特斯拉机器人只卖10多万，FSD推送16万车主测试

　　欢迎关注“新浪科技”的微信订阅号：techsina 

　　文/万博

　　来源：赛博汽车（ID:Cyber-car)

　　马斯克：消灭贫困，还得看我。

　　“特斯拉机器人未来售价20000美元（折合14万元人民币），远低于特斯拉汽车售价”。

　　“有了特斯拉机器人就可以消灭贫穷，人类可以自由选择自己的职业。”

　　这是今年特斯拉AI DAY上，马斯克在拿出人形机器人的同时，向外界描述了一幅人类与机器人和谐共存的未来美好世界。

　　FSD全自动驾驶，以及特斯拉自研超算Dojo的最新进展，是今年AI DAY的另外两大主题。

　　当然，这届AI DAY依然不改往日“招聘大会”的属性，马斯克的招贤令从开头贯穿结尾。

　　总之，特斯拉这一年在AI领域的所有干货和未填的坑，都在AI DAY上全方位被展现。

　　赛博汽车带你一文看尽。

　　01

　　人形机器人走出PPT

　　上一届AI DAY作为压轴出场的特斯拉机器人Tesla Bot，在今年率先亮相，就是下面这位：

　　啊不对，上面的是验证机，下面这位才是正主，Tesla Bot一代：

　　这次亮相的原型机，已经和PPT上的机器人有几分相似，只是在躯干的设计上，显得更加有机械感。

　　同时也能看出，此次展出的Tesla Bot原型机，已经有了自主移动的能力，四肢的灵活性也不错，做个简单的舞蹈动作还是可以保证的：

　　当然，如果只是简单活动一下就太不马斯克了，这次AI DAY，Tesla Bot更多更详细的技术参数同时公布：

　　首先是体重，Tesla Bot一代原型机体重为73公斤，较原官方数据增加17公斤。

　　身体灵活性数据也不错，Tesla Bot全身的自由度可以超过200，手掌自由度可以达到27。

　　马斯克表示，现在展出的机器人已经可以实现自主移动、操作工具的能力，并且做一些简单重复的工作，同时手掌还能承载20磅（约9公斤）的重物。

　　身体布局上，四肢部分集中了Tesla Bot绝大部分执行器。动力电池系统则被布局在躯干，搭载一块2.3kWh的电池包，名义上电压输出52V。

　　计算硬件同样位于躯干部分，Tesla Bot搭载一颗特斯拉车型同款的FSD芯片，支持Wi-Fi和4G（LTE）网络传输。

　　另外，Tesla Bot也同时嵌入了特斯拉在自动驾驶方面的技术，包括FSD自动驾驶系统的软件算法和纯视觉方案。

　　除了上述的参数，Tesla Bot背后更多的研发过程和技术参数也有所披露：

　　安全性能方面，Tesla Bot应用了特斯拉汽车撞击实验的部分技术，保证机器人在跌倒或受到撞击时不会有大的损伤（电池包就在胸部，一个扑街机器人自燃了可不太好）。

　　同时，考虑到Tesla Bot自身的体重和用途，关节处的灵活性和承压能力也需要被考虑到。在这方面，Tesla Bot的关节设计参考了人类骨骼组织。

　　为了保证全身28个关节执行器在不同状态下的承压和灵活性，同时兼顾效率和能耗，特斯拉通过点云方式进行模拟，设计出6种扭矩输出不同的执行器来承担移动任务。

　　软件细节上，特斯拉主要强调了以下几个部分：

　　首先，作为一款人形机器人，需要面对物理世界的各种风险，因此特斯拉官方强调Tesla Bot需要有物理层面的自主意识，比如对自己的躯干身体和现实世界的理解。

　　其次，是动态稳定性，特斯拉通过大量的仿真训练，实现行走平衡和路径规划，加上导航系统之后，Tesla Bot就可以自主移动工作，甚至可以自己找充电站补能。

　　最后，Tesla Bot的动作细节拟人化，特斯拉通过对人体动作进行捕捉后进行可视化处理，对躯干的位置进行分析后，映射到Tesla Bot身上。

　　说完Tesla Bot的技术细节，再来尝尝马斯克画的大饼（我敬马斯克为画饼第一人）。

　　马斯克表示，Tesla Bot初期会比较贵，但随着产量的提升，价格也会大幅下降，预计未来可以达到百万级的产量。最终，Tesla Bot会比特斯拉电动车的售价更低，预计可以达到20000美元一台（折合人民币约14万元）。

