No Dia da Inovação Tecnológica da semana passada, a NIO revelou o mais recente NIO World Model (NWM) no campo da direção autônoma, alegando possuir capacidades dual core de compreensão espacial e temporal, superando a implantação de modelos de ponta a ponta.
O chip de direção autônoma, Shenzi NX9031, que foi oficialmente anunciado como tendo sido gravado com sucesso, é adaptado para o NIO World Model. O Shenzi NX9031 é o primeiro chip de direção autônoma de 5 nm do mundo desenvolvido independentemente pela NIO. De acordo com a NIO, um chip tem o desempenho equivalente a quatro chips emblemáticos da indústria (Nvidia Orin X).
Nos últimos dois anos, os chips de direção autônoma têm sido uma direção de produto inovadora para as montadoras. A NIO e a XPeng têm desenvolvido seus próprios chips, com a Li Auto começando um pouco mais tarde. Com base no Longying No. 1, a subsidiária da Geely, a Xingjing Technology, também está no caminho do autodesenvolvimento há anos.
Li Bin declarou publicamente que a NIO comprou muitos chips Nvidia no ano passado, custando muito dinheiro à empresa. Considerando os custos de aquisição, a empresa decidiu recorrer a chips desenvolvidos por ela mesma. A declaração oficial é que o Shenzi NX9031 pode se pagar em cerca de um ano.
Há muitas razões para desenvolver seus próprios chips, mas um dos principais objetivos da "Wei Xiaoli" (um termo coletivo para NIO, XPeng e Li Auto) é se libertar das restrições da Nvidia. A partir de relatórios da indústria, parece que os chips autodesenvolvidos são bastante voltados para o futuro e corresponderão às últimas tendências, como direção autônoma de ponta a ponta.
No entanto, o contingente chinês cercando a Nvidia não se limita à "Wei Xiaoli". Este ano, os fornecedores locais de chips também estão "presos" na competição de ponta a ponta. No China Auto Forum no mês passado, o presidente da Horizon, Chen Liming, declarou claramente que ponta a ponta é atualmente a única solução viável para o jogo final da direção autônoma.
Lu Jianfeng, vice-presidente da Divisão de Veículos Inteligentes da AIChip, acredita que de ponta a ponta é o único caminho para a direção autônoma avançada. Devido ao longo ciclo de design e desenvolvimento dos chips, a estratégia da AIChip é pular outros modelos e focar no modo One Model, semelhante à arquitetura de tecnologia UniAD para design NPU.
Da perspectiva da indústria, o alto custo de aquisição externa, a situação internacional incerta e os benefícios de redução de custos que a Tesla desfrutou anteriormente com seus chips desenvolvidos internamente influenciaram as estratégias de chips e os modelos de fornecimento das montadoras nacionais.
A popularidade de modelos grandes de ponta a ponta não só catalisou uma nova rodada de revolução da direção autônoma, mas também acelerou a evolução tecnológica e de produtos dos chips de direção autônoma. Isso não só coloca maiores demandas sobre as montadoras por chips autodesenvolvidos, mas também força os fornecedores de chips no oceano vermelho a acelerar sua competição interna.
A onda do autodesenvolvimento chegou
Por que as montadoras estão desenvolvendo seus próprios chips?
Dominando a tecnologia central: Garantir a segurança do fornecimento e não ser "estrangulado" por fornecedores, especialmente fornecedores estrangeiros poderosos.
Li Bin mencionou em uma entrevista que o impacto internacional no fornecimento de chips, devido às restrições dos EUA, já teve um impacto real na indústria automotiva da China.
"Desde outubro passado, não conseguimos usar os chips mais avançados do mundo para nosso treinamento em nuvem. A equipe de direção autônoma não só analisa os recursos de nuvem, mas também os recursos de inteligência de grupo. Embora o risco para chips de inferência de ponta seja baixo no momento, ainda precisamos estar preparados para várias mudanças."
Personalização:
Especialistas do setor disseram à "Auto Commune"/"C-Dimension" que uma das principais considerações para novas montadoras que desenvolvem seus próprios chips é aumentar a competitividade do produto por meio da diferenciação, já que os chips desenvolvidos internamente permitem funções personalizadas.
Para as montadoras, desenvolver seus próprios chips é caro, mas pode reduzir a dependência de fornecedores estrangeiros de chips, garantindo que "todos os ovos não estejam na mesma cesta". Além disso, os chips desenvolvidos por elas mesmas podem corresponder melhor aos seus próprios algoritmos, abordando o problema de acoplamento entre algoritmos e plataformas de chips.
No passado, o poder de computação 144 TOPS da Tesla superou os chips 400-500 TOPS disponíveis no mercado, principalmente porque o chip foi projetado para os próprios algoritmos da Tesla. Notavelmente, o chip de poder de computação 144 TOPS da Tesla (Autopilot HW3.0), lançado em 2019, ainda suporta direção autônoma de ponta a ponta hoje.
Redução de custos:
Li Bin declarou na conferência de imprensa que a NIO gastou muito dinheiro em chips Nvidia no ano passado. Para reduzir custos, a NIO decidiu desenvolver seus próprios chips, com um chip equivalente a quatro chips Nvidia, reduzindo assim os custos. De acordo com Li Bin, o Shenzi NX9031 pode se pagar em cerca de um ano.
