Beim Technology Innovation Day letzte Woche stellte NIO das neueste NIO World Model (NWM) im Bereich des autonomen Fahrens vor, das angeblich über Dual-Core-Fähigkeiten für räumliches und zeitliches Verständnis verfügt und damit die Bereitstellung eines End-to-End-Modells übertrifft.
Der Chip für autonomes Fahren, Shenzi NX9031, dessen erfolgreiches Tape-Out offiziell angekündigt wurde, ist auf das NIO World Model zugeschnitten. Der Shenzi NX9031 ist der weltweit erste 5-nm-Chip für autonomes Fahren, der von NIO unabhängig entwickelt wurde. Laut NIO hat ein Chip die Leistung, die vier Flaggschiff-Chips der Branche (Nvidia Orin X) entspricht.
In den letzten zwei Jahren waren Chips für autonomes Fahren ein entscheidender Durchbruch für die Automobilhersteller. NIO und XPeng haben ihre eigenen Chips entwickelt, Li Auto begann etwas später. Basierend auf dem Longying Nr. 1 ist auch Geelys Tochtergesellschaft Xingjing Technology seit Jahren auf dem Weg der Eigenentwicklung.
Li Bin hat öffentlich erklärt, dass NIO im vergangenen Jahr viele Nvidia-Chips gekauft hat, was das Unternehmen viel Geld gekostet hat. Angesichts der Anschaffungskosten entschied sich das Unternehmen, auf selbst entwickelte Chips umzusteigen. Die offizielle Aussage lautet, dass sich der Shenzi NX9031 in etwa einem Jahr amortisieren kann.
Es gibt viele Gründe, eigene Chips zu entwickeln, aber eines der Hauptziele von „Wei Xiaoli“ (ein Sammelbegriff für NIO, XPeng und Li Auto) ist es, sich von den Zwängen von Nvidia zu befreien. Branchenberichten zufolge scheinen die selbst entwickelten Chips recht zukunftsweisend zu sein und den neuesten Trends wie dem durchgängig autonomen Fahren gerecht zu werden.
Das chinesische Aufgebot, das Nvidia umzingelt, beschränkt sich jedoch nicht nur auf „Wei Xiaoli“. In diesem Jahr sind auch die lokalen Chiplieferanten im End-to-End-Wettbewerb „eingeholt“. Beim China Auto Forum im letzten Monat stellte Horizon-Präsident Chen Liming klar, dass End-to-End derzeit die einzig praktikable Lösung für das Endspiel des autonomen Fahrens ist.
Lu Jianfeng, Vizepräsident der AIChip Intelligent Vehicle Division, glaubt, dass End-to-End der einzige Weg für fortschrittliches autonomes Fahren ist. Aufgrund des langen Design- und Entwicklungszyklus von Chips besteht die Strategie von AIChip darin, andere Modelle zu überspringen und sich auf den One-Model-Modus zu konzentrieren, ähnlich der UniAD-Technologiearchitektur für NPU-Design.
Aus Branchensicht haben die hohen Kosten der externen Beschaffung, die unsichere internationale Lage und die Kostensenkungsvorteile, die Tesla bisher mit seinen selbst entwickelten Chips hatte, die Chipstrategien und Liefermodelle der einheimischen Automobilhersteller beeinflusst.
Die Popularität von End-to-End-Großmodellen hat nicht nur eine neue Runde der autonomen Fahrrevolution ausgelöst, sondern auch die Produkt- und Technologieentwicklung von Chips für autonomes Fahren beschleunigt. Dies stellt nicht nur höhere Anforderungen an die Automobilhersteller hinsichtlich selbst entwickelter Chips, sondern zwingt auch die Chiplieferanten im Roten Ozean, ihren internen Wettbewerb zu beschleunigen.
Die Welle der Selbstentwicklung ist da
Warum entwickeln Autohersteller ihre eigenen Chips?
Kerntechnologie beherrschen: Die Versorgungssicherheit gewährleisten und nicht von Lieferanten, insbesondere mächtigen ausländischen Lieferanten, „erdrosselt“ werden.