　　怎么样，20000美元一台机器人心动不？买不了吃亏买不了上当呀~

　　同时马斯克还表示，有了机器人之后，经济形势会更好，消除贫穷。因为机器人可以代替廉价的重复劳动，未来的人们就可以自主选择喜欢的工作。

　　这画面，是不是有点熟悉的味儿了？

　　但是！先别急，马斯克描述的画面，和大部分技术细节，包括导航、灵活性等等，还需要大量的细化。

　　至于到底啥时候能实现，特斯拉官方表示，可能几个星期，可能是一年，也可能是几年……

　　是的，马斯克又双叒挖坑了，Tesla Bot，终究摆脱不了和FSD一样的命运。

　　不过这里还是可以期待一下，毕竟马斯克的大部分承诺，都是以“虽迟但到”的形式出现的。（这里可以加一个狗头）

　　02

　　FSD依旧难去Beta

　　FSD的这一部分，没有太多惊喜。量产版FSD依旧遥遥无期，预想的Beta v11版本也没有到来。

　　不过从技术介绍来看，特斯拉已经开始专门针对长尾问题（Corner Case）下手了，自动驾驶团队详细解读了技术栈，好像在说，你看，自动驾驶这么难实现，也不能怪我总跳票。

　　通过这场AI Day分享可以看到，特斯拉已经搭建起了一个支撑FSD快速成长的自动驾驶技术栈。

　　2021年，有2000位特斯拉车主参与了FSD Beta测试，到2022年参与测试的车主已经达到了16万。

　　2022年对于特斯拉自动驾驶团队是非常卷的一年，全年进行了75778个神经网络模型训练，其中有281个模型对于FSD Beta进行了有效的性能改善。

　　这场分享，特斯拉主要围绕决策规划、神经网络训练（空间占用、车道&物体检测），数据训练（自动标注、仿真、数据引擎）等方面的提升进行介绍。

　　每一个自动驾驶决策的背后，都是基于诸多因素的平衡。规划选择是激进，还是保守，涉及到车辆本身的情况，也涉及到其他交通参与要素，这其中包含了非常多的“关系”处理，不同的物体指标也存在非常多的不同状态，包括速度、加速度、静态等，需要大量的边缘计算支持。

　　而随着交通关系量的增加，计算量就会越来越大。一组交互关系过程中，要考虑到所有交互指标，计算出最可靠的方案，形成一个决策树。

　　目前，FSD已经能够将每个操作的运行时间缩短到100微秒，但特斯拉认为这远远不够，后续还要将乘坐舒适度的分析、外界干预度因素加入进来。

　　特斯拉坚持纯视觉路线，但并非视觉方案就完美，尽管特斯拉有8颗摄像头，在实际交通场景中，也总是会存在一定视野盲区。

　　因此，在FSD的神经网络系统中，引入了空间占用模型。它以几何语义为基础，通过摄像头校准、减少延迟，分析体积占用如何占用，并渲染到向量空间中，以完整的3D方式来表征现实世界。

　　此外，复杂的道路结构对于自动驾驶学习来讲也是一道障碍，人类驾驶员在现实世界的通行需要车道线做指导，自动驾驶也是一样。

　　现实世界道路结构复杂，且有非常多的联结，这大大的增加了数据处理的难度，特斯拉通过车道检测网络，将这些问题转化成计算机能识别的语义。

　　视觉感知方案往往会产生非常大的数据量，特斯拉开发的数据处理编译器，正在通过更高效的算力利用、引入加速器、引入CPU、减小宽带损耗等方式，进行视频模型训练，已经实现30%的训练速度提升。

　　在数据标注上，特斯拉表示数据质量和标注质量同样重要，目前正采用人工标注和自动标注结合的模式，实现更细致的标注方案。

　　在模拟仿真的场景建设上，特斯拉也有了大幅能力提升，模拟场景生成比以前提升1000倍，边缘的几何形状建模更加精细，且可以快速复制现实环境，充分考虑不同的驾驶场景。

　　03

　　特斯拉为什么做超算

　　“经常有人说，特斯拉作为一家自动驾驶公司，为什么要发展超算？”

　　此次AI日，特斯拉给出了答案：从本质来说，特斯拉是一家硬核科技公司。

　　“提出这个问题，就是对特斯拉不够了解，不知道我们要做什么。在特斯拉，我们做很多科学与工程相关的事情，因此有很多基础的数据工作，包括推理、神经网络等，当然也包括超算。”