Há outras considerações também. Especialistas do setor observam que promover chips autodesenvolvidos e fazer compromissos públicos pode impactar positivamente o mercado secundário e a percepção da marca. Além disso, chips autodesenvolvidos podem melhorar significativamente a experiência do sistema, alcançando objetivos estratégicos.
Notavelmente, os primeiros chips desenvolvidos pela Tesla tinham como objetivo aumentar o poder de computação e a flexibilidade.
Relatórios indicam que o processo de chip autodesenvolvido pela XPeng segue de perto o da NIO, com chips enviados para tape-out, com retorno previsto para agosto. O desenvolvimento do chip da Li Auto começou relativamente tarde, com o projeto de chip de direção autônoma com o codinome "Schumacher", com previsão de conclusão do tape-out dentro do ano.
"Um meio, não um fim"
Wu Xinzou, chefe do negócio de direção autônoma da Nvidia, destacou que o desenvolvimento da direção autônoma pode ser resumido em três etapas, sendo a etapa final a de ponta a ponta.
Primeira Etapa: Totalmente baseado em regras.
Segundo Estágio: Grandes modelos de IA substituem gradualmente regras manuais, completando a previsão e o planejamento.
Terceiro Estágio: Modelos grandes e completos, com IA cobrindo todo o processo, da percepção à tomada de decisão.
No terceiro estágio da direção autônoma, os chips de direção autônoma são altamente desafiadores. O vice-presidente da AIChip, Liu Jifeng, expressou pensamentos semelhantes, afirmando que o verdadeiro end-to-end envolve o uso de grandes modelos para treinamento e validação em nuvem, com os resultados aplicados à inferência de ponta, colocando responsabilidades significativas nas empresas de chips.
A Horizon acredita que o end-to-end é um meio, não um fim, exigindo uma combinação de experiência semelhante à humana, computação eficiente e entrega ágil. A acumulação de capacidade end-to-end requer esforços em iteração de algoritmo, construção de fundação de engenharia e integração de software-hardware, com software e algoritmos desempenhando um papel central.
O arquiteto chefe da Horizon Algorithm Platform, Mu Lisen, acredita que a capacidade essencial de ponta a ponta está na iteração de dados. Embora pareça ser uma estrutura de modelo com visão de futuro, os dados iterativos por trás dela são mais cruciais, apoiando a transição da tecnologia de laboratório para a maturidade em nível de produto.
Chen Liming também reconheceu que a Horizon enfrenta dificuldades com as arquiteturas de veículos e sensores em constante mudança, layouts de sensores e adoção. Apesar de coletar muitos dados, muitos deles não são de alta qualidade ou continuamente utilizáveis, um problema além do escopo de qualquer empresa resolver.
"A versão FSD V12.3 da Tesla foi treinada com 10 milhões de vídeos de amostra, extraídos de 10 bilhões de amostras de alta qualidade. A China ainda fica aquém. Além disso, as 10 bilhões de amostras foram coletadas sob uma estrutura de sensor padrão, garantindo a continuidade do treinamento dos modelos mais recentes."
Assim como a Horizon, a AIChip enfatiza seu papel como Nível 2, acreditando que as principais demandas por chips de direção autônoma em algoritmos de ponta a ponta são alta memória e grande poder de computação multinúcleo.
Alcançar a direção autônoma de ponta a ponta depende do suporte crítico de chips de computação, incluindo inovação arquitetônica, avanços em IPs principais e saltos de desempenho.
Mu Lisen, da Horizon, explicou ao "Auto Commune"/"C-Dimension" que o limite técnico para a competição de poder de computação de ponta a ponta está na adaptação às demandas computacionais trazidas pelas mudanças na estrutura do modelo e mudanças no foco do operador.
Por um lado, os modelos ficarão maiores, e o mesmo acontecerá com o poder computacional; por outro lado, as estruturas dos modelos evoluirão, mudando de CNNs (redes neurais convolucionais) para modelos de ponta a ponta baseados principalmente em Transformers.
"Transformadores são uma ampla categoria de algoritmos usada em grandes modelos de linguagem (como ChatGPT) e direção autônoma de ponta a ponta, com diferentes focos do operador. A direção autônoma de ponta a ponta requer operações de matriz fundamentais e suporte adicional do operador, apresentando maiores demandas."
O campo da Huawei também detém influência significativa. Apesar da Nvidia dominar o mercado de chips de direção autônoma, a China tem um grande contingente alimentado pela Huawei, incluindo marcas como AITO, Avatr, Jihu e Zhijie. Os sistemas de direção autônoma de seus veículos usam amplamente as plataformas de computação MDC810/MDC610 da Huawei.
Com os esforços dos fornecedores de chips de direção autônoma e a implementação acelerada de chips de desenvolvimento próprio por empresas como a NIO, nos próximos anos, a aspiração de "não estar sujeito à Nvidia" no setor nacional de chips de direção autônoma será gradualmente realizada em parte.
