǎn)，預(yù)計(jì)2024年2月達(dá)到等效于10萬(wàn)個(gè)英偉達(dá)A100的算力，成為全球前五大計(jì)算中心。目前FSDBeta的發(fā)版速度為平均20天一次，我們預(yù)計(jì)隨著Dojo超算中心的投產(chǎn)，特斯拉FSD的迭代速度會(huì)進(jìn)一步提升。4.硬件：算力、內(nèi)存大幅提升賦能自動(dòng)駕駛算法向大模型迭代4.1.HW4.0版本發(fā)布，芯片性能、傳感器配置全面升級(jí)特斯拉自動(dòng)駕駛硬件自2014年逐步從HW1.0迭代至HW4.0，歷經(jīng)核心芯片外采到自研的轉(zhuǎn)變，目前HW4.0已開(kāi)始量產(chǎn)。復(fù)盤特斯拉HW1.0到HW4.0硬件系統(tǒng)配置變化：Hardware1.0：2014年9月特斯拉推出第一代自動(dòng)駕駛硬件平臺(tái)HW1.0，主芯片采用Mobileye的EyeQ3，同時(shí)搭配NvidiaTegra3，傳感器為1顆攝像頭+1顆毫米波雷達(dá)+12顆超聲波雷達(dá)。特斯拉自始堅(jiān)持視覺(jué)為主的方案，反對(duì)使用激光雷達(dá)這樣的高成本傳感器，與同樣采用視覺(jué)方案的Mobileye不謀而合。然而，由于特斯拉和Mobileye在數(shù)據(jù)歸屬、合作開(kāi)發(fā)模式等方面存在分歧，同時(shí)2016年5月發(fā)生的Autopilot交通事故成為二者分手的導(dǎo)火索。Hardware2.0：與Mobileye分手后，2016年10月特斯拉基于NvidiadrivePX2（該平臺(tái)由1顆TegraParker芯片和1顆Pascal架構(gòu)GPU芯片構(gòu)成）推出HW2.0，算力提升至12Tops（MobileyeEyeQ3算力僅0.256Tops）。傳感器方案升級(jí)至8個(gè)攝像頭+1顆前向毫米波雷達(dá)+12顆超聲波雷達(dá)，這一套傳感器配置一直保留至HW3.0。2017年7月，特斯拉將HW2.0升級(jí)至HW2.5，增加了一顆TegraParker芯片。Hardware3.0：特斯拉在與英偉達(dá)合作的同時(shí)，于2016年2月開(kāi)始組建團(tuán)隊(duì)自研自動(dòng)駕駛芯片，歷時(shí)三年的研發(fā)，特斯拉于2019年4月推出基于TeslaFSDComputer的HW3.0。HW3.0采用雙冗余設(shè)計(jì)，搭載兩塊FSD1.0芯片，每一塊芯片可以獨(dú)立運(yùn)算。FSD芯片采用CPU+GPU+ASIC路線：1）CPU：Cortex-A72架構(gòu)，共有12核，最高運(yùn)行頻率2.2GHz；2）GPU：最高工作頻率為1GHz，最高計(jì)算能力為0.6TFLOPS；3）NPU：2個(gè)NeuralProcessingUnit（NPU），每個(gè)NPU可以執(zhí)行8位整數(shù)計(jì)算，運(yùn)行頻率為2GHz，單個(gè)NPU算力36.86TOPS，2個(gè)FSD芯片的總算力為144TOPS。Hardware4.0：2023年HW4.0已搭載于ModelS/X，相較于HW3.0在傳感器配置、SoC性能、內(nèi)存帶寬等方面均有大幅提升。1）傳感器配置：相較于HW3.0，HW4.0所搭載的攝像頭數(shù)量和精度均有所提升。HW4.0共有12個(gè)攝像頭接口，其中包括1個(gè)備用、1個(gè)艙內(nèi)攝像頭，實(shí)際10個(gè)攝像頭用于自動(dòng)駕駛感知（其中兩個(gè)前視），攝像頭像素或從120萬(wàn)提升至540萬(wàn)。此外，HW4.0預(yù)留了4D毫米波雷達(dá)的接口。2）SoC性能提升：FSD2.0芯片CPU內(nèi)核由12個(gè)增加到20，最大運(yùn)行頻率由2.2GHz提高到2.35GHz。