Li Bin erwähnte in einem Interview, dass die internationalen Auswirkungen der US-Beschränkungen auf die Chipversorgung bereits spürbare Auswirkungen auf die chinesische Automobilindustrie gehabt hätten.
„Seit letztem Oktober können wir die weltweit fortschrittlichsten Chips nicht mehr für unser Cloud-Training verwenden. Das Team für autonomes Fahren untersucht nicht nur die Cloud-Funktionen, sondern auch die Gruppenintelligenzfunktionen. Obwohl das Risiko für Edge-Inference-Chips derzeit gering ist, müssen wir uns dennoch auf verschiedene Änderungen vorbereiten.“
Anpassung:
Branchenexperten erklärten gegenüber „Auto Commune“/„C-Dimension“, dass für neue Automobilhersteller, die ihre eigenen Chips entwickeln, eine der wichtigsten Überlegungen darin bestehe, die Wettbewerbsfähigkeit ihrer Produkte durch Differenzierung zu steigern, da selbst entwickelte Chips kundenspezifische Funktionen ermöglichten.
Für Autohersteller ist die Entwicklung eigener Chips zwar kostspielig, kann aber die Abhängigkeit von ausländischen Chiplieferanten verringern und dafür sorgen, dass nicht alle Eier in einen Korb gelegt werden. Darüber hinaus können selbst entwickelte Chips besser zu ihren eigenen Algorithmen passen, wodurch das Kopplungsproblem zwischen Algorithmen und Chipplattformen gelöst wird.
In der Vergangenheit übertraf Teslas 144 TOPS-Rechenleistung die auf dem Markt erhältlichen 400-500 TOPS-Chips, hauptsächlich weil der Chip für Teslas eigene Algorithmen entwickelt wurde. Insbesondere Teslas 144 TOPS-Rechenleistungschip (Autopilot HW3.0), der 2019 auf den Markt kam, unterstützt auch heute noch durchgängig autonomes Fahren.
Kostensenkung:
Li Bin erklärte auf der Pressekonferenz, dass NIO im vergangenen Jahr viel Geld für Nvidia-Chips ausgegeben habe. Um die Kosten zu senken, entschied sich NIO, eigene Chips zu entwickeln, wobei ein Chip vier Nvidia-Chips entspricht, was die Kosten senkt. Laut Li Bin kann sich der Shenzi NX9031 in etwa einem Jahr amortisieren.
Es gibt auch noch andere Überlegungen. Branchenkenner weisen darauf hin, dass die Förderung selbst entwickelter Chips und öffentliche Verpflichtungen den Sekundärmarkt und die Markenwahrnehmung positiv beeinflussen können. Darüber hinaus können selbst entwickelte Chips das Systemerlebnis erheblich verbessern und strategische Ziele erreichen.
Insbesondere die ersten von Tesla selbst entwickelten Chips zielten darauf ab, die Rechenleistung und Flexibilität zu erhöhen.
Berichten zufolge orientiert sich XPengs selbst entwickelter Chipprozess eng an NIO. Die Chips werden zur Tape-Out-Phase geschickt und sollen im August zurückkommen. Li Auto begann mit der Chipentwicklung relativ spät. Das Projekt für autonome Fahrchips mit dem Codenamen „Schumacher“ soll innerhalb eines Jahres fertig sein.
„Ein Mittel, kein Zweck“
Wu Xinzou, Leiter des Geschäftsbereichs autonomes Fahren bei Nvidia, erläuterte, dass die Entwicklung des autonomen Fahrens in drei Phasen zusammengefasst werden könne, wobei „End-to-End“ den letzten Schritt darstelle.
Erste Stufe: Vollständig regelbasiert.
Zweite Stufe: Große KI-Modelle ersetzen nach und nach manuelle Regeln und vervollständigen Vorhersagen und Planungen.
Dritte Stufe: Vollständig durchgängige große Modelle, wobei die KI den gesamten Prozess von der Wahrnehmung bis zur Entscheidungsfindung abdeckt.
In der dritten Phase des autonomen Fahrens sind Chips für autonomes Fahren eine große Herausforderung. AIChip-Vizepräsident Liu Jifeng äußerte ähnliche Gedanken und erklärte, dass echtes End-to-End die Verwendung großer Modelle für Cloud-Training und -Validierung beinhaltet, wobei die Ergebnisse auf Edge-Inferenz angewendet werden, was den Chip-Unternehmen eine erhebliche Verantwortung auferlegt.