　　毕竟，算力可以说是训练的基本粮食。

　　在最开始设计Dojo超级计算机时，特斯拉希望能够实现实质性的改进，比如降低自动驾驶训练延迟。为此，其进行了一系列的研发，包括高效率芯片D1等。

　　D1芯片于去年AI日亮相，是特斯拉自主研发的神经网络训练芯片，其在645mm²的芯片面积上，搭载了500亿个晶体管，热设计功耗（TDP）为400W，FP32精度下的算力峰值达22.6 TFLOPS。

　　性能参数优于目前特斯拉超级计算机使用的英伟达A100 Tensor Core GPU。后者芯片面积为826mm²，晶体管数量542亿颗，TDP400W，FP32峰值算力是19.5TFLOPS。

　　而Dojo超级计算机的单个训练模块由25个D1芯片组成。据悉，2023年一季度特斯拉将推出Dojo机柜。届时，现有基于英伟达A100芯片建成的超算可能会被替换。

　　未来，来自全球超100万辆特斯拉的数据将汇聚于Dojo，通过其训练深度神经网络，以此来帮助特斯拉的Autopilot不断进化，最终实现以纯视觉为基础的完全自动驾驶（FSD）。

　　特斯拉方面称，新的Dojo超级计算机具有人工智能训练超高算力的同时，还拥有扩展带宽、减少延迟、节省成本等优势。

　　Dojo团队宣称一个训练模组的机器学习训练算力，足以达到6个“GPU 计算盒子”，并且成本还不到“一个盒子”的水平。

　　为了实现这些性能，特斯拉尝试了不同的封装技术都失败了，最后特斯拉放弃了D Ram结构，而是采用S Ram，即嵌入到芯片里面，虽然容量减少，但利用率明显提升。

　　除了架构设计，考虑到虚拟内存、加速器、编译器等各方面，特斯拉在整个系统设计中，面临种种选择，他们也遵循了自己的追求，即“不对Dojo超算设限”。

　　比如，在训练方法上，不采用大多数选择的数据共行模式；在数据中心层面，采用的是纵向整合的结构，对数据中心进行垂直整合。

　　在此过程中，也遇到了很多挑战。

　　特斯拉希望通过增加密度来提高性能表现，这对电力输送提出了挑战。“我们需要为计算芯片提供动力、电力，这会面临限制。同时由于整体设计是高度集合，因此需要实现多层垂直电源解决方案。”

　　基于上述两点，特斯拉构建快速迭代，最终通过设计和堆栈，使得CTE（热膨胀系数）降幅高达50%。

　　特斯拉面临的另一个挑战是：如何推动集成的边界。

　　目前特斯拉的电力模块是x、y平面用于高带宽通信，其他所有东西垂直进行堆叠，这不仅涉及到系统控制器，还要考虑震荡器时钟输出丢失。如何使其不受电源电路影响，达到理想的整合程度？

　　特斯拉采用的方法是多管齐下。一方面是尽量减少震动，如通过使用软帽端，即端口使用较软材料来减少震动；另一方面，对开关频率进行更新，使其斜正进一步的远离敏感频段。

　　去年AI日上，特斯拉仅仅展现了超算系统的几个组件，今年其希望在系统层面实现更多进步。其中，系统托盘是实现单一加速器愿景的非常关键部分，可以整体实现无缝的连接。

　　此外，硬件方面，特斯拉还利用高速以太网、本地硬件支持等方式，加速超算性能的达成；软件方面，特斯拉则称，代码运行在编译器和硬件上，需要确保数据是可以被联合起来使用的，因此需要反向需要考虑路径梯度。

　　而如何判断Dojo是否成功，与当下相比是否具有优势？特斯拉称，看同事是否愿意使用。实际上，特斯拉也给出了一些量化标准，如，系统一个月的工作量，Dojo超算不到一周就能完成等。

　　当然，超高算力意味着巨大能耗。在问答环节，马斯克也表示，Dojo是巨型计算机，耗能很大，也需要很多的冷却装置，所以可能会作为aws这样的亚马逊网络，云服务的方式提供给市场。

　　马斯克认为，提供类似于亚马逊云AWS 的 Dojo服务更有意义，他将此描述为一款“帮助你用更少的钱，更快地训练模型的在线服务。”

（声明：本文仅代表作者观点，不代表新浪网立场。）