CEO Tesla Elon Musk baru -baru ini meluncurkan Tesla Bot perusahaan. Kode robot dinamai Optimus beringsut melintasi panggung, melambaikan tangannya, dan memompa lengannya dalam gerakan dansa berkecepatan lambat. Musk memperkirakan robot itu bisa menelan biaya $ 20.000 dalam waktu tiga hingga lima tahun jika semuanya berjalan sesuai rencana. Tapi pertanyaannya adalah, apa yang bisa dilakukannya bagi kita. Tetapi sebelum kita membahasnya, mari kita lihat perangkat utama yang menggerakkan bot Tesla.
Aktuator Tesla Bot
Itu Aktuator adalah sistem drive utama untuk robot apa pun. Anda bisa mengatakan robot tidak lebih dari PC dengan bagian yang bergerak, atau dengan kata lain, robot adalah PC dengan aktuator dan sensor. Tesla telah mengembangkan aktuatornya sendiri untuk bot, ia menggunakan 3 jenis aktuator rotary dan 3 jenis Aktuator linier.
Jika Anda bertanya -tanya mengapa Tesla tidak menggunakan aktuator linier standar seperti FIRGELLI Actuator, karena mereka memiliki beberapa kendala yang berarti mereka harus mengembangkan sistem mereka sendiri untuk membuat robot pada akhirnya ringan, hemat daya, kepadatan daya tinggi dan biaya rendah. Tesla telah mengklaim bahwa mereka ingin mendapatkan bot masing -masing seharga $ 20.000. Ini sendiri adalah urutan yang sangat sulit untuk sesuatu yang gong membutuhkan 23 aktuator, dan PC yang kuat, banyak sensor dan paket baterai untuk membuatnya bertahan lebih dari beberapa jam, ditambah kerangka yang kuat untuk menyatukan semuanya.
Tesla Bot Linear Actuators
Aktuator linier yang dikembangkan Tesla sangat spesifik untuk peran tertentu, ini berarti mereka tidak akan banyak berguna untuk aplikasi lain selain robot. Aktuator mereka menggunakan sistem roller planetary dan Tesla menyebutnya, tetapi ini pada dasarnya adalah kode untuk desain leadscrew bola, dan alih -alih koil jangkar magnetik tradisional di tengah motor mereka memutuskan untuk menggunakan desain motor inti tanpa sikat. Ini berarti desain bola memimpin sangat efisien dan menggunakan lebih sedikit daya, tetapi juga lebih mahal. Dan mereka menggunakan sistem daya sikat yang berarti rentang hidup akan secara signifikan lebih cepat dan memungkinkan mode drive yang sangat spesifik dikendalikan oleh perangkat lunak.
Panjang perjalanan hanya sekitar 2 "panjang, dan seperti yang ditunjukkan gambar mereka mengangkat piano pada 500kg, ini banyak berat. kerangka logam, perjalanan aktuator perlu memperkuat stoke dari apa yang bergerak. Jadi jika itu menggerakkan kaki robot, kaki harus dapat bergerak sekitar 150 derajat, atau lebih dari 2 kaki panjang yang dibutuhkan kaki untuk berayun dari Sekitar nol hingga busur 3 kaki. Tubuh Huma yang telah berevolusi lebih dari 100.000 tahun memungkinkan kita manusia untuk melakukan ini menggunakan otot kaki kita, tetapi mendapatkan aktuator linier untuk melakukan ini bukanlah tugas yang mudah. Jadi titik i ' Pembuatan M adalah bahwa, meskipun aktuator dapat mengangkat berat 500kg lebih dari 2 inci, begitu aktuator itu terhubung ke tuas, kekuatan berkurang secara signifikan, tergantung pada rasio leverage, dan tetapi kecepatan meningkat yang membuat perdagangan yang bagus yang bagus -mati.
Presentasi Bot Tesla.
Inilah yang dikatakan Tesla sendiri tentang presentasi bot terbaru yang mereka berikan pada 30 September 2022
Elon Musk Presents: WSaya punya beberapa hal yang sangat menarik untuk ditunjukkan kepada Anda, saya pikir Anda akan sangat terkesan. Saya ingin menetapkan beberapa harapan sehubungan dengan robot optimus kami seperti yang Anda ketahui tahun lalu itu hanya seseorang dalam setelan robot tetapi kami tidak pernah membantu dan saya pikir Anda tahu dibandingkan dengan itu akan menjadi sangat mengesankan. Dan kita akan berbicara tentang kemajuan dalam AI untuk mengemudi sendiri penuh serta bagaimana mereka berlaku untuk lebih banyakUmumnya ke dunia nyata masalah AI seperti robot humanoid dan dan bahkan melampaui itu. Saya pikir ada beberapa potensi yang kami lakukan di sini di Tesla dapat memberikan kontribusi yang berarti bagi AGI, dan dan saya pikir sebenarnya memberi tahu kami bahwa entitas yang baik untuk melakukannya dari sudut pandang tata kelola karena kami adalah perusahaan yang diperdagangkan secara publik, kami memiliki satu kelas stok dan itu berarti publikMengontrol Tesla dan saya pikir itu sebenarnya hal yang baik, jadi jika saya menjadi gila, Anda bisa memecat saya inipenting mungkin saya tidak gila saya tidak tahu. Jadi ya jadi kita akan banyak bicara tentang kemajuan kita dalam AI Autopilot serta kemajuan dengan Dojo, dan kemudian kita akan membawa tim keluar dan melakukan tanya jawab panjang sehingga Anda dapat bertanya dengan tangguh pertanyaan. Apa pun yang Anda ingin pertanyaan eksistensial pertanyaan teknis jika ingin memiliki waktu sebanyak mungkin untuk tanya jawab jadi mari kita lihat dengan itu Anda menebak apa yang setiap hari.
Hai teman -teman saya milan, saya mengerjakan autopilot dan itu adalah karet saya lizzy seorang insinyur mesin di proyek ini juga oke jadi haruskah kita memunculkan bot sebelum kita maju pertama kali kita mencoba robot ini tanpa crane dukungan cadangan apapun apapun crane cadangan apapun
mekanisme mekanis tidak ada kabel tidak ada ya saya ingin bergabung dengan kalian
malam ini tapi ini adalah pertama kalinya mari kita lihat Anda siap, ayo pergiKomputer self-driving yang berjalan di mobil Tesla Anda dengan cara ini adalah itu secara harfiah pertama kali robot beroperasi tanpa tether ada di atas panggung malam ini, sehingga robot itu sebenarnya dapat melakukan lebih banyak daripada yang baru saja kami tunjukkan kepada Anda bahwa kami kami telah kami tunjukkan kepada Anda bahwa kami kami baru saja menunjukkan kepada Anda bahwa kami kami menunjukkan kepada Anda kepada Anda. Hanya saja tidak ingin itu jatuh di wajahnya, jadi kami akan menunjukkan kepada Anda beberapa video sekarang dari robot melakukan banyak hal lain um yeah yang kurang berisiko.
Ya kami ingin menunjukkan sedikit lebih banyak apa yang telah kami lakukan selama beberapa bulan terakhirdengan terpisah dan hanya berjalan -jalan dan menari di atas panggung dan hanya awal yang sederhana tetapi Anda dapat melihat jaringan saraf autopilot berjalan sebagai
hanya dilatih kembali untuk tunas secara langsung pada platform baru itu yang merupakan penyiraman saya yang dapat Anda lihatPandangan yang diberikan itulah robot apa yang dilihat oleh dunia yang dilihat robot sehingga sangat jelas mengidentifikasi objek -objek seperti ini adalah objek yang harus diambil untuk mengambilnya. Kami menggunakan proses yang sama seperti yang kami lakukan untuk autopilot untuk mengumpulkan data di melatih jaringan Anda yang kemudian kami gunakan di
robot itu contoh yang menggambarkan tubuh bagian atas sedikit lebih
Sesuatu yang akan kita sukai untuk mencoba memakukan dalam beberapa bulan selama beberapa bulan ke depan saya akan mengatakan dengan sempurnaIni benar -benar stasiun yang sebenarnya di pabrik Fremont juga bekerja.
Itu bukan satu-satunya hal yang harus kami tunjukkan hari ini sehingga apa yang Anda lihat adalah apa yang kami sebut Bumble C, itulah jenis robot pengembangan kasar kami menggunakan aktuator semi-off-the-shelf tetapi kami benar-benar telah melangkah lebih jauh dari itu Tim melakukan pekerjaan yang luar biasa dan kami benar -benar memiliki bot yang optimis dengan a
sepenuhnya Tesla dirancang di kedua sistem kontrol paket baterai aktuatorSegala sesuatu yang belum siap untuk berjalan tetapi saya pikir itu akan berjalan dalam beberapa minggu, tetapi kami ingin menunjukkan kepada Anda robot dan sesuatu yang sebenarnya cukup dekat dengan apa yang akan diproduksi, dan dan menunjukkan kepada Anda semua hal yang bisa dilakukannya Lakukan jadi mari kita keluarkan
Kami berharap memiliki unit produksi optimus satu yang merupakan kemampuannya
Untuk menggerakkan semua jari secara mandiri menggerakkan ibu jari, memiliki dua
derajat kebebasan sehingga memiliki jempol yang berlawanan dan kedua tangan kiri dan kanan begitu
Ini mampu mengoperasikan alat dan melakukan hal -hal yang bermanfaat, tujuan kami adalah menjadi berguna
robot humanoid secepat mungkin dan kami juga merancangnya menggunakan
disiplin yang sama yang kami gunakan dalam merancang mobil yang mengatakan untuk merancangnya untuk pembuatan sedemikian rupa sehingga mungkinJadikan robot dengan volume tinggi dengan biaya rendah dengan keandalan tinggi sehingga sangat penting maksud saya Anda semua melihat demonstrasi robot humanoid yang sangat mengesankan dan itu bagus tapi apa yang mereka lewatkan?, mereka kehilangan otak, mereka tidak t memiliki kecerdasan
menavigasi dunia sendiri dan mereka juga sangat mahal,dan dibuat dalam volume rendah sedangkan ini adalah masyarakat yang optimis dan robot yang sangat mampu tetapi dibuat dalam volume yang sangat tinggi mungkin pada akhirnya jutaan unit dan diharapkan harganya jauh lebih murah daripada mobil.
Saya akan mengatakan mungkin kurang dari dua puluh ribu dolar akan menjadi tebakan saya
Potensi optimis adalah saya pikir dihargai dengan sangat efektif
orang -orang hei seperti demo tesla biasa datang panasJadi oke, itu bagus, um ya tim dimasukkan dan tim telah melakukan pekerjaan yang luar biasa eh ini hari kerja Anda tahu tujuh hari seminggu menjalankan minyak 3 pagi untuk sampai ke demonstrasi hari ini saya Sangat bangga dengan apa yang telah mereka lakukan adalah mereka benar -benar telah melakukan pekerjaan yang hebat, saya hanya ingin memberikan andil pada seluruh pilihan tim ini sehingga Anda tahu bahwa sekarang masih ada banyak pekerjaan yang harus dilakukan untuk memperbaiki Optimus dan Tingkatkan jelas ini hanya Optimus Version satu dan itulah sebabnya kami mengadakan acara ini yang meyakinkan beberapa orang paling berbakat di dunia seperti Anda untuk bergabung dengan Tesla dan membantu mewujudkannya dan membawanya ke Tesla dan membawanya menjadi kenyataan dan membuahkan hasil skala sedemikian rupa sehingga dapat membantu jutaan orang dan dan potensi yang disukai itu benar -benar mengejutkan pikiran karena Anda harus mengatakan seperti apa yang merupakan ekonomi suatu ekonomi adalah semacam entitas produktif kali produktivitas uh modal times output Produktivitas per kapita pada titik di mana tidak ada batasan modal, tidak jelas apa arti ekonomi pada titik itu suatu ekonomi menjadi tak terbatas secara bertahap jadi apa yang Anda ketahui untuk membuahkan hasil dalam skenario yang semoga jinak ini berarti ini berarti a masa depan kelimpahan masa depan di mana um tidak ada kemiskinan di mana orang Anda
dapat memiliki apa pun yang Anda inginkan dalam hal produk dan layananIni benar -benar merupakan transformasi mendasar dari peradaban karena kami tahu jelas kami ingin memastikan bahwa transformasi adalah yang positif dan aman dan tetapi itu juga mengapa saya pikir Tesla sebagai entitas yang melakukan ini menjadi kelas tunggal saham yang diperdagangkan secara publik yang dimiliki oleh The the Publik sangat penting dan tidak boleh diabaikan, saya pikir ini penting karena jika publik tidak menyukai apa yang dilakukan Tesla, publik dapat membeli saham di Tesla dan memilih secara berbeda.