Horizon ist davon überzeugt, dass End-to-End ein Mittel und kein Zweck ist und eine Kombination aus menschlicher Erfahrung, effizienter Datenverarbeitung und flexibler Bereitstellung erfordert. Die Ansammlung von End-to-End-Fähigkeiten erfordert Anstrengungen bei der Iteration von Algorithmen, dem Aufbau technischer Grundlagen und der Software-Hardware-Integration, wobei Software und Algorithmen eine zentrale Rolle spielen.
Mu Lisen, Chefarchitekt der Horizon Algorithm Platform, ist davon überzeugt, dass die wesentliche Fähigkeit von End-to-End in der Dateniteration liegt. Obwohl es sich um eine zukunftsweisende Modellstruktur zu handeln scheint, sind die iterativen Daten dahinter entscheidender und unterstützen den Übergang von der Labortechnologie zur Produktreife.
Chen Liming räumte auch ein, dass Horizon mit den sich ständig ändernden Fahrzeug- und Sensorarchitekturen, Sensorlayouts und -anpassungen Schwierigkeiten hat. Obwohl viele Daten gesammelt werden, sind viele davon nicht von hoher Qualität oder dauerhaft nutzbar, ein Problem, das ein einzelnes Unternehmen nicht lösen kann.
"Teslas FSD V12.3-Version wurde mit 10 Millionen Beispielvideos trainiert, die aus 10 Milliarden qualitativ hochwertigen Proben extrahiert wurden. China bleibt hier noch hinter den Erwartungen zurück. Darüber hinaus wurden die 10 Milliarden Proben in einem Standardsensor-Framework gesammelt, wodurch Kontinuität für das Training der neuesten Modelle gewährleistet wird."
Wie Horizon betont AIChip seine Rolle als Tier 2 und ist davon überzeugt, dass die wichtigsten Anforderungen an Chips für autonomes Fahren in End-to-End-Algorithmen viel Speicher und große Multi-Core-Rechenleistung sind.
Um durchgängig autonomes Fahren zu erreichen, ist die Unterstützung kritischer Computerchips erforderlich, darunter Architekturinnovationen, Durchbrüche bei zentralen geistigen Eigentumsrechten und Leistungssprünge.
Mu Lisen von Horizon erklärte gegenüber „Auto Commune“/„C-Dimension“, dass die technische Schwelle für einen End-to-End-Wettbewerb in der Rechenleistung in der Anpassung an die Rechenleistungsanforderungen liege, die sich aus Änderungen der Modellstruktur und des Bedienerfokus ergeben.
Einerseits werden die Modelle größer und damit auch die Rechenleistung; andererseits werden sich die Modellstrukturen weiterentwickeln und von hauptsächlich CNN (Convolutional Neural Networks) zu hauptsächlich Transformer-basierten End-to-End-Modellen übergehen.
„Transformatoren sind eine breite Algorithmenkategorie, die in großen Sprachmodellen (wie ChatGPT) und beim durchgängigen autonomen Fahren mit unterschiedlichen Bedienerschwerpunkten verwendet wird. Durchgängiges autonomes Fahren erfordert grundlegende Matrixoperationen und zusätzliche Bedienerunterstützung, was höhere Anforderungen stellt.“
Auch das Huawei-Lager hat erheblichen Einfluss. Obwohl Nvidia den Markt für Chips für autonomes Fahren dominiert, gibt es in China viele Chips von Huawei, darunter Marken wie AITO, Avatr, Jihu und Zhijie. Die autonomen Fahrsysteme ihrer Fahrzeuge nutzen größtenteils Huaweis Computerplattformen MDC810/MDC610.
Dank der Bemühungen der Anbieter von Chips für autonomes Fahren und der beschleunigten Einführung selbst entwickelter Chips durch Unternehmen wie NIO wird sich das Ziel, im heimischen Sektor für Chips für autonomes Fahren „nicht von Nvidia abhängig zu sein“, in den kommenden Jahren schrittweise teilweise verwirklichen lassen.