NPU核從2個(gè)增加到3個(gè)（最大運(yùn)行頻率由2GHz提高到2.2GHz），預(yù)計(jì)域控制器總算力約400-500Tops.3)內(nèi)存方案升級(jí)：從HW3.0的8顆LPDDR4升級(jí)至16顆GDDR6，內(nèi)存容量從16GB提升至32GB，最大內(nèi)存帶寬從68GB/s大幅提升至224GB/s。4.2.Transformer大模型要求自動(dòng)駕駛芯片具有更強(qiáng)的計(jì)算能力Transformer+BEV自動(dòng)駕駛大模型的應(yīng)用推動(dòng)車端算力需求提升。車端算力用于量產(chǎn)車上自動(dòng)駕駛模型推理的過(guò)程，可以理解為將訓(xùn)練好的自動(dòng)駕駛模型部署在車端，自動(dòng)駕駛汽車實(shí)時(shí)采集的圖像輸入到訓(xùn)練好的模型中，依據(jù)模型參數(shù)算出結(jié)果的過(guò)程。自動(dòng)駕駛算法向大模型迭代，參數(shù)量大幅提升；同時(shí)，隨著攝像頭精度提升、多傳感器融合方案從后融合走向特征級(jí)融合，數(shù)據(jù)量大幅提升，以上因素共同作用使得對(duì)車端算力需求提升。根據(jù)羅蘭貝格的預(yù)測(cè)，L3對(duì)算力的需求是L2的10倍。相比于CNN，Transformer模型對(duì)芯片浮點(diǎn)計(jì)算能力提出更高的要求。傳統(tǒng)AI芯片主要針對(duì)CNN模型設(shè)計(jì)，常使用INT8量化操作（將網(wǎng)絡(luò)中的參數(shù)和計(jì)算從高精度轉(zhuǎn)換到低精度）以此來(lái)減少存儲(chǔ)和計(jì)算的開(kāi)銷。CNN模型中的主要操作是卷積運(yùn)算和激活函數(shù)，對(duì)精度的要求較低。在卷積運(yùn)算中使用一個(gè)小的卷積核在輸入圖像上滑動(dòng)并進(jìn)行元素相乘后相加的運(yùn)算，如果將輸入和卷積核都量化到較低的精度（例如INT8），在整體的卷積運(yùn)算中，誤差會(huì)相互抵消，對(duì)最后的結(jié)果影響并不大。激活函數(shù)通常為分段線性函數(shù)，對(duì)輸入的數(shù)值精度同樣不敏感。而Transformer模型需要在較高的精度（如FP16）下進(jìn)行，要求硬件有高性能的浮點(diǎn)運(yùn)算能力。在Transformer的核心Attention運(yùn)算中，模型會(huì)計(jì)算輸入序列中每對(duì)元素之間的相似度（矩陣乘法），之后通過(guò)一個(gè)Softmax函數(shù)轉(zhuǎn)換為權(quán)重。這個(gè)過(guò)程中，點(diǎn)積運(yùn)算可能會(huì)產(chǎn)生非常大或非常小的數(shù)值，而Softmax函數(shù)對(duì)這些數(shù)值極為敏感，低精度的數(shù)值表示可能會(huì)導(dǎo)致大量的精度損失。同時(shí)，相比于CNN只關(guān)注局部信息，Transformer進(jìn)行全局的信息交換，低精度的數(shù)據(jù)可能導(dǎo)致誤差的累積。除此之外，Transformer模型的歸一化操作中需要計(jì)算每個(gè)隱藏層的均值和方差，同樣需要精確的數(shù)值表示。4.3.Transformer大模型驅(qū)動(dòng)自動(dòng)駕駛芯片內(nèi)存方案升級(jí)存儲(chǔ)芯片種類較多，主要分為易失性存儲(chǔ)器（VolatileMemory）和非易失性存儲(chǔ)器（NonvolatileMemory）兩大類。根據(jù)斷電后數(shù)據(jù)是否丟失，存儲(chǔ)芯片可以分為易失型存儲(chǔ)和非易失型存儲(chǔ)兩大類。其中易失性存儲(chǔ)器斷電后數(shù)據(jù)丟失，但使用壽命較長(zhǎng)且讀寫速度較快，通常作為CPU、GPU等算力芯片的內(nèi)存，主要包括SRAM、DRAM等。雖然SRAM帶寬較高、存取速度較快，但SRAM價(jià)格較高，不適合大規(guī)模用于車載領(lǐng)域。DRAM則分為DDR、圖形DDR（GDDR）和低功耗移動(dòng)DDR（LPDDR）三大類，其中LPDDR適合用于對(duì)面積和功耗較為敏感的移動(dòng)和汽車應(yīng)用。自動(dòng)駕駛感知模型從CNN小模型向Transformer大模型迭代過(guò)程中，對(duì)內(nèi)存的消耗大幅提升。自動(dòng)駕駛算法模型對(duì)DRAM的需求主要來(lái)自于三個(gè)方面：1）傳感器傳輸?shù)臄?shù)據(jù)，隨著攝像頭精度的提高，增加內(nèi)存的需求；2）模型參數(shù)（權(quán)重矩陣），每一次模型的運(yùn)算都需要從DRAM中加載權(quán)重矩陣，模型參數(shù)越大，對(duì)內(nèi)存要求越大；3）儲(chǔ)存模型計(jì)算的中間結(jié)果。相比于CNN，Transformer模型在以上三個(gè)方面均對(duì)內(nèi)存的需求更高。傳感器：?jiǎn)蝹€(gè)攝像頭的帶寬需求=像素?cái)?shù)×幀率×顏色深度（每個(gè)像素需要多少位來(lái)表示），在假設(shè)幀率和顏色深度不變的情況下，單個(gè)攝像頭從200萬(wàn)像素升級(jí)到800萬(wàn)像素，對(duì)帶寬的要求提升4倍。模型參數(shù)：對(duì)于深度學(xué)習(xí)模型來(lái)說(shuō)大部分的空間由參數(shù)占據(jù)，在車端模型推理過(guò)程中的每一次前向傳播都需要將模型參數(shù)從內(nèi)存中加載到計(jì)算單元中，隨著模型參數(shù)量的增加，對(duì)內(nèi)存的需求大幅增加。根據(jù)佐思汽研數(shù)據(jù)，傳統(tǒng)的目標(biāo)檢測(cè)模型尺寸大小通常只有20MB，而應(yīng)用于自動(dòng)駕駛中的Transformer模型參數(shù)至少在11億以上，即1.1GB的權(quán)重模型。儲(chǔ)存中間結(jié)果：在Transformer的自注意力機(jī)制中，輸入序列的每個(gè)元素都需要與其他所有元素進(jìn)行比較以計(jì)算注意力權(quán)重。這實(shí)際上是在生成一個(gè)注意力矩陣，其中第i行和第j列的元素表示第i個(gè)元素對(duì)第j個(gè)元素的注意力權(quán)重。因此，對(duì)于一個(gè)含有n個(gè)元素的輸入序列，需要生成一個(gè)n×n的矩陣來(lái)保存這些權(quán)重。這意味著這對(duì)針對(duì)中間結(jié)果的存儲(chǔ)空間的需求增長(zhǎng)與輸入序列的平方成正比。而對(duì)于CNN模型，其卷積操作一般只涉及到輸入數(shù)據(jù)的局部區(qū)域，所需存儲(chǔ)空間相對(duì)較小。內(nèi)存的訪問(wèn)速度成為限制芯片有效算力的瓶頸。由于存儲(chǔ)器和處理器的工藝不同，二者的性能差距越來(lái)越大。存儲(chǔ)器受益于制程技術(shù)的進(jìn)步，每18-24個(gè)月，集成電路上可容納的晶體管數(shù)量就會(huì)翻倍；然而，內(nèi)存的速度提升則主要依賴于電荷存儲(chǔ)和訪問(wèn)技術(shù)，其進(jìn)步速度要慢得多。梳理過(guò)去20年芯片算力及內(nèi)存參數(shù)發(fā)現(xiàn)，硬件的峰值計(jì)算能力增加了90,000倍，但是內(nèi)存/硬件互連帶寬卻只是提高了30倍。除此之外，根據(jù)UCBerkeleyRISELab數(shù)據(jù)，大型Transformer模型中的參數(shù)數(shù)量呈指數(shù)級(jí)增長(zhǎng)，每?jī)赡暝鲩L(zhǎng)240倍，而單個(gè)GPU內(nèi)存僅以每2年2倍的速度增長(zhǎng)。存儲(chǔ)器的性能跟不上處理器，導(dǎo)致處理器等待數(shù)據(jù)的時(shí)間遠(yuǎn)長(zhǎng)于運(yùn)算所消耗的時(shí)間，即產(chǎn)生“內(nèi)存墻”問(wèn)題。隨著自動(dòng)駕駛感知算法從CNN小模型向Transformer大模型迭代，參數(shù)量大幅提升，內(nèi)存墻問(wèn)題愈加明顯，成為限制系統(tǒng)性能的瓶頸。為解決內(nèi)存墻問(wèn)題，自動(dòng)駕駛領(lǐng)域所采用的內(nèi)存類型從LPDDR4/LPDDR5向GDDR6發(fā)展。如前所述，LPDDR憑借低功耗優(yōu)勢(shì)成為自動(dòng)駕駛領(lǐng)域的主流內(nèi)存方案。如特斯拉HW3.0中搭載8顆鎂光的LPDDR4芯片（單SoC配4顆），單顆內(nèi)存容量為2GB、域控平臺(tái)總內(nèi)存容量為16GB。同時(shí)，若按照LPDDR4最高頻率4266MHZ的速率計(jì)算，每顆32位的位寬，則單SoC總傳輸帶寬=4266MHZ(頻率)*32(位寬)*4(單SoC有四顆LPDDR4)÷8=68.25G/S。隨著自動(dòng)駕駛從CNN小模型向Transformer大模型迭代，驅(qū)動(dòng)自動(dòng)駕駛芯片采用更高性能的內(nèi)存方案，特斯拉HW4.0首次將GDDR6應(yīng)用在車載中。GDDR6是一種用于圖形處理器（GPU）和其他高性能計(jì)算應(yīng)用的高帶寬內(nèi)存技術(shù)，滿足高吞吐量?jī)?nèi)存的需求。特斯拉HW4.0搭載了16顆GDDR6（單SoC配備8顆），域控平臺(tái)總內(nèi)存容量升級(jí)至32GB、單SoC對(duì)應(yīng)的理論最大帶寬提升至224GB/s。根據(jù)佐思汽車數(shù)據(jù)，特斯拉HW4.0搭載的16顆GDDR6芯片，總成本約160美元；而HW3.0搭載8顆LPDDR4芯片，總成本僅約28美元。5.重點(diǎn)公司分析通過(guò)復(fù)盤了特斯拉自2014年至今在自動(dòng)駕駛領(lǐng)域的核心進(jìn)展，我們得出以下結(jié)論：1）算法端：特斯拉逐步從基于規(guī)則的自動(dòng)駕駛算法向基于神經(jīng)網(wǎng)絡(luò)的算法迭代，確立了BEV+Transformer的感知范式。通過(guò)AI大模型賦能，特斯拉在純視覺(jué)的方案下實(shí)現(xiàn)了城市NOA的大范圍落地。特斯拉在感知端通過(guò)神經(jīng)網(wǎng)絡(luò)大模型解決了城市場(chǎng)景的在線地圖問(wèn)題、一般障礙物識(shí)別問(wèn)題，為行業(yè)實(shí)現(xiàn)城市NOA“脫高精度地圖”提供了技術(shù)上的可行性。因此，我們認(rèn)為未來(lái)國(guó)內(nèi)主機(jī)廠及相關(guān)算法供應(yīng)商均將效仿特斯拉持續(xù)加碼“重感知、輕地圖”的技術(shù)路線。2023年下半年，我們有望初步看到國(guó)內(nèi)主機(jī)廠“脫圖算法”量產(chǎn)上車，完成脫圖之路從0到1的突破。展望2025年，則有望看到城市高階自動(dòng)駕駛功能普及至全國(guó)多數(shù)城市，高階自動(dòng)駕駛滲透率開(kāi)始加速提升。2）數(shù)據(jù)：數(shù)據(jù)閉環(huán)+超算中心造就了特斯拉FSD極致的迭代速度。特斯拉早在2019年數(shù)據(jù)引擎已初步構(gòu)建，2020年至今在數(shù)據(jù)標(biāo)注、仿真引擎、云端計(jì)算資源三個(gè)方面大幅升級(jí)，形成數(shù)據(jù)飛輪，目前特斯拉FSD的發(fā)版速度平均為20天，隨著Dojo超算中心的投產(chǎn)，未來(lái)FSD迭代速度將進(jìn)一步加快。因此我們認(rèn)為，隨著自動(dòng)駕駛進(jìn)入AI大模型時(shí)代，數(shù)據(jù)閉環(huán)能力將成為自動(dòng)駕駛廠商的核心競(jìng)爭(zhēng)要素。3）硬件端：特斯拉從HW3.0起搭載自研的FSD芯片，2023年HW4.