Ini adalah masalah besar seperti sangat penting bahwa saya tidak bisa hanya melakukan apa yang saya inginkanKadang -kadang orang berpikir bahwa tidak tetapi itu tidak benar sehingga Anda tahu bahwa itu sangat penting bahwa entitas perusahaan yang memiliki hal ini terjadi adalah sesuatu yang dapat dipengaruhi oleh publik dengan baik dan jadi saya pikir struktur Tesla sangat ideal untuk itu dan seperti itu dan suka Saya mengatakan bahwa Anda tahu mobil self-driving tentu akan memiliki dampak yang luar biasa pada dunia um saya pikir mereka akan meningkatkan
produktivitas transportasi dengan setidaknya setengah urutan besarnya mungkinurutan besarnya mungkin lebih banyak UM optimis saya pikir mungkin memiliki dua urutan peningkatan potensial dalam output ekonomi seperti tidak jelas bahwa tidak jelas apa batasannya sebenarnya tetapi kita perlu melakukan ini dengan cara yang benar yang perlu kita lakukan Ini dengan hati -hati dan aman dan memastikan bahwa hasilnya adalah salah satu yang bermanfaat bagi peradaban dan dan satu bahwa umat manusia sekali saya tidak bisa ini juga sangat penting, jadi saya harap Anda akan mempertimbangkan untuk bergabung dengan Tesla untuk mencapai tujuan -tujuan itu di Tesla We Sangat peduli melakukan hal yang benar di sini selalu bercita -cita untuk melakukan hal yang benar dan dan benar -benar tidak membayar jalan ke neraka dengan niat baik dan saya pikir jalan menuju neraka sebagian besar diaspal dengan niat buruk tetapi kadang -kadang ada niat baik dalam di sana jadi kami ingin melakukannya melakukan hal yang benar um jadi Anda tahu pertimbangkan untuk bergabung dengan kami dan membantu mewujudkannya um dengan mari kita lanjutkan ke fase berikutnya, terima kasih Elon
Baiklah sehingga Anda telah melihat beberapa robot hari ini mari kita lakukan rekap waktu cepat jadi tahun lalu kami meluncurkan bot Tesla
Konsep tetapi sebuah konsep tidak membuat kami sangat jauh, kami tahu kami membutuhkan platform pengembangan dan integrasi yang nyata
Dapatkan pembelajaran kehidupan nyata secepat mungkin sehingga robot yang keluar dan melakukan rutinitas kecil untuk kalian kami
memiliki itu dalam waktu enam bulan yang dibangun bekerja pada peningkatan perangkat keras perangkat keras selama beberapa bulan sejak itu tetapi
Secara paralel kami juga telah merancang generasi berikutnya yang satu ini di sini
Jadi orang ini berakar pada fondasi semacam proses desain kendaraan yang Anda tahu kami memanfaatkan semuanya
Pembelajaran yang sudah kita miliki jelas ada banyak yang berubah sejak tahun lalu tetapi ada beberapa hal
yang masih sama Anda akan melihat bahwa kita masih memiliki fokus yang sangat terperinci pada bentuk manusia sejati yang kita pikirkan
penting karena beberapa alasan tetapi menyenangkan kita menghabiskan banyak waktu untuk memikirkan betapa menakjubkan tubuh manusia yang kita miliki
Rentang gerak yang luar biasa ini biasanya kekuatan yang sangat menakjubkan
Latihan adalah jika Anda meletakkan ujung jari Anda di kursi di depan Anda, Anda akan melihat bahwa ada banyak gerakan itu
Anda memiliki di bahu dan siku Anda misalnya tanpa menggerakkan ujung jari Anda, Anda dapat memindahkan sendi itu semua
di atas tempat um tetapi robot yang Anda tahu fungsi utamanya adalah melakukan pekerjaan yang benar -benar berguna dan
Mungkin tidak harus segera membutuhkan semua derajat kebebasan itu sehingga kami telah mengupasnya ke jenis minimum
dari 28 derajat kebebasan mendasar dan kemudian tentu saja tangan kita selain itu
Manusia juga cukup efisien dalam beberapa hal dan tidak begitu efisien di waktu lain jadi misalnya kita bisa makan yang kecil
Jumlah makanan untuk menopang diri kita selama beberapa jam, itu bagus, tetapi ketika kita hanya duduk di sekitar tidak
pelanggaran tapi kami agak tidak efisien kami hanya semacam energi terbakar jadi pada platform robot apa yang kami
Akan dilakukan adalah kita akan meminimalkan konsumsi daya idle itu menurunkannya serendah mungkin dan dengan begitu kita bisa
Balikkan sakelar dan segera robot berubah menjadi sesuatu yang melakukan pekerjaan yang bermanfaat
Jadi mari kita bicara tentang generasi terbaru ini dalam beberapa detail.
Orange adalah aktuator yang akan kita dapatkan sedikit dan dengan warna biru sistem listrik kita
Jadi sekarang kami memiliki jenis penelitian berbasis manusia dan kami memiliki platform pengembangan pertama kami memiliki keduanya
Penelitian dan eksekusi untuk menggambar dari desain ini lagi kami menggunakan desain kendaraan itu
yayasan jadi kami mengambilnya dari konsep melalui desain dan analisis dan
Kemudian membangun dan validasi di sepanjang jalan kita akan mengoptimalkan hal -hal seperti biaya dan efisiensi
Karena itu adalah metrik penting untuk mengambil produk ini pada akhirnya, bagaimana kita akan melakukannya dengan baik
akan mengurangi jumlah bagian kami dan konsumsi daya kami dari setiap elemen yang memungkinkan, kami akan melakukan hal -hal seperti
Kurangi penginderaan dan kabel pada ekstremitas kami yang dapat Anda bayangkan banyak massa di tangan dan kaki Anda akan
Jadilah cukup sulit dan konsumtif daya untuk bergerak dan kita akan memusatkan keduanya
distribusi daya dan komputasi kami ke pusat fisik platform
Jadi di tengah -tengah tubuh kami sebenarnya itu adalah batang tubuh kami memiliki paket baterai kami berukuran 2,3 kilowatt jam
Yang sempurna untuk pekerjaan senilai satu hari penuh apa yang benar -benar unik tentang baterai ini
Paketnya memiliki semua elektronik baterai yang diintegrasikan ke dalam satu PCB dalam paket sehingga berarti semuanya
dari penginderaan hingga menggabungkan manajemen biaya dan distribusi daya semuanya ada pada satu semua
Di satu tempat kami juga memanfaatkan produk kendaraan kami dan produk energi kami untuk digulung
Semua fitur utama ke dalam baterai ini sehingga manufaktur yang ramping sangat efisien dan
metode pendingin sederhana manajemen baterai dan juga keselamatan dan tentu saja kami dapat memanfaatkan Tesla
Infrastruktur dan rantai pasokan yang ada untuk membuatnya jadi terus ke otak kita
Bukan di kepala tetapi cukup dekat juga di tubuh kami, kami memiliki komputer pusat kami sehingga Anda sudah tahu Tesla
mengirimkan komputer self-driving penuh di setiap kendaraan yang kami hasilkan kami ingin memanfaatkan perangkat keras autopilot dan
perangkat lunak untuk platform humanoid tetapi karena berbeda dalam persyaratan dan dalam bentuk faktor kami
akan mengubah beberapa hal terlebih dahulu sehingga kita masih akan melakukan semua yang dilakukan oleh otak manusia
memproses data visi membuat keputusan terpisah berdasarkan beberapa input sensorik dan juga komunikasi
Jadi untuk mendukung komunikasi itu dilengkapi dengan konektivitas nirkabel serta dukungan audio
Dan kemudian juga memiliki fitur keamanan tingkat perangkat keras yang penting untuk melindungi robot dan orang -orang
di sekitar robot jadi sekarang kita memiliki inti jenis kita
Kami akan membutuhkan beberapa anggota badan pada pria ini dan kami ingin menunjukkan sedikit tentang aktuator kami dan sepenuhnya
tangan fungsional juga tetapi sebelum kita melakukan itu, saya ingin memperkenalkan Malcolm yang akan berbicara sedikit tentang
Landasan struktural kami untuk robot [tepuk tangan]
Terima kasih
Tesla memiliki kemampuan untuk menyelesaikan sistem yang sangat kompleks, ia menjadi jauh lebih kompleks daripada kecelakaan yang dapat Anda lihat
Di sini kecelakaan simulasi pada model 3 ditumpangkan di atas kecelakaan fisik yang sebenarnya
Sungguh luar biasa bagaimana um seberapa akurat hanya untuk memberi Anda gambaran tentang kompleksitas model ini
Ini mencakup setiap knot washer bolton setiap tempat lasan dan memiliki 35 juta derajat kebebasan itu sangat menakjubkan
Dan benar untuk mengatakan bahwa jika kami tidak memiliki model seperti ini, kami tidak akan dapat membuat mobil teraman di dunia
Begitu juga kita dapat memanfaatkan kemampuan kita dan metode kita dari sisi otomotif untuk mempengaruhi robot
baik kami dapat membuat model dan karena kami memiliki perangkat lunak crash kami menggunakan perangkat lunak yang sama di sini kami dapat membuatnya jatuh
Tujuan dari ini adalah untuk memastikan bahwa jika jatuh idealnya tidak tetapi itu adalah kerusakan yang dangkal
Kami tidak ingin misalnya memecahkan gearbox di lengannya yang setara dengan bahu robot yang terkilir
sulit dan mahal untuk diperbaiki sehingga kami ingin membersihkan diri dengan pekerjaan yang telah diberikan
Jika kami juga dapat mengambil model yang sama dan kami dapat mendorong aktuator menggunakan input dari model yang sebelumnya diselesaikan
menghidupkannya sehingga ini menghasilkan gerakan untuk tugas -tugas yang kami ingin robot melakukan ini
Tugas mengambil kotak -kotak yang berubah berjongkok berjalan ke atas
Model Ini menunjukkan hanya berjalan sederhana kita dapat menciptakan tekanan di semua komponen yang membantu kita
mengoptimalkan komponen ini bukan robot menari ini
sebenarnya perilaku modal lima mode robot pertama dan biasanya ketika orang membuat robot mereka memastikan
Mode pertama di sekitar angka tunggal atas menuju 10 hertz
Siapa yang melakukan ini untuk membuat kontrol berjalan lebih mudah, sangat sulit untuk berjalan jika Anda tidak dapat menjamin
Di mana kaki Anda bergoyang -goyang, tidak apa -apa untuk membuat satu robot kami ingin membuat ribuan mungkin jutaan orang
Kami belum mendapatkan kemewahan membuatnya dari titanium serat karbon kami ingin membuatnya pada hal -hal plastik tidak
sangat kaku sehingga kami tidak dapat memiliki target tinggi ini saya akan menyebutnya target bodoh
Kita harus membuat mereka bekerja di target yang lebih rendah, jadi itu akan bekerja dengan baik jika Anda memikirkannya maaf
ini tapi kami hanya sekantong jeli dan tulang basah yang dilemparkan ke dalam kami bukan frekuensi tinggi jika saya berdiri
kaki saya, saya tidak bergetar di 10 hertz kami orang beroperasi pada frekuensi rendah sehingga kami
tahu robot sebenarnya dapat membuat kontrol lebih sulit sehingga kami mengambil informasi dari ini data modal dan
kekakuan dan memasukkannya ke dalam sistem kontrol yang memungkinkannya berjalan
hanya mengubah pajak sedikit melihat lutut yang bisa kami dapatkan dari beberapa inspirasi
biologi dan kita dapat melihat untuk melihat apa keuntungan mekanis lutut itu ternyata itu sebenarnya mewakili cukup
Mirip dengan tautan empat bar dan itu cukup non-linear yang tidak mengherankan karena jika jika
Anda berpikir ketika Anda menekuk kaki ke bawah torsi pada lutut Anda jauh lebih banyak saat ditekuk daripada saat itu
lurus sehingga Anda akan mengharapkan fungsi non-linear dan sebenarnya biologi tidak linier
Ini sangat cocok dengan itu dengan cukup akurat sehingga representasi keempatnya
tautan jelas bukan tautan empat batang secara fisik seperti yang saya katakan karakteristiknya serupa tetapi saya bertaruh itu
tidak terlalu ilmiah mari kita menjadi sedikit lebih ilmiah kami telah memainkan semua tugas melalui grafik ini tetapi ini
menunjukkan piket berjalan berjongkok, tugas yang saya katakan kami lakukan pada stres dan itulah uh pembicaraan di adegan di
Lutut di tikungan lutut pada sumbu horizontal ini menunjukkan persyaratan agar lutut melakukan semua ini
tugas dan kemudian letakkan kurva melaluinya berselancar di atas puncak dan itu mengatakan inilah yang diperlukan
buat robot lakukan tugas ini
Jadi jika kita melihat tautan empat batang yang sebenarnya adalah kurva hijau dan itu mengatakan bahwa non-linearitas dari
Empat dengan tautan sebenarnya linierisasi karakteristik kekuatan apa yang sebenarnya dikatakan adalah yang menurunkan gaya
Itulah yang membuat aktuator memiliki kekuatan serendah mungkin yang merupakan yang paling efisien yang ingin kami bakar secara perlahan
Apa kurva biru baik kurva biru sebenarnya jika kami tidak memiliki tautan empat bar kami baru saja memiliki lengan
mencuat dari kaki saya di sini dengan aktuator di atasnya tautan dua bar sederhana
Itulah yang terbaik yang bisa Anda lakukan dengan tautan dua bar sederhana dan itu menunjukkan bahwa itu akan menciptakan lebih banyak kekuatan di
aktuator yang tidak akan efisien jadi seperti apa itu dalam praktik
dan seperti yang akan Anda lihat tetapi sangat ketat dikemas di lutut Anda akan melihat yang baik
transparan dalam sedetik Anda akan melihat tautan batang penuh di sana beroperasi pada aktuator ini ditentukan
memaksa dan perpindahan pada aktuator dan sekarang berikan Anda ke concertina ke
Jadi saya saya ingin berbicara dengan Anda tentang proses desain dan aktuator UM
portofolio uh di robot kami sehingga ada banyak kesamaan antara a
mobil dan robot dalam hal desain powertrain hal terpenting yang penting di sini adalah massa dan biaya energi
Kami membawa sebagian besar pengalaman desain kami dari mobil ke robot
Jadi dalam kasus tertentu Anda melihat mobil dengan dua unit drive dan unit drive
digunakan untuk mempercepat mobil 0 hingga 60 mil per jam waktu atau mengemudi a
kota mengendarai situs sementara robot yang memiliki 28 aktuator dan
tidak jelas apa tugas di tingkat aktuator jadi kami memiliki tugas itu
tingkat lebih tinggi seperti berjalan atau menaiki tangga atau membawa benda berat yang perlu diterjemahkan ke dalam
Sendi ke dalam spesifikasi gabungan karena itu kami menggunakan model kami
yang menghasilkan lintasan kecepatan torsi untuk persendian kita yang
Selanjutnya akan diberi makan dalam model optimasi kami dan berjalan melalui
proses optimasi ini adalah salah satu skenario yang
Robot mampu melakukan yang berbalik dan berjalan jadi ketika kita memiliki kecepatan torsi ini
lintasan kami meletakkan peta efisiensi aktuator dan kami bisa bersama
lintasan untuk menghasilkan konsumsi daya dan akumulatif energi
energi untuk tugas versus waktu sehingga ini memungkinkan kita untuk mendefinisikan sistem
Biaya untuk aktuator tertentu dan menempatkan titik sederhana ke dalam cloud lalu kita lakukan
Ini untuk ratusan ribu aktuator dengan menyelesaikan di cluster kami dan garis merah menunjukkan bagian depan Pareto
yang merupakan area yang disukai di mana kita akan mencari optimal sehingga X menunjukkan
Desain aktuator pilihan yang telah kami pilih untuk sambungan khusus ini sehingga sekarang kami perlu melakukan ini untuk setiap sambungan kami
memiliki 28 sendi untuk mengoptimalkan dan kami mengurai cloud kami, kami mengurai awan kami lagi untuk setiap sambungan
spec dan sumbu merah kali ini menunjukkan desain aktuator yang dipesan lebih dahulu untuk setiap
Bersama masalahnya di sini adalah bahwa kita memiliki terlalu banyak desain aktuator yang unik dan
Bahkan jika kita memanfaatkan simetri masih ada terlalu banyak untuk membuat sesuatu yang massal
Produksi kita harus dapat mengurangi jumlah desain aktuator yang unik karena itu kita menjalankan sesuatu
disebut Studi Kesamaan yang kita piratkan awan kita lagi
aktuator yang secara bersamaan memenuhi persyaratan kinerja bersama untuk lebih dari satu gabungan pada saat yang sama sehingga
Portofolio yang dihasilkan adalah enam aktuator dan mereka menunjukkan dalam peta warna sosok tengah
um dan aktuator juga dapat dilihat dalam slide ini kami memiliki tiga putar dan
Tiga aktuator linier yang semuanya memiliki gaya output yang hebat atau torsi per massa
Aktuator putar khususnya memiliki kopling mekanik yang terintegrasi pada kontak sudut sisi kecepatan tinggi
Bantalan bola dan di sisi kecepatan tinggi dan di sisi kecepatan rendah roller silang
bantalan dan kereta roda gigi adalah gigi gelombang regangan dan ada tiga sensor terintegrasi
Di sini dan mesin magnet permanen yang dipesan lebih dahulu, aktuator linier
Maaf aktuator linier memiliki rol planet dan sekrup planet terbalik
Sebagai kereta roda gigi yang memungkinkan efisiensi dan pemadatan dan daya tahan
Jadi untuk menunjukkan kemampuan kekuatan aktuator linier kami
telah mengatur percobaan untuk mengujinya di bawah batasnya
dan saya akan membiarkan Anda menikmati videonya
Jadi aktuator kami dapat mengangkat
Piano Grand Konser Setengah Nada
Dan
Ini adalah persyaratan itu bukan sesuatu yang baik untuk dimiliki karena otot kita dapat melakukannya
Hal yang sama ketika mereka didorong langsung ketika mereka didorong langsung atau otot quadricep dapat melakukan hal yang sama
Hanya saja lutut adalah sistem tautan gearing up yang mengonversi gaya
menjadi kecepatan di akhir efektor bukit kami untuk tujuan memberi kepada
kelincahan tubuh manusia jadi ini adalah salah satu hal utama yang luar biasa tentang tubuh manusia dan saya
menyimpulkan bagian saya pada titik ini dan saya ingin menyambut kolega saya Mike yang akan berbicara dengan Anda tentang tangan
desain terima kasih banyak terima kasih konstantinos
Jadi kita hanya melihat betapa kuatnya manusia dan aktuator humanoid bisa
Manusia juga sangat tangkas, tangan manusia memiliki kemampuan untuk bergerak
pada 300 derajat per detik ia memiliki puluhan ribu sensor sentuhan
Dan ia memiliki kemampuan untuk memahami dan memanipulasi hampir setiap objek dalam kehidupan kita sehari -hari
Untuk desain tangan robot kami, kami terinspirasi oleh biologi, kami memiliki lima jari ibu jari yang berlawanan
Jari kami didorong oleh tendon logam yang fleksibel dan kuat kami memiliki kemampuan untuk menyelesaikan lebar
Daya aperture menggenggam sementara juga dioptimalkan untuk mencengkeram presisi benda tipis dan halus
Jadi mengapa manusia seperti robot dengan baik alasan utama adalah bahwa pabrik kita dan dunia di sekitar kita
Dirancang agar ergonomis jadi apa artinya itu memastikan bahwa benda -benda di pabrik kami dapat dipahami
tetapi itu juga memastikan bahwa benda -benda baru yang mungkin belum pernah kita lihat sebelumnya dapat dipahami oleh tangan manusia dan oleh kita
Tangan robot juga kebalikannya ada cukup menarik karena mengatakan bahwa benda -benda ini dirancang untuk tangan kita
Alih -alih harus membuat perubahan pada tangan kita untuk menemani objek baru
Beberapa statistik dasar tentang tangan kita adalah yang memiliki enam aktuator dan 11 derajat kebebasan itu memiliki pengontrol di tangan yang
Mengendarai jari dan menerima umpan balik sensor sensor sangat penting untuk
Pelajari sedikit lebih banyak tentang benda -benda yang kita pahami dan juga untuk proprioception dan itulah kemampuan bagi kita untuk mengenali di mana
Tangan kita ada di ruang angkasa salah satu aspek penting dari tangan kita adalah adaptif adaptasi ini
pada dasarnya terlibat sebagai mekanisme kompleks yang memungkinkan tangan untuk beradaptasi dengan objek yang dipahami
Bagian penting lainnya adalah bahwa kami memiliki penggerak jari yang tidak dapat dilalui dengan mekanisme kipas ini memungkinkan kami untuk memegang
dan mengangkut benda tanpa harus menyalakan motor tangan Anda baru saja mendengar bagaimana kami pergi
Kami pergi merancang perangkat keras bot Tesla sekarang kami akan menyerahkannya kepada Milan dan tim otonomi kami untuk membawa ini
robot seumur hidup terima kasih mike
baiklah um jadi semua hal keren yang telah kami tunjukkan sebelumnya di video diposting
mungkin hanya dalam beberapa bulan berkat kata luar biasa yang telah kami lakukan autopilot selama beberapa tahun terakhir
Sebagian besar komponen -komponen itu dengan mudah diangkut ke lingkungan bot jika Anda memikirkannya, kami hanya bergerak
Dari robot di atas roda ke robot dengan kaki sehingga beberapa komponen itu sangat mirip dan beberapa yang diperlukan
lebih berat angkat jadi misalnya jaringan saraf visi komputer kami
Dilaporkan langsung dari autopilot ke situasi bot itu adalah jaringan hunian yang persis sama
Bahwa kita berbicara dengan sedikit lebih banyak detail nanti dengan tim autopilot yang sekarang berjalan di bot di sini
Video ini satu -satunya hal yang benar -benar berubah adalah data pelatihan yang harus kami ingat
Kami juga mencoba menemukan cara untuk meningkatkan jaringan hunian tersebut menggunakan pekerjaan yang dibuat di bidang pancaran Anda untuk mendapatkan
rendering volumetrik yang sangat bagus dari lingkungan bot misalnya beberapa di sini
mesin baca bahwa bot mungkin harus berinteraksi
Masalah menarik lainnya untuk dipikirkan adalah di lingkungan dalam ruangan sebagian besar dengan rasa sinyal GPS bagaimana Anda
Hendak navigasi ke tujuannya misalnya untuk menemukan stasiun pengisian terdekat jadi kami telah berlatih
lebih banyak jaringan saraf untuk mengidentifikasi fitur frekuensi tinggi poin -poin penting dalam
Bot kamera mengalir dan melacaknya di seluruh bingkai dari waktu ke waktu saat bot menavigasi ke lingkungannya
Dan kami menggunakan poin -poin tersebut untuk mendapatkan perkiraan yang lebih baik dari pose bot dan lintasan di dalam lingkungannya
itu berjalan kami juga melakukan beberapa pekerjaan di
sisi simulasi dan ini secara harfiah adalah simulator autopilot yang kami telah mengintegrasikan penggerak robot
kode dan ini adalah video kode kontrol gerak yang berjalan di simulator simulator operator yang menunjukkan
Evolusi robot berjalan seiring waktu dan seperti yang Anda lihat, kami mulai cukup lambat pada bulan April dan mulai berakselerasi
Saat kami membuka lebih banyak sendi dan teknik yang lebih dalam seperti menyeimbangkan lengan selama beberapa bulan terakhir
Jadi penggerak secara khusus adalah salah satu komponen yang sangat berbeda karena kami berpindah dari mobil ke bot
Lingkungan dan jadi saya pikir itu menjamin sedikit lebih dalam dan saya ingin kolega saya mulai membicarakan hal ini
sekarang asing
hai semuanya, saya felix, saya seorang insinyur robotika di proyek dan saya akan berbicara tentang berjalan
Sepertinya orang yang mudah melakukannya setiap hari Anda bahkan tidak perlu memikirkannya
Tetapi ada beberapa aspek berjalan yang menantang dari perspektif teknik misalnya
Kesadaran diri fisik yang berarti memiliki representasi yang baik dari diri Anda berapa lama anggota tubuh Anda
massa anggota tubuh Anda berapa ukuran kaki Anda semua yang penting juga memiliki gerbang hemat energi Anda
dapat membayangkan ada berbagai gaya berjalan dan semuanya sama -sama efisien
Paling penting menjaga keseimbangan tidak jatuh dan tentu saja juga mengoordinasikan mosi
dari semua anggota tubuh Anda bersama -sama, jadi sekarang manusia melakukan semua ini secara alami tetapi sebagai insinyur atau robotis yang kami miliki
untuk memikirkan masalah ini dan jika saya akan menunjukkan kepada Anda bagaimana kami mengatasinya dalam perencanaan dan kontrol gerak kami
tumpukan jadi kami mulai dengan perencanaan penggerak dan representasi ikatan kami
berarti model dinamika kinematika robot dan properti kontak dan menggunakan model itu dan yang diinginkan
Jalur untuk bot perencana gerak kami menghasilkan lintasan referensi untuk seluruh sistem
Ini berarti lintasan yang layak sehubungan dengan asumsi model kami
Perencana saat ini bekerja dalam tiga tahap, ia mulai merencanakan langkah kaki dan berakhir dengan seluruh sistem foto gerak
Dan mari selami sedikit lebih dalam tentang cara kerjanya begitu dalam video ini kita melihat langkah kaki yang direncanakan lebih dari perencanaan
Horizon mengikuti jalur yang diinginkan dan kita mulai dari ini dan menambahkan kemudian untuk
lintasan yang menghubungkan langkah kaki ini menggunakan toe off dan menghasilkan mogok seperti halnya manusia seperti halnya manusia
Dan ini memberi kita langkah yang lebih besar dan lebih sedikit tikungan lutut untuk efisiensi sistem yang tinggi
Tahap terakhir kemudian menemukan pusat lintasan massa yang memberi kita biaya yang layak secara dinamis dari gerakan
Seluruh sistem untuk menjaga keseimbangan karena kita semua tahu rencana itu bagus tapi kami
Juga harus menyadarinya dalam kenyataan. Katakanlah Anda tahu melihat bagaimana kami bisa melakukan ini
[Tepuk tangan] Terima kasih Felix Halo semuanya, nama saya
adalah anand dan saya akan berbicara dengan Anda tentang kontrol jadi mari kita ambil rencana gerak itu felix
baru saja membicarakan dan meletakkannya di dunia nyata pada robot sungguhan mari kita lihat apa yang terjadi
Butuh beberapa langkah dan jatuh dengan baik itu sedikit mengecewakan
Tapi kami kehilangan beberapa bagian kunci di sini yang akan membuatnya berfungsi
Sekarang seperti yang disebutkan Felix, perencana gerak menggunakan versi ideal dari
dirinya sendiri dan versi realitas di sekitarnya ini tidak benar -benar benar
itu juga mengekspresikan niatnya melalui lintasan dan cabang kunci pas
kekuatan dan torsi yang ingin diberikan pada dunia untuk melakukan lokomote
Realitas jauh lebih kompleks daripada model serupa juga robotnya tidak
Sederhananya ada getaran dan mode sensor kepatuhan dan seterusnya
Dan jadi apa yang terjadi pada dunia nyata ketika Anda meletakkan bot di dunia nyata
Nah, kekuatan yang tidak terduga menyebabkan dinamika yang tidak dimodelkan yang pada dasarnya tidak diketahui perencana dan itu
menyebabkan destabilisasi terutama untuk sistem yang stabil secara dinamis seperti penggerak biped
Jadi apa yang bisa kita lakukan dengan baik, kita mengukur kenyataan, kita menggunakan sensor dan pemahaman kita tentang
dunia untuk melakukan estimasi dan status negara bagian di sini Anda dapat melihat sikap dan pose panggul
Pada dasarnya sistem vestibular pada manusia bersama dengan pusat lintasan massa yang dilacak saat berjalan robot
Di lingkungan kantor sekarang kita memiliki semua bagian yang kita butuhkan
pesanan untuk menutup loop sehingga kami menggunakan model bot kami yang lebih baik, kami menggunakan pemahaman tentang kenyataan itu
Kami telah memperoleh melalui estimasi negara dan kami membandingkan apa yang kami inginkan dengan apa yang kami harapkan dari kenyataan yang kami harapkan
Realitas dilakukan kepada kita untuk menambahkan koreksi pada perilaku
robot di sini robot tentu tidak menghargai disodok tetapi tidak
Pekerjaan yang mengagumkan untuk tetap tegak poin terakhir di sini adalah robot itu
berjalan tidak cukup kami perlu menggunakan tangan dan lengannya untuk
Berguna Mari Bicara Tentang Manipulasi
[Tepuk tangan]
hai semuanya nama saya eric robotics engineer di teslabot dan saya ingin berbicara
tentang bagaimana kami membuat robot memanipulasi hal -hal di dunia nyata kami ingin memanipulasi objek sementara
terlihat sealami mungkin dan juga sampai di sana dengan cepat jadi apa yang telah kami lakukan
Kami telah memecah proses ini menjadi dua langkah pertama adalah menghasilkan perpustakaan referensi gerak alami atau kami bisa
Sebut mereka demonstrasi dan kemudian kami telah mengadaptasi referensi gerak ini secara online dengan situasi dunia nyata saat ini
Jadi katakanlah kita memiliki demonstrasi manusia untuk mengambil objek kita bisa mendapatkan gerak menangkapnya
demonstrasi yang divisualisasikan di sini sebagai sekelompok kerangka kunci yang mewakili lokasi tangan
siku tubuh kita dapat memetakannya ke robot menggunakan kinematika terbalik dan jika kita mengumpulkan a
banyak dari ini sekarang kami memiliki perpustakaan yang dapat kami kerjakan tetapi satu demonstrasi tidak
dapat digeneralisasikan ke variasi di dunia nyata misalnya ini hanya akan berfungsi untuk sebuah kotak secara khusus
Lokasi Jadi yang juga telah kami lakukan adalah menjalankan lintasan referensi ini melalui a
Program optimasi lintasan yang memecahkan di mana tangan harus menjadi bagaimana robot harus menyeimbangkan
Selama uh saat perlu menyesuaikan mosi ke dunia nyata jadi misalnya
Jika kotak ada di lokasi ini maka pengoptimal kami akan membuat ini
Lintasan sebagai gantinya Milan akan berbicara tentang uh
apa selanjutnya untuk optimus uh tesla y terima kasih terima kasih
Mudah -mudahan sekarang kalian punya ide bagus tentang apa yang telah kita lakukan selama beberapa bulan terakhir
Um kami mulai melakukan sesuatu yang dapat digunakan tetapi jauh dari berguna masih ada jalan yang panjang dan menyenangkan
Di depan kami um, saya pikir hal pertama dalam beberapa minggu ke depan adalah mendapatkan optimus setidaknya di
par dengan bumble c prototipe bug lain yang Anda lihat sebelumnya dan mungkin di luar kita juga akan mulai
Berfokus pada kasus penggunaan nyata di salah satu pabrik kami dan benar -benar akan mencoba untuk mencoba memakukannya dan saya kehabisan semua
Elemen yang diperlukan untuk menggunakan produk ini di dunia nyata yang saya sebutkan sebelumnya
um Anda tahu navigasi dalam ruangan anggun untuk manajemen atau bahkan melayani semua
Komponen diperlukan untuk meningkatkan produk ini tetapi um saya tidak tahu tentang Anda tetapi setelahnya
Melihat apa yang telah kami tunjukkan malam ini, saya cukup yakin kami bisa menyelesaikan ini dalam beberapa bulan atau tahun ke depan dan saya membuatnya
Produk ini menjadi kenyataan dan mengubah seluruh ekonomi sehingga saya ingin mengucapkan terima kasih kepada seluruh tim Optimus untuk yang keras
bekerja selama beberapa bulan terakhir saya pikir itu sangat menakjubkan semua ini dilakukan dalam enam atau delapan bulan terima kasih
sangat banyak [tepuk tangan]
Terima kasih, hei semuanya
hai saya ashok saya memimpin tim autopilot bersama dewa milan itu datang begitu keras untuk melampaui itu
Bagian optimus dia akan tetap mencoba
um setiap tesla yang telah dibangun selama beberapa tahun terakhir yang kami pikir memiliki
perangkat keras untuk membuat mobil itu sendiri telah kami kerjakan perangkat lunak
Tambahkan tingkat otonomi yang lebih tinggi dan lebih tinggi kali ini sekitar tahun lalu yang kami miliki
Sekitar 2.000 mobil yang mengendarai perangkat lunak beta FSD kami sejak saat itu kami memiliki secara signifikan
meningkatkan perangkat lunak sebagai ketahanan dan kemampuan yang sekarang kami kirimkan kepada 160.000 pelanggan pada hari ini
ya [tepuk tangan]
Ini tidak datang secara gratis datang dari keringat dan darah tim teknik selama satu tahun terakhir
Misalnya kami melatih 75.000 model jaringan saraf hanya bertahan satu tahun
Kira -kira model setiap delapan menit yang Anda tahu keluar dari tim dan kemudian kami mengevaluasinya secara besar -besaran
Cluster dan kemudian kami mengirimkan 281 dari model -model yang benar -benar meningkatkan kinerja mobil
dan ruang inovasi ini terjadi di seluruh tumpukan perangkat lunak perencanaan
Infrastruktur Alat -alat ini bahkan mempekerjakan semuanya berkembang ke tingkat berikutnya
Perangkat lunak beta FSG cukup mampu mengendarai mobil yang harus dapat dinavigasi dari
tempat parkir ke tempat parkir menangani CDC mengemudi berhenti untuk lampu lalu lintas dan berhenti tanda
Bernegosiasi dengan benda -benda di persimpangan berbelok dan sebagainya
Semua ini berasal dari aliran kamera yang melewati jaringan saraf kami yang berjalan pada mobil itu sendiri
tidak kembali ke server atau apa pun yang dijalankan pada mobil dan menghasilkan semua output untuk membentuk model dunia
di sekitar mobil dan perangkat lunak perencanaan mendorong mobil berdasarkan itu
Hari ini kita akan membahas banyak komponen yang membentuk sistem jaringan hunian bertindak sebagai basis
Lapisan Geometri Sistem Ini adalah video multi-kamera saraf
jaringan yang dari gambar memprediksi hunian fisik penuh dunia di sekitar
robot jadi apapun yang secara fisik menyajikan pohon dinding bangunan mobil dinding apa
Sudahkah Anda memprediksi apakah itu secara khusus hadir itu memprediksi mereka bersama dengan gerakan masa depan mereka
Di atas level geometri dasar ini, kami memiliki lebih banyak lapisan semantik untuk
menavigasi jalan raya kita membutuhkan lensa tentu saja tetapi kemudian jalan memiliki banyak
jalur yang berbeda dan mereka terhubung dengan segala macam cara sehingga sebenarnya masalah yang sangat sulit untuk komputer khas
Teknik Visi Untuk Memprediksi Set Pesawat dan Konektivitasnya Jadi Kami Mencapai Jalan Saling ke Bahasa
Teknologi dan kemudian menarik keadaan seni dari domain lain dan bukan hanya visi komputer untuk membuat tugas ini
mungkin untuk kendaraan yang kita butuhkan keadaan kinematik penuh mereka untuk mengendalikan mereka
Semua ini langsung berasal dari streaming video Neural Networks, aliran video mentah masuk ke jaringan melalui banyak hal
memproses dan kemudian menghasilkan keadaan kinematik penuh yang memposisikan kecepatan akselerasi yang menyentak semua itu
langsung keluar dari jaringan dengan pemrosesan posting minimal yang sangat menarik bagi saya karena bagaimana bagaimana adanya
Bahkan mungkin dunia apa yang kita jalani karena keajaiban ini dimungkinkan bahwa jaringan ini memprediksi keempat
turunan dari posisi ini ketika orang berpikir kita bahkan tidak bisa mendeteksi objek ini
Pendapat saya adalah bahwa itu tidak datang secara gratis.
sistem yang bersinar melalui data sensor mentah menjalankan satu ton komputasi offline di
server dapat memakan waktu beberapa jam menjalankan jaringan saraf mahal menyaring informasi menjadi label yang melatih kami
Jaringan saraf di dalam mobil di atas ini kami juga menggunakan sistem simulasi kami untuk secara sintetis
Buat gambar dan karena ini adalah simulasi, kami secara sepele memiliki semua label
Semua ini melewati pipa mesin data yang diminyaki dengan baik di mana kami pertama kali
Latih model dasar dengan beberapa data mengirimkannya ke mobil lihat apa kegagalannya dan begitu Anda mengetahui kegagalannya
Kami menambang armada untuk kasus -kasus di mana ia gagal memberikan label yang benar dan menambahkan data ke set pelatihan
Proses ini secara sistematis memperbaiki masalah dan kami melakukan ini untuk setiap tugas yang berjalan di dalam mobil
ya dan untuk melatih jaringan saraf besar baru ini tahun ini kami memperluas infrastruktur pelatihan kami secara kasar
40 hingga 50 persen sehingga duduk di sekitar 14.000 gpus hari ini di banyak
Cluster pelatihan di Amerika Serikat kami juga bekerja pada kompiler AI kami yang
sekarang mendukung operasi baru yang dibutuhkan oleh jaringan saraf itu dan memetakannya ke uh yang terbaik dari kami yang mendasarinya
Sumber daya perangkat keras dan mesin inferensi kami saat ini mampu mendistribusikan pelaksanaan
jaringan saraf tunggal di dua sistem independen pada kapal pada dasarnya dua komputer independen yang saling berhubungan
Di dalam komputer self-driving yang sederhana dan untuk memungkinkan ini kita harus menjaga kontrol ketat di ujung ke ujung
Latensi sistem baru ini sehingga kami menggunakan kode penjadwalan yang lebih maju di seluruh platform FSD lengkap
Semua jaringan saraf yang berjalan di dalam mobil bersama -sama menghasilkan ruang vektor yang sekali lagi merupakan model dari
Dunia di sekitar robot atau mobil dan kemudian sistem perencanaan beroperasi di atas ini dengan lintasan ini
Hindari tabrakan atau lancar membuat kemajuan menuju tujuan menggunakan kombinasi optimasi berbasis model
ditambah jaringan saraf yang membantu mengoptimalkannya menjadi sangat cepat
Hari ini kami sangat bersemangat untuk menghadirkan kemajuan di semua bidang ini kami memiliki arahan teknik yang berdiri
masuk dan jelaskan berbagai blok ini dan kekuatan ini bukan hanya mobil tetapi komponen yang sama juga berjalan di optimus
robot yang ditunjukkan Milan sebelumnya dengan bahwa saya menyambut panel untuk mulai berbicara tentang bagian perencanaan
hai semua saya parel joint mari kita gunakan skenario persimpangan ini
Menyelam langsung bagaimana kami melakukan perencanaan dan pengambilan keputusan dalam autopilot sehingga kami mendekati persimpangan ini
dari jalan samping dan kita harus menyerah pada semua kebenaran persimpangan saat kita akan memasuki
persimpangan pejalan kaki di sisi lain persimpangan memutuskan untuk menyeberang jalan
Tanpa penyeberangan sekarang kita perlu menyerah pada hasil pejalan kaki ini ke kendaraan dari kanan dan
juga memahami hubungan antara pejalan kaki dan kendaraan di sisi lain dari persimpangan
Jadi banyak dari ketergantungan intra-objek yang perlu kita selesaikan dengan cepat
Dan manusia sangat pandai dalam hal ini, kita melihat adegan memahami semua interaksi yang mungkin dievaluasi
yang menjanjikan dan pada umumnya memilih yang masuk akal
Jadi mari kita lihat beberapa interaksi yang dievaluasi sistem autopilot ini kita bisa pergi di depan ini
Pejalan kaki dengan peluncuran yang sangat agresif di profil lateral sekarang jelas kami menjadi brengsek
Pejalan kaki dan kami akan menakuti pejalan kaki dan hewan peliharaannya yang lucu kami bisa bergerak maju perlahan -lahan
Untuk celah antara pejalan kaki atau dan kendaraan dari kanan lagi kami menjadi brengsek ke kendaraan
Berasal dari kanan tetapi Anda tidak boleh langsung menolak interaksi ini jika ini hanya interaksi yang aman yang tersedia
Terakhir interaksi kami akhirnya memilih tetap lambat pada awalnya menemukan yang masuk akal
Celah lalu selesaikan manuver setelah semua agen lewat
Sekarang evaluasi semua interaksi ini tidak sepele terutama saat Anda peduli tentang pemodelan
Turunan orde yang lebih tinggi untuk agen lain misalnya apa yang dimaksud dengan longitudinal
brengsek yang dibutuhkan oleh kendaraan yang datang dari kanan saat Anda menegaskan di depannya mengandalkan semata -mata pada pemeriksaan tabrakan dengan
Prediksi modular hanya akan membuat Anda sejauh ini karena Anda akan kehilangan banyak interaksi yang valid
Ini pada dasarnya bermuara pada menyelesaikan masalah perencanaan lintasan gabungan multi-agen selama lintasan ego dan
Semua agen lain sekarang seberapa banyak Anda mengoptimalkan akan ada batasan seberapa cepat Anda bisa
Jalankan masalah optimisasi ini akan mendekati urutan 10 milidetik bahkan setelah banyak perkiraan bertahap
Sekarang untuk kiri yang tidak dapat diprediksi yang penuh sesak mengatakan Anda memiliki lebih dari 20 objek masing -masing
Objek memiliki beberapa mode masa depan yang berbeda jumlah kombinasi interaksi yang relevan akan meledak
Kami Perencana perlu membuat keputusan setiap 50 milidetik jadi bagaimana kami menyelesaikan ini secara real time
Kami mengandalkan kerangka kerja apa yang kami sebut sebagai pencarian interaksi yang pada dasarnya merupakan penelitian paralel dari sekelompok
Lintasan Manuver Ruang negara di sini sesuai dengan keadaan kinematik ego Kinematik
Keadaan Agen Lainnya Masa Depan Nominal Masa Depan Multimodal Prediksi dan Semua Entitas Statis Dalam Adegan
Ruang aksi adalah tempat yang menarik, kami menggunakan satu set lintasan manuver
kandidat untuk bercabang atas sekelompok keputusan interaksional dan juga tujuan tambahan untuk yang lebih lama
Manuver horizon mari kita berjalan melalui penelitian ini dengan sangat cepat untuk mengetahui cara kerjanya
Kami mulai dengan serangkaian pengukuran penglihatan yaitu jalur pemindahan hunian jalur yang diwakili sebagai
Ekstraksi jarang serta fitur laten kami menggunakan ini untuk membuat serangkaian tujuan
kandidat jalur lagi dari jaringan jalur atau daerah tidak terstruktur yang sesuai dengan
Probabilitas topeng yang berasal dari demonstrasi manusia begitu kita memiliki banyak emas ini
Calon Kami membuat lintasan benih menggunakan kombinasi pendekatan optimasi klasik serta kami
Perencana Jaringan Lagi Latih Data Dari Umpan Pelanggan Sekarang Setelah kami mendapatkan banyak ini gratis
lintasan kami menggunakannya untuk mulai bercabang pada interaksi kami menemukan interaksi paling kritis
Dalam kasus kami ini akan menjadi interaksi sehubungan dengan pejalan kaki apakah kami menegaskan di depannya atau menyerah padanya
Jelas opsi di sebelah kiri adalah opsi penalti tinggi yang mungkin tidak akan diprioritaskan sehingga kami bercabang lebih jauh
Opsi di sebelah kanan dan di situlah kami membawa interaksi yang semakin kompleks membangun optimasi ini
Masalah secara bertahap dengan semakin banyak kendala dan penelitian itu terus mengalir pada lebih banyak interaksi bercabang
pada lebih banyak tujuan sekarang banyak trik di sini terletak pada evaluasi masing -masing node ini
dari penelitian di dalam setiap node pada awalnya kami mulai dengan menciptakan
lintasan menggunakan pendekatan optimasi klasik di mana kendala seperti yang saya jelaskan akan ditambahkan secara bertahap
Dan ini akan memakan waktu hampir satu hingga lima milidetik per tindakan sekarang meskipun ini cukup bagus
Angka saat Anda ingin mengevaluasi lebih dari 100 interaksi ini tidak skala
Jadi kami akhirnya membangun jaringan yang dapat dipertanyakan ringan yang dapat Anda jalankan di loop perencana
Jaringan ini dilatih tentang demonstrasi manusia dari armada serta pemecah offline dengan batas waktu santai
Dengan ini kami dapat menurunkan runtime rundown untuk menutup 200 mikrodetik per tindakan
Sekarang melakukan ini sendiri tidak cukup karena Anda masih memiliki riset besar yang harus Anda lakukan
melalui dan Anda perlu memangkas ruang pencarian secara efisien sehingga Anda perlu melakukan penilaian pada masing -masing
Dari lintasan ini, beberapa di antaranya cukup standar, Anda melakukan banyak pemeriksaan tabrakan, Anda melakukan banyak analisis kenyamanan, apa yang brengsek dan
Sebenarnya diperlukan untuk manuver yang diberikan, data armada pelanggan memainkan peran penting di sini lagi
Kami menjalankan dua set jaringan variabel ringan lagi keduanya benar -benar menambah satu sama lain yang dilatih dari
intervensi dari armada beta fst yang memberikan skor tentang seberapa besar kemungkinan manuver yang diberikan untuk menghasilkan
Intervensi selama beberapa detik dan kedua berikutnya yang murni pada demonstrasi manusia memberikan data yang didorong manusia
Skor tentang seberapa dekat tindakan yang Anda pilih dengan lintasan yang digerakkan manusia
Penilaian membantu kami memangkas ruang pencarian terus bercabang lebih lanjut pada interaksi dan memfokuskan komputasi pada
hasil yang paling menjanjikan bagian keren tentang ini
Arsitekturnya memungkinkan kami untuk membuat perpaduan keren antara pendekatan yang didorong oleh data UH di mana Anda
tidak harus mengandalkan banyak biaya rekayasa tangan tetapi juga mengarahkannya dengan kenyataan dengan cek berbasis fisika
sekarang banyak dari apa yang saya jelaskan adalah sehubungan dengan agen yang bisa kita amati dalam adegan tetapi hal yang sama
Kerangka kerja meluas ke objek di balik oklusi kami menggunakan umpan video dari delapan kamera
Untuk menghasilkan hunian 3D dunia, topeng biru di sini sesuai dengan
daerah visibilitas kami menyebutnya pada dasarnya diblokir pada awalnya
oklusi yang Anda lihat dalam adegan kami mengkonsumsi topeng visibilitas ini untuk menghasilkan apa yang kami sebut sebagai objek hantu yang Anda
dapat melihat di kiri atas sekarang jika Anda memodelkan daerah spawn dan transisi negara dari hantu ini
objek dengan benar jika Anda menyesuaikan respons kontrol Anda sebagai a
fungsi kemungkinan keberadaan itu Anda dapat mengekstraksi beberapa perilaku seperti manusia yang sangat baik
Sekarang saya akan meneruskannya untuk mengisi untuk menggambarkan lebih banyak tentang bagaimana kami menghasilkan jaringan hunian ini
hai teman -teman nama saya phil uh saya akan membagikan detail jaringan hunian yang kami bangun selama setahun terakhir
Jaringan ini adalah solusi kami untuk memodelkan pekerjaan fisik dalam 3D di sekitar mobil kami dan saat ini tidak ditampilkan di kami
Pelanggan yang menghadapi visualisasi dan apa yang akan kita lihat di sini adalah output jaringan jalan dari alat dev internal kami
Jaringan hunian mengambil aliran video dari semua 80 kamera kami sebagai input menghasilkan volumetrik terpadu tunggal
hunian di ruang vektor langsung untuk setiap lokasi 3D di sekitar mobil kami
memprediksi probabilitas lokasi yang banyak ditempati karena memiliki kontak video itu
mampu memprediksi hambatan yang tersumbat secara instan
Untuk setiap lokasi juga menghasilkan satu set semantik seperti pejalan kaki mobil trotoar
dan puing -puing rendah seperti kode warna di sini
Aliran hunian juga diprediksi untuk bergerak karena model ini adalah jaringan umum
itu tidak memberi tahu objek statis dan dinamis secara eksplisit itu dapat menghasilkan dan
Model gerakan acak seperti pelatih yang berbelok di sini
Jaringan ini sedang berjalan di semua Teslas dengan komputer FSD dan itu
berjalan sangat efisien setiap 10 milidetik dengan akselerator saraf kami
Jadi bagaimana cara kerja ini mari kita lihat arsitektur terlebih dahulu kita memperbaiki setiap gambar kamera dengan
Kalibrasi kamera dan gambar ditampilkan di sini diberikan kepada jaringan itu sebenarnya tidak
Gambar RGB 8-bit yang khas seperti yang dapat Anda lihat dari citra pertama di atas kami
memberikan gambar akun foto mentah 12 bit ke jaringan karena memiliki empat
bit lebih banyak informasi. Ini memiliki rentang dinamis 16 kali lebih baik serta dikurangi
Latensi karena kami tidak memiliki ISP yang salah di Adobe lagi kami menggunakan satu set catatan dan kembali dengan
FPS sebagai tulang punggung untuk mengekstrak fitur ruang gambar selanjutnya kami membangun satu set posisi 3D
Permintaan bersama dengan fitur ruang IMG karena kunci dan nilai sesuai dengan modul perhatian
Output dari modul perhatian adalah fitur spasial dimensi tinggi
Fitur -fitur khusus ini diselaraskan sementara menggunakan odometri kendaraan
Untuk mendapatkan gerakan terakhir fitur temporal spasial ini
Melalui serangkaian konvolusi D untuk menghasilkan output aliran hunian akhir dan hunian
mereka dibentuk sebagai boxer grey ukuran tetap yang mungkin tidak cukup tepat untuk perencanaan kontrol
Untuk mendapatkan resolusi yang lebih tinggi, kami juga menghasilkan peta fitur per voxel yang akan dimasukkan ke dalam MLP dengan spasial 3D
Titik kueri untuk mendapatkan posisi dan semantik di lokasi sewenang -wenang
Setelah mengetahui modelnya lebih baik, mari kita lihat contoh lain di sini, kami memiliki bus artikular yang diparkir di sebelah kanan
Baris samping yang disorot sebagai petinju berbentuk L di sini saat kami mendekati bus mulai
Pindahkan biru bagian depan gerobak berubah biru pertama yang menunjukkan model memprediksi bus frontal memiliki nol turun
aliran hunian dan s-bus terus bergerak seluruh bus berubah menjadi biru
Dan Anda juga dapat melihat bahwa jaringan memprediksi kelengkungan bus yang tepat
Nah ini adalah masalah yang sangat rumit untuk jaringan deteksi objek tradisional karena Anda harus melihat apakah saya akan melakukannya
Gunakan satu kuboid atau mungkin dua agar sesuai dengan kelengkungan tetapi untuk jaringan pekerjaan
Karena yang kami pedulikan hanyalah hunian di ruang yang terlihat dan kami akan dapat memodelkan kelengkungan dengan tepat
Selain tingkat voxel, jaringan hunian juga menghasilkan permukaan yang dapat dilalui
Permukaan yang dapat dilalui memiliki geometri 3D dan semantik mereka sangat berguna untuk dikendalikan terutama pada penyembuhan
dan jalan melengkung permukaan dan abu -abu voxel tidak diprediksi secara mandiri sebagai gantinya
Grid voxel sebenarnya selaras dengan permukaan secara implisit di sini kita berada di pencarian pahlawan di mana Anda
dapat melihat geometri 3D permukaan diprediksi dengan baik
Perencana dapat menggunakan informasi ini untuk memutuskan mungkin kita perlu memperlambat lebih banyak untuk Hillcrest dan sebanyak yang Anda bisa
lihat tingkat voxel sejajar dengan permukaan secara konsisten
Selain sumber kotak dan permukaannya, kami juga sangat bersemangat tentang terobosan baru -baru ini di bidang pembacaan saraf atau
Nerf kami mencari keduanya menggabungkan beberapa fitur warna terang ke
pelatihan jaringan hunian serta menggunakan output jaringan kami sebagai status input untuk NERF
Faktanya, Ashok sangat bersemangat tentang hal ini telah menjadi proyek akhir pekan pribadinya untuk sementara waktu
Pada saraf ini karena saya pikir akademisi sedang membangun banyak dari ini
Model Yayasan UH untuk bahasa menggunakan banyak set data besar untuk bahasa tetapi saya pikir untuk saraf penglihatan
akan memberikan model pondasi untuk visi komputer karena didasarkan pada geometri dan geometri
memberi kami cara yang bagus untuk mengawasi jaringan ini dan membekukan persyaratan untuk mendefinisikan ontologi dan
Pengawasan pada dasarnya gratis karena Anda hanya perlu membuat gambar -gambar ini, jadi saya pikir di masa depan ini
Ide jaringan hunian di mana Anda tahu gambar masuk dan kemudian jaringan menghasilkan konsisten
Representasi volumetrik dari adegan yang kemudian dapat diterjemahkan secara berbeda ke dalam gambar apa pun yang diamati i i
Secara pribadi berpikir adalah masa depan visi komputer eh dan Anda tahu kami melakukan beberapa pekerjaan awal di atasnya uh sekarang tapi saya
Pikirkan di masa depan baik di Tesla maupun di akademisi kita akan melihat bahwa ini
Kombinasi prediksi satu-shot hunian volumetrik uh akan menjadi itu
taruhan pribadi saya seksual jadi inilah contoh hasil awal dari a
Rekonstruksi 3D dari data gratis kami alih -alih berfokus pada mendapatkan reprlikeksi RGB yang sempurna dalam ruang pencitraan kami
Tujuan utama di sini adalah untuk secara akurat mewakili ruang 3D peringatan untuk mengemudi dan kami ingin melakukan ini untuk semua
Data gratis kami di seluruh dunia dalam segala kondisi cuaca dan pencahayaan dan jelas ini sangat menantang
masalah dan kami mencari kalian untuk membantu akhirnya jaringan hunian dilatih
dengan set data tingkat mobil yang besar tanpa manusia di loop dan dengan itu saya akan beralih ke Tim untuk berbicara
tentang apa yang diperlukan untuk melatih jaringan ini, terima kasih Phil
[Tepuk tangan] Baiklah, hei semuanya, mari kita bicara tentang beberapa pelatihan
infrastruktur jadi kami telah melihat beberapa video yang Anda kenal empat atau lima uh saya pikir dan peduli
Lebih banyak dan lebih khawatir tentang klip lebih banyak tentang itu sehingga kami telah melihat
Jaringan hunian hanya dari Phil hanya mengisi video yang dibutuhkan 1,4 miliar
bingkai untuk melatih jaringan itu apa yang baru saja Anda lihat dan jika Anda memiliki seratus ribu gpus eh itu akan memakan waktu satu jam
tetapi jika Anda memiliki satu GPU, itu akan memakan waktu seratus ribu jam sehingga tidak
Periode waktu yang manusiawi yang bisa Anda tunggu untuk pekerjaan pelatihan Anda dengan benar, kami ingin mengirim lebih cepat dari itu
berarti Anda harus menjadi paralel sehingga Anda membutuhkan lebih banyak komputasi untuk itu berarti Anda akan membutuhkan a
Superkomputer Jadi inilah sebabnya kami telah membangun tiga superkomputer di rumah yang terdiri dari
dari 14.000 gpus di mana kami menggunakan 10.000 gpus untuk pelatihan dan sekitar empat ribu
GPU untuk pelabelan otomatis semua video ini disimpan dalam 30 petabyte dari video terkelola terdistribusi
cache Anda tidak boleh menganggap set data kami sebagai tetap, katakanlah saat Anda memikirkan Anda
imagenet atau sesuatu yang Anda kenal dengan sejuta bingkai yang harus Anda anggap sebagai hal yang sangat cair jadi kami punya a
Setengah juta video ini mengalir masuk dan keluar dari kelompok ini kelompok -kelompok ini setiap hari
Dan kami melacak 400.000 dari instantiasi video python semacam ini setiap detik
Jadi itu adalah banyak panggilan yang kita perlukan untuk menangkapnya untuk mengatur kebijakan retensi ini
Terdistribusi cache video yang mendasari semua ini adalah sejumlah besar infra yang semuanya kami bangun dan kelola
in-house jadi Anda tidak bisa hanya membeli Anda tahu 40 000
GPU dan kemudian 30 petabyte flash mvme dan hanya menyatukannya dan mari kita berlatih eh itu sebenarnya membutuhkan banyak
bekerja dan saya akan membahas sedikit dari apa yang sebenarnya ingin Anda lakukan adalah Anda ingin mengambil akselerator Anda
Bahwa itu bisa berupa GPU atau Dojo yang akan kita bicarakan nanti dan karena itu yang paling mahal
Komponen Di situlah Anda ingin meletakkan hambatan Anda dan itu berarti setiap bagian dari sistem Anda
akan perlu mengungguli akselerator ini dan jadi itu sangat rumit
berarti penyimpanan Anda harus memiliki ukuran dan bandwidth untuk mengirimkan semua data ke dalam node
Node ini perlu memiliki jumlah CPU dan kemampuan memori yang tepat untuk dimasukkan ke dalam pembelajaran mesin Anda
kerangka kerangka pembelajaran mesin ini kemudian perlu menyerahkannya ke GPU Anda dan kemudian Anda dapat memulai pelatihan tetapi kemudian Anda
Perlu melakukannya di ratusan atau ribuan GPU dengan cara yang dapat diandalkan
logstap dan dengan cara yang juga cepat sehingga Anda juga akan membutuhkan interkoneksi yang sangat rumit, kita akan berbicara lebih banyak
tentang dojo dalam sedetik jadi pertama -tama saya ingin membawa Anda ke beberapa orang
optimisasi yang telah kami lakukan di cluster kami sehingga kami mendapatkan banyak video dan
Video sangat tidak seperti katakanlah pelatihan tentang gambar atau teks yang menurut saya sangat mapan video cukup baik
secara harfiah dimensi yang lebih rumit um dan karena itu kami harus pergi
untuk mengakhiri dari lapisan penyimpanan ke akselerator dan mengoptimalkan setiap bagian itu karena kami berlatih pada jumlah foton
video yang datang langsung dari armada kami, kami melatih secara langsung kami tidak memprosesnya sama sekali
Cara yang baru saja dilakukan adalah kami mencari persis pada bingkai yang kami pilih untuk batch kami, kami memuatnya termasuk
bingkai yang mereka andalkan jadi ini adalah iframe Anda atau kerangka kunci Anda, kami mengemas mereka yang memindahkannya ke bersama
memori memori mereka ke bilah ganda dari GPU dan kemudian menggunakan dekoder perangkat keras yang hanya dipercepat
Sebenarnya mendekode video sehingga kami melakukannya di GPU secara asli dan ini semua dalam ekstensi Python Pytorch yang sangat bagus
melakukan hal itu membuka lebih dari 30 peningkatan kecepatan pelatihan untuk jaringan hunian dan dibebaskan pada dasarnya secara keseluruhan
Cpu untuk melakukan hal lain um Anda tidak bisa hanya melakukan pelatihan dengan adil
Video tentu saja Anda membutuhkan semacam kebenaran dasar eh dan eh itu sebenarnya masalah yang menarik juga
Tujuan untuk menyimpan kebenaran tanah Anda adalah Anda ingin memastikan Anda mendapatkan kebenaran tanah yang Anda butuhkan di
Jumlah minimal operasi sistem file dan memuat dalam ukuran minimal dari apa yang Anda butuhkan untuk mengoptimalkan agregat
throughput cross cluster karena Anda akan melihat kluster komputasi sebagai satu perangkat besar yang telah diperbaiki secara internal
kendala dan ambang batas untuk ini kami meluncurkan format itu
adalah asli dari kami yang disebut Small kami menggunakan ini untuk kebenaran dasar kami cache fitur kami dan output inferensi apa pun
Jadi banyak tensor yang ada di sana dan karenanya kartun di sini, katakanlah ini adalah eh Anda adalah meja Anda
ingin menyimpan maka begitulah cara melihat keluar jika Anda diluncurkan di disk jadi apa yang Anda lakukan adalah Anda mengambil apa pun yang Anda lakukan
ingin mengindeks jadi misalnya cap waktu video Anda menempatkan semuanya di header sehingga di header awal Anda
Baca Anda tahu persis ke mana harus pergi ke disk maka jika Anda memiliki tensor eh, Anda akan mencoba untuk mentransposkan
dimensi untuk menempatkan dimensi yang berbeda terakhir sebagai dimensi yang berdekatan dan kemudian juga mencoba berbagai jenis
Kompresi lalu Anda memeriksa mana yang paling optimal dan kemudian menyimpan yang satu ini sebenarnya merupakan langkah besar jika Anda melakukannya
Fitur caching output yang tidak dapat dipahami dari jaringan pembelajaran mesin berputar di sekitar
dimensi sedikit Anda bisa mendapatkan hingga 20 peningkatan efisiensi penyimpanan kemudian saat Anda menyimpannya juga
memesan kolom berdasarkan ukuran sehingga semua kolom kecil dan nilai kecil Anda bersama -sama sehingga ketika Anda mencari a
nilai tunggal yang kemungkinan besar akan Anda tumpang tindih dengan membaca lebih banyak nilai yang akan Anda gunakan nanti sehingga Anda tidak perlu melakukannya
Operasi sistem file lain sehingga saya bisa melanjutkan dan terus saya melanjutkan
Saat menyentuh dua proyek yang kami miliki secara internal tetapi ini sebenarnya adalah bagian dari upaya berkelanjutan yang besar untuk mengoptimalkan
menghitung yang kami miliki di rumah sehingga mengumpulkan dan menggabungkan melalui semua optimisasi ini kami sekarang melatih kami
Jaringan hunian dua kali lebih cepat hanya karena itu dua kali lebih efisien dan sekarang jika kita menambahkan lebih banyak komputasi dan pergi
Paralel kita tidak bisa melatih ini dalam beberapa jam, bukan berhari -hari dan dengan itu saya ingin menyerahkannya
Pengguna terbesar John Compute
hai semuanya nama saya John Emmons Saya memimpin tim Autopilot Vision Saya akan membahas dua topik dengan Anda
Hari ini yang pertama adalah bagaimana kita memprediksi jalur dan yang kedua adalah bagaimana kita memprediksi perilaku masa depan agen lain di jalan
Pada hari -hari awal autopilot kami memodelkan masalah deteksi jalur sebagai tugas ruang gambar instan
Jaringan kami sangat sederhana meskipun sebenarnya itu hanya mampu mencetak jalur dari beberapa jenis yang berbeda
geometri secara khusus itu akan segmen jalur elang yang bisa disegmen berdekatan
jalur dan kemudian memiliki beberapa casing khusus untuk garpu dan menggabungkan pemodelan masalah yang sederhana ini
bekerja untuk jalan yang sangat terstruktur seperti jalan raya tetapi hari ini kami mencoba membangun sistem
Itu mampu melakukan manuver yang jauh lebih kompleks secara khusus kami ingin berbelok ke kiri dan kanan di persimpangan
di mana topologi jalan bisa menjadi sedikit lebih kompleks dan beragam ketika kami mencoba menerapkan pemodelan sederhana ini
masalah di sini itu benar -benar rusak mengambil langkah mundur sejenak apa
yang kami coba lakukan di sini adalah memprediksi kumpulan instance lumpuh dalam konektivitas mereka dan yang ingin kami lakukan adalah memiliki
Jaringan saraf yang pada dasarnya memprediksi grafik ini di mana node adalah segmen jalur dan tepi menyandikan
Konektivitas antara jalur ini jadi yang kita miliki adalah deteksi jalur kita
Jaringan Sarafnya terdiri dari tiga komponen dalam komponen pertama yang kami miliki satu set
Lapisan Lapisan Perhatian Konvolusional dan Lapisan Jaringan Saraf Lainnya yang mengkode aliran video dari delapan kami
kamera pada kendaraan dan menghasilkan representasi visual yang kaya
Kami kemudian meningkatkan representasi digital ini dengan data peta level jalan roadmap kasar yang kami ambilkan
satu set lapisan jaringan saraf tambahan yang kami sebut modul panduan jalur peta ini bukan peta HD tetapi
memberikan banyak petunjuk yang berguna tentang topologi jalur di dalam persimpangan jalur yang dihitung di berbagai jalan dan satu set atribut lainnya
Bantu kami dua komponen pertama di sini menghasilkan a
Tensor padat semacam itu mengkodekan dunia tetapi yang benar -benar ingin kita lakukan adalah mengubah tensor padat ini menjadi a
set jalur pintar di konektivitas mereka, kami mendekati masalah ini seperti gambar
Captioning Task di mana inputnya adalah tensor padat ini dan teks output diprediksi menjadi bahasa khusus itu
Kami berkembang di Tesla untuk mengkode jalur dalam konektivitas mereka dalam bahasa jalur ini dan
Token adalah posisi jalur dalam ruang 3D dalam pemesanan token yang diperkenalkan pengubah di token
menyandikan hubungan ikat antara jalur ini dengan memodelkan tugas sebagai bahasa
masalah kita dapat memanfaatkan arsitektur dan teknik autoregresif baru -baru ini dari komunitas bahasa untuk menangani banyak
modalitas masalah kami tidak hanya menyelesaikan masalah visi komputer di autopilot kami juga menerapkan canggih dan
Pemodelan Bahasa dan Pembelajaran Mesin Secara lebih umum Saya sekarang akan menyelami sedikit lebih detail komponen bahasa ini
Apa yang saya gambarkan di layar di sini adalah gambar satelit yang mewakili area lokal di sekitar
Kendaraan Set Nosing Edges adalah apa yang kami sebut sebagai grafik jalur dan pada akhirnya apa yang ingin kami keluar dari saraf ini
Jaringan Kami Mulai Dengan Slate Kosong Kami Akan Ingin Menjadi Yang Pertama
prediksi di sini di titik hijau ini posisi titik hijau ini dikodekan sebagai
indeks ke dalam kisi kursus yang mendiskritisasi dunia 3D sekarang kami tidak memprediksi indeks ini secara langsung
Karena akan terlalu mahal secara komputasi untuk melakukannya, ada terlalu banyak poin grid dan memprediksi kategori
distribusi atas ini memiliki implikasi pada waktu pelatihan dan waktu tes jadi sebaliknya yang kami lakukan adalah kami mengganggu
Dunia Pertama -tama kami memprediksi peta panas di lokasi yang mungkin dan kemudian kami mengaitkan di lokasi yang paling mungkin
tentang ini kami kemudian memperbaiki prediksi dan mendapatkan titik yang tepat
Sekarang kita tahu di mana posisi token ini kita tidak tahu jenisnya dalam kasus ini meskipun ini adalah awal dari yang baru
Jalur jadi kami mendekatinya sebagai token awal dan karena itu adalah token bintang tidak ada
Atribut tambahan dalam bahasa kami, kami kemudian mengambil prediksi dari umpan ke depan pertama ini dan kami menyandikannya
Menggunakan embedding tambahan yang dipelajari yang menghasilkan satu set tensor yang kami gabungkan bersama -sama
yang sebenarnya merupakan kata pertama dalam bahasa jalur kami, kami menambahkan ini ke posisi Anda yang pertama dalam kalimat kami di sini
Kami kemudian melanjutkan proses ini dengan mencetak titik jalur berikutnya dengan cara yang sama
Sekarang titik jalur ini bukanlah awal dari jalur baru itu sebenarnya merupakan kelanjutan dari jalur sebelumnya
Jadi ini adalah tipe token kelanjutan sekarang tidak cukup hanya untuk mengetahuinya
Jalur ini terhubung ke bidang yang dilindungi sebelumnya kami ingin menyandikan geometri yang tepat yang kami lakukan
Mengganti satu set koefisien spline kami kemudian mengambil jalur ini kami mengkodekannya
Sekali lagi dan tambahkan sebagai kata berikutnya dalam kalimat kami terus memprediksi jalur kelanjutan ini sampai kami sampai di
akhir grid prediksi kami kemudian pindah ke segmen jalur yang berbeda sehingga Anda dapat melihat bahwa cyan dot di sana sekarang
itu tidak terhubung secara topologis dengan titik merah muda itu sebenarnya telah membayar dari itu, maaf itu hijau itu
Poin di sana jadi ada tipe garpu dan token garpu
sebenarnya menunjuk kembali ke token sebelumnya dari mana garpu berasal sehingga Anda
dapat melihat di sini prediktor titik garpu sebenarnya adalah indeks nol sehingga sebenarnya merujuk kembali ke token yang sudah diprediksi seperti Anda akan masuk
bahasa kami melanjutkan proses ini berulang kali sampai kami telah menyebutkan semua
token dalam grafik ling dan kemudian jaringan memprediksi akhir dari token kalimat
ya saya hanya ingin mencatat bahwa alasan kami melakukan ini bukan hanya karena kami ingin membangun sesuatu yang rumit
Hampir terasa seperti mesin yang lengkap di sini dengan jaringan saraf adalah bahwa kami mencoba pendekatan sederhana
Contoh uh mencoba untuk hanya mensegmentasi jalur di sepanjang jalan atau sesuatu seperti itu tetapi kemudian masalahnya adalah kapan
ada ketidakpastian mengatakan Anda tidak dapat melihat jalan dengan jelas dan mungkin ada dua jalur atau tiga jalur dan Anda tidak bisa mengatakannya
Pendekatan berbasis segmentasi sederhana hanya akan menarik keduanya adalah semacam situasi 2,5 jalur dan
Algoritma pemrosesan pasca akan gagal dengan lucu ketika prediksi seperti itu ya masalah tidak berakhir di sana maksud saya
Anda perlu memprediksi kondisi penghubung ini seperti jalur ikat ini di dalam persimpangan yang tidak mungkin dengan pendekatan itu
Menyebutkan Ashok, itulah sebabnya kami harus meningkatkan ke semacam ini seperti tumpang tindih seperti segmentasi ini hanya akan menjadi haywire tetapi bahkan jika Anda berusaha sangat keras
Anda tahu meletakkannya di lapisan terpisah itu hanya masalah yang sangat sulit apa bahasa yang hanya menawarkan kerangka kerja yang sangat bagus untuk mendapatkan a
Sampel dari posterior yang bertentangan dengan Anda yang tahu mencoba melakukan semua ini di pasca pemrosesan
Tapi ini sebenarnya tidak berhenti hanya untuk autopilot benar John Ini dapat digunakan untuk optimus lagi Anda tahu saya kira mereka tidak akan
Disebut jalur tetapi Anda bisa membayangkan Anda tahu semacam ini dalam hal ini Anda tahu di sini bahwa Anda mungkin memiliki semacam jalan yang Anda tahu menyandikan kemungkinan
Tempat orang bisa berjalan ya pada dasarnya jika Anda berada di pabrik atau di pengaturan rumah Anda
Anda bisa bertanya robotnya oke izinkan saya berbicara dengan dapur atau mohon rute ke beberapa lokasi di pabrik
Dan kemudian kami memprediksi satu set jalur yang akan Anda ketahui melalui lorong -lorong mengambil robot dan mengatakan ini oke ini
adalah bagaimana Anda sampai ke dapur itu hanya benar -benar memberi kami kerangka kerja yang bagus untuk memodelkan jalur yang berbeda ini yang menyederhanakan masalah navigasi atau
Perencana hilir baik -baik saja jadi pada akhirnya dari apa yang kita dapatkan
Jaringan deteksi jalur ini adalah seperangkat jalur dalam konektivitas mereka yang datang langsung dari jaringan
Tidak ada langkah tambahan di sini untuk menyederhanakan ini, Anda tahu prediksi padat menjadi yang tidak ada
Ini hanyalah output jaringan langsung yang tidak disusun
oke jadi saya berbicara sedikit tentang jalur saya akan secara singkat menyentuh bagaimana kami memodelkan dan memprediksi jalur masa depan
semantik lainnya pada objek jadi saya hanya akan pergi dengan sangat cepat melalui dua contoh video di
Di sini kita punya mobil yang benar -benar menjalankan lampu merah dan berbelok di depan kita apa yang kita lakukan untuk ditangani
Situasi seperti ini adalah kami memprediksi serangkaian lintasan masa depan horizon singkat pada semua objek yang dapat kami gunakan
ini untuk mengantisipasi situasi berbahaya di sini dan menerapkan apa pun yang Anda ketahui diperlukan tindakan pengereman dan kemudi untuk menghindari tabrakan
Di video di sebelah kanan ada dua kendaraan di depan kami yang di jalur kiri diparkir rupanya
Dibongkar dimuat, saya tidak tahu mengapa pengemudi memutuskan untuk parkir di sana tetapi yang penting adalah bahwa jaringan saraf kami memperkirakan bahwa itu dihentikan
yang merupakan warna merah di sana um kendaraan di jalur lain seperti yang Anda perhatikan juga stasioner tapi itu
jelas hanya menunggu lampu merah itu berubah menjadi hijau sehingga meskipun kedua objek stasioner dan memiliki kecepatan nol itu adalah semantik
sangat penting di sini sehingga kita tidak terjebak di belakang mobil yang diparkir dengan canggung itu
Memprediksi semua atribut agen ini menghadirkan beberapa masalah praktis ketika mencoba membangun sistem real-time
Kita perlu memaksimalkan laju bingkai tumpukan bagian objek kita sehingga autopilot dapat dengan cepat bereaksi terhadap lingkungan yang berubah
Setiap milidetik benar -benar penting di sini untuk meminimalkan latensi inferensi, jaringan saraf kita dibagi menjadi dua fase
Pada fase pertama kami mengidentifikasi lokasi di ruang 3D di mana agen ada
Pada tahap kedua kami kemudian mengeluarkan tensor di lokasi 3D tersebut menambahkannya dengan data tambahan yang ada di
kendaraan dan kemudian kami tahu melakukan sisa pemrosesan langkah spesifikasi ini memungkinkan
Jaringan saraf untuk fokus menghitung pada bidang yang paling penting yang memberi kita kinerja yang lebih unggul untuk sebagian kecil dari biaya latensi
Jadi menyatukan semuanya, Autopilot Vision Stack memprediksi lebih dari sekadar geometri dan kinematika
dunia ini juga memprediksi satu set semantik yang kaya yang memungkinkan mengemudi yang aman dan seperti manusia
Saya tidak akan menyerahkan segalanya ke jalan, kami akan memberi tahu kami bagaimana kami menjalankan semua jaringan saraf keren ini di komputer FSD kami, terima kasih
[Tepuk tangan]
hai semuanya, saya SRI hari ini saya akan melihat apa yang diperlukan untuk menjalankan jaringan FSC ini di
mobil dan bagaimana kita mengoptimalkan latensi inferensi hari ini saya akan fokus hanya pada
Jaringan jalur FSG yang baru saja dibicarakan John
Jadi ketika Anda memulai trek ini, kami ingin tahu apakah kami dapat menjalankan jaringan jalur FSC ini secara asli di mesin perjalanan
yang merupakan akselerator jaringan saraf in-house kami yang kami bangun di komputer FSD
Saat kami membangun perangkat keras ini, kami membuatnya sederhana dan kami memastikan itu bisa melakukannya
hal produk titik padat yang sangat cepat tetapi arsitektur ini otomatis
Regresif dan berulang di mana ia mengoceh melalui blok perhatian berganda di loop dalam
Memproduksi poin jarang langsung di setiap langkah sehingga tantangan di sini adalah caranya
dapatkah kita melakukan prediksi titik parse ini dan perhitungan jarang pada mesin produk titik padat mari kita lihat bagaimana kita melakukan ini
di perjalanan sehingga jaringan memprediksi peta panas
Lokasi spasial yang paling mungkin dari titik sekarang kami melakukan busur max dan satu
Operasi jantung yang memberikan satu pengkodean keras dari indeks lokasi spasial
Sekarang kita perlu memilih embedding yang terkait dengan indeks ini dari tabel embedding yang dipelajari selama
Pelatihan untuk melakukan ini dalam perjalanan kami benar -benar membangun meja pencarian di SRAM dan kami merekayasa
Dimensi penyematan ini sedemikian rupa sehingga kita dapat mencapai semua hal ini hanya dengan multiplikasi matriks
Bukan hanya bahwa kami juga ingin menyimpan embedding ini ke dalam cache token jadi
Bahwa kami tidak mengkomputasi ini untuk setiap iterasi melainkan menggunakannya kembali untuk prediksi titik di masa depan lagi kami menarik beberapa
trik di sini di mana kami melakukan semua operasi ini hanya pada mesin produk titik itu sebenarnya keren bahwa tim kami
menemukan cara kreatif untuk memetakan semua operasi ini pada mesin perjalanan dengan cara
yang bahkan tidak dibayangkan kapan perangkat keras ini dirancang tetapi itu bukan satu -satunya hal yang harus kita lakukan
lakukan untuk membuat pekerjaan ini kami benar -benar menerapkan banyak operasi dan fitur untuk membuat model ini
dapat dikompilasi untuk meningkatkan akurasi asupan serta mengoptimalkan kinerja
Semua hal ini membantu kami menjalankan model parameter 75 juta di bawah 10
Latensi milidetik hanya mengkonsumsi 8 watt daya
Tapi ini bukan satu -satunya arsitektur yang berjalan di dalam mobil ada begitu banyak modul dan jaringan arsitektur lainnya
kita perlu berlari di dalam mobil untuk memberikan rasa skala ada sekitar satu miliar parameter dari semua jaringan
Gabungan menghasilkan sekitar 1000 sinyal jaringan saraf sehingga kami perlu memastikan
Kami mengoptimalkannya bersama dan sedemikian rupa sehingga kami memaksimalkan komputasi
Throughput pemanfaatan dan meminimalkan latensi sehingga kami membangun kompiler hanya untuk saraf
Jaringan yang berbagi struktur ke kompiler tradisional seperti yang Anda lihat itu membutuhkan masif
Grafik jaring saraf dengan 150k node dan koneksi 375k mengambil benda ini
partisi mereka ke dalam subgraph independen dan com memaksa masing -masing
Subgraph secara asli untuk perangkat inferensi maka kami memiliki jaringan saraf
Linker yang membagikan struktur ke penghubung tradisional di mana kami melakukan optimasi waktu tautan ini
Di sana kami memecahkan masalah optimisasi offline dengan dengan memori dan memori komputasi
Batasan bandwidth sehingga dilengkapi dengan jadwal yang dioptimalkan yang dieksekusi di dalam mobil
Pada runtime kami merancang sistem penjadwalan hybrid yang pada dasarnya
Penjadwalan heterogen pada satu SOC dan penjadwalan terdistribusi di kedua SOC untuk menjalankan jaringan ini dalam suatu model
fashion paralel untuk mendapatkan 100 tetes pemanfaatan komputasi yang kita butuhkan untuk mengoptimalkan semua
lapisan perangkat lunak langsung dari menyetel arsitektur jaringan kompiler semua
Cara untuk mengimplementasikan tautan RDMA bandwidth tinggi latensi tinggi di kedua SRC dan bahkan lebih dalam
Memahami dan mengoptimalkan jalur data cache yang koheren dan tidak koheren dari akselerator di SOC ini banyak
optimasi di setiap level untuk memastikan kami mendapatkan frame rate tertinggi dan karena setiap milidetik dihitung
Di sini dan inilah ini hanya ini
visualisasi jaringan saraf yang berjalan di dalam mobil ini adalah otak digital kami pada dasarnya seperti yang Anda lihat
Operasi ini tidak lain adalah hanya konvolusi multiplikasi matriks untuk menyebutkan beberapa operasi nyata yang berjalan di dalam mobil
Untuk melatih atau melatih jaringan ini dengan satu miliar parameter, Anda membutuhkan banyak data berlabel sehingga Aegon akan berbicara
tentang bagaimana kita mencapai ini dengan pipa pelabelan otomatis
terima kasih eh terima kasih sherry
eh hai semuanya, saya jurgen zhang dan saya memimpin visi geometris di autopilot
Jadi ya mari kita bicara tentang label otomatis
Jadi kami memiliki beberapa jenis kerangka kerja pelabelan untuk mendukung berbagai jenis jaringan tetapi hari ini saya ingin
Fokus pada jaring jalur yang luar biasa di sini sehingga untuk berhasil melatih dan menggeneralisasi
Jaringan ini ke mana pun kami pikir kami pergi puluhan juta perjalanan
mungkin satu juta persimpangan atau bahkan lebih
Lalu bagaimana melakukannya sehingga tentu saja dapat dicapai untuk sumber yang cukup
Jumlah perjalanan karena kami sudah memiliki seperti yang dijelaskan Tim sebelumnya kami sudah memiliki 500.000 perjalanan per hari tarif tarif
Um namun mengubah semua data itu menjadi formulir pelatihan adalah masalah teknis yang sangat menantang
Untuk menyelesaikan tantangan ini, kami mencoba berbagai cara label manual dan otomatis dari
Kolom pertama ke yang kedua dari yang kedua ke ketiga setiap kemajuan memberi kami hampir 100x peningkatan
throughput tetapi masih eh kami memenangkan mesin pelabelan otomatis yang lebih baik yang dapat menyediakan
Memberikan keanekaragaman dan skalabilitas yang berkualitas baik
Untuk memenuhi semua persyaratan ini meskipun sejumlah besar upaya rekayasa yang diperlukan di sini kami telah mengembangkan a
Mesin pelabelan pesanan baru ditenagai oleh rekonstruksi multi-trib sehingga dapat menggantikan 5 juta jam
Pelabelan manual dengan hanya 12 jam di cluster untuk memberi label 10.000 perjalanan
Jadi bagaimana kami memecahkan ada tiga langkah besar Langkah pertama adalah lintasan presisi tinggi dan pemulihan struktur
Odometri inersia visual multi-kamera jadi di sini semua fitur termasuk permukaan tanah disimpulkan dari video
oleh jaringan saraf kemudian dilacak dan direkonstruksi di ruang vektor
Jadi laju drift khas dari lintasan ini dalam mobil seperti 1,3 sentimeter
per meter dan 0,45 milli radian per meter yang cukup baik mengingat komputasi kompaknya
persyaratan daripada layanan pemulihan dan detail mentah juga digunakan sebagai yang kuat
Bimbingan untuk langkah verifikasi manual selanjutnya ini juga diaktifkan di setiap FSD
kendaraan jadi kami mendapatkan lintasan dan struktur yang telah diproses bersama dengan data perjalanan
Langkah kedua adalah rekonstruksi multi-2 yang merupakan bagian besar dan inti dari mesin ini
Jadi video menunjukkan bagaimana perjalanan yang ditampilkan sebelumnya direkonstruksi dan diselaraskan
Dengan perjalanan lain pada dasarnya perjalanan lain dari orang yang berbeda, bukan kendaraan yang sama sehingga ini dilakukan dengan banyak
Langkah -langkah internet seperti penyelarasan kursus mencocokkan optimasi sambungan kemudian kemudian penyempurnaan permukaan lebih lanjut
Pada akhirnya analis manusia masuk dan menyelesaikan label
Jadi setiap langkah bahagia sudah sepenuhnya diparalelkan pada cluster sehingga
Seluruh proses biasanya hanya membutuhkan beberapa jam
Langkah terakhir sebenarnya adalah label mobil baru
Di sini kami menggunakan mesin penyelarasan multi-trip yang sama tetapi hanya antara rekonstruksi yang telah dibangun dan masing-masing baru
perjalanan jadi jauh lebih sederhana daripada sepenuhnya merekonstruksi semua klip sama sekali
Itulah mengapa hanya membutuhkan waktu 30 menit per perjalanan ke label lain alih -alih manual
Beberapa jam pelabelan manual dan ini juga merupakan kunci skalabilitas
mesin ini mesin ini dengan mudah berskala selama kita
memiliki data komputasi dan perjalanan yang tersedia sehingga sekitar 50 pohon baru dipesan
Diberi label dari adegan ini dan beberapa di antaranya ditampilkan di sini jadi dari berbagai kendaraan
Jadi inilah cara kita menangkap dan mengubah irisan ruang-waktu di dunia menjadi
pengawasan jaringan ya satu hal yang ingin saya perhatikan adalah bahwa sekali lagi hanya berbicara tentang bagaimana kami otomatis
memberi label jalur kami tetapi kami memiliki buruh mobil untuk hampir setiap tugas yang kami lakukan termasuk perencana kami dan banyak
Ini sepenuhnya otomatis seperti tidak ada manusia yang terlibat misalnya untuk objek atau kinematika lainnya membentuk mereka
Futures semuanya hanya berasal dari pelabelan otomatis dan hal yang sama juga berlaku untuk hunian dan kami benar -benar adil
membangun mesin di sekitar ini ya jadi jika Anda bisa kembali satu slide tidak lagi
dikatakan paraleli di cluster sehingga kedengarannya sangat mudah tapi
Benar -benar bukan um mungkin itu menyenangkan untuk membagikan bagaimana hal seperti ini terjadi um jadi beberapa waktu yang lalu kami tidak memilikinya
Pelabelan otomatis sama sekali dan kemudian seseorang membuat skrip itu mulai bekerja itu mulai bekerja lebih baik sampai kita mencapai a
volume yang cukup tinggi dan kami jelas membutuhkan solusi dan jadi ada dua insinyur lain
Tim kami yang seperti Anda tahu itu menarik, Anda tahu apa yang perlu kami lakukan adalah membangun seluruh grafik
Pada dasarnya fungsi Python yang perlu kami jalankan satu demi satu pertama kali Anda menarik klip kemudian Anda melakukan pembersihan kemudian Anda melakukannya
beberapa inferensi jaringan kemudian inferensi jaringan lain sampai Anda akhirnya mendapatkan ini tetapi jadi Anda perlu melakukan ini sebagai a
skala besar jadi saya jadi saya memberi tahu mereka bahwa kami mungkin perlu memotret untuk Anda tahu 100.000 klip per hari atau seperti 100.000 item
Tampaknya UM bagus dan para insinyur berkata baik kami bisa Anda tahu sedikit postgres dan sedikit
Grease siku kita bisa melakukannya sementara itu kita sedikit kemudian dan kita melakukan 20
Juta fungsi -fungsi ini setiap hari lagi kami menarik sekitar setengah juta
klip dan pada mereka yang kami menjalankan satu ton fungsi masing -masing dengan cara streaming dan itu semacam bagian belakang
Akhir infra yang juga diperlukan untuk tidak hanya menjalankan pelatihan tetapi juga label otomatis ya itu benar -benar seperti pabrik itu
menghasilkan label dan menyukai jalur produksi menghasilkan kualitas inventaris seperti semua konsep yang sama diterapkan pada ini
label pabrik yang berlaku untuk Anda tahu pabrik untuk mobil kami yang benar
oke uh terima kasih eh jadi ya jadi kesimpulan
Bagian ini eh saya ingin berbagi beberapa contoh yang lebih menantang dan menarik untuk jaringan dan bahkan
Untuk manusia mungkin eh jadi dari atas ada contoh seperti karena kekurangan case atau foggy night atau bundaran
dan oklusi dengan oklusi berat dengan mobil yang diparkir dan bahkan malam hujan dengan tetesan hujan di lensa kamera eh
Ini menantang tetapi begitu adegan aslinya direkonstruksi sepenuhnya oleh klip lain yang mereka semua bisa
Auto berlabel sehingga kartu kami dapat mengemudi lebih baik melalui skenario yang menantang ini
Jadi sekarang izinkan saya meneruskan mikrofon ke David untuk mempelajari lebih lanjut tentang bagaimana Sim menciptakan dunia baru di atas label ini, terima kasih
Anda
Terima kasih sekali lagi nama saya David dan saya akan berbicara tentang simulasi sehingga simulasi memainkan peran penting dalam
Memberikan data yang sulit untuk sumber dan atau sulit untuk diberi label namun adegan 3D terkenal lambat
untuk menghasilkan mengambil misalnya adegan simulasi bermain di belakangku a
persimpangan kompleks dari Market Street di San Francisco akan memakan waktu dua minggu untuk
Seniman untuk diselesaikan dan bagi kami itu sangat lambat namun saya akan berbicara tentang menggunakan
Label kebenaran tanah otomatis Jaegan bersama dengan beberapa alat baru yang memungkinkan kita untuk secara prosedural menghasilkan ini
adegan dan banyak yang menyukainya hanya dalam lima menit itu luar biasa seribu kali lebih cepat dari sebelumnya
Jadi mari selami adegan kita seperti ini dibuat, kita mulai dengan menyalakan tanah otomatis
Label kebenaran ke dalam alat pencipta dunia simulasi kami di dalam perangkat lunak houdini dimulai dengan batas jalan
Label kami dapat menghasilkan mesh jalan yang solid dan merekrologi ulang dengan label grafik jalur ini membantu menginformasikan jalan yang penting
Detail seperti Crossroads Slope dan Blending Bahan Detail
Selanjutnya kita dapat menggunakan data garis dan menyapu geometri melintasi permukaannya dan memproyeksikannya ke jalan membuat cat jalur
decals selanjutnya menggunakan tepi median yang bisa kita taruh
Pulau geometri dan mengisinya dengan dedaunan acak ini secara drastis mengubah visibilitas pemandangan
Sekarang dunia luar dapat dihasilkan melalui serangkaian heuristik acak generator bangunan modular
membuat penghalang visual sementara objek yang ditempatkan secara acak seperti hidran dapat mengubah warna kurva saat
Pohon dapat menjatuhkan daun di bawahnya yang mengaburkan garis atau tepi
Selanjutnya kita dapat membawa data peta untuk menginformasikan posisi hal -hal seperti lampu lalu lintas atau tanda berhenti yang bisa kita lacak
normalnya untuk mengumpulkan informasi penting seperti jumlah jalur dan bahkan mendapatkan nama jalan yang akurat di
tanda sendiri selanjutnya menggunakan grafik jalur kita dapat menentukan konektivitas jalur dan memicu arah
Tanda jalan di jalan dan mereka menemani rambu -rambu jalan dan akhirnya dengan grafik jalur itu sendiri
dapat menentukan adjaksensi jalur dan metrik berguna lainnya untuk menelurkan permutasi lalu lintas acak simulator orang dalam
Dan sekali lagi ini semua tidak ada artis otomatis di loop dan terjadi dalam beberapa menit dan sekarang ini membuat kita harus melakukannya
Beberapa hal yang sangat keren karena semuanya didasarkan pada data dan heuristik kita bisa mulai fuzz
Parameter untuk membuat variasi visual dari kebenaran tanah tunggal bisa sama halus seperti penempatan objek dan acak
Pertukaran material ke perubahan yang lebih drastis seperti bioma yang sama sekali baru atau lokasi lingkungan seperti Urban
Suburban atau Pedesaan Ini memungkinkan kita untuk membuat permutasi yang ditargetkan tak terbatas untuk spesifik
kebenaran tanah yang kita butuhkan untuk lebih banyak kebenaran dasar dan semua ini terjadi dalam klik a
tombol dan kita bahkan dapat mengambil satu langkah lebih jauh dengan mengubah kebenaran dasar kita
sendiri mengatakan John ingin jaringannya lebih memperhatikan tanda jalan arah
Untuk lebih mendeteksi jalur belok kiri yang akan datang, kita dapat mulai mengubah grafik jalur secara prosedural di dalam
simulator untuk membantu rakyat untuk membuat aliran yang sama sekali baru melalui persimpangan ini untuk membantu
Fokuskan perhatian jaringan pada tanda jalan untuk membuat prediksi yang lebih akurat dan ini adalah contoh yang bagus tentang bagaimana ini
perkakas memungkinkan kita untuk membuat data baru yang tidak akan pernah bisa dikumpulkan dari dunia nyata
Dan kekuatan sebenarnya dari alat ini ada dalam arsitekturnya dan bagaimana kita dapat menjalankan semua tugas secara paralel hingga tak terbatas
skala jadi Anda melihat alat pencipta ubin dalam tindakan mengubah kebenaran dasar
Label ke rekan -rekan mereka berikutnya kita dapat menggunakan alat Extractor Tile kami
Untuk membagi data ini menjadi ubin geohash sekitar 150 meter persegi dalam ukuran
Kami kemudian menyimpan data itu ke dalam geometri terpisah dan file instance ini memberi kami sumber data yang mudah
memuat dan memungkinkan kami untuk membuat mesin agnostik untuk masa depan
Kemudian menggunakan alat loader ubin, kami dapat memanggil sejumlah ubin cache menggunakan ID Geohash yang sedang kami lakukan
Tentang lima dengan lima ubin atau tiga dengan tiga biasanya berpusat di sekitar hotspot armada atau grafik tanah yang menarik
Lokasi di loader ubin juga mengubah set ubin ini menjadi aset U untuk dikonsumsi
oleh mesin yang tidak nyata dan memberi Anda produk proyek jadi dari apa yang Anda lihat di slide pertama
Dan ini benar -benar mengatur kami untuk ukuran dan skala seperti yang Anda lihat di peta di belakang kami
Kami dapat dengan mudah menghasilkan sebagian besar jalanan kota San Francisco dan ini tidak memakan waktu bertahun -tahun atau bahkan berbulan -bulan bekerja tetapi
Sebaliknya dua minggu oleh satu orang kita dapat terus mengelola dan menumbuhkan semua
Data ini menggunakan jaringan PDG kami di dalam perkakas ini memungkinkan kami untuk melempar
menghitung dan meregenerasi semua set ubin ini dalam semalam ini memastikan semua lingkungan berasal dari
Kualitas dan fitur yang konsisten yang sangat penting untuk pelatihan karena ontologi dan sinyal baru terus -menerus
dirilis dan sekarang menjadi lingkaran penuh karena kami
menghasilkan semua set ubin ini dari data kebenaran tanah yang mengandung semua seluk -beluk aneh dari dunia nyata
Dan kami dapat menggabungkannya dengan variasi visual dan lalu lintas prosedural untuk membuat data yang ditargetkan tanpa batas untuk
jaringan untuk dipelajari dan itu menyimpulkan bagian sim saya akan memberikannya kepada Kate untuk berbicara tentang bagaimana kami bisa
Gunakan semua data ini untuk meningkatkan autopilot terima kasih
Terima kasih David Hai semuanya, nama saya Kate Park dan saya di sini untuk berbicara tentang mesin data yang merupakan proses yang dengannya kami
Tingkatkan jaringan saraf kami melalui data kami akan menunjukkan kepada Anda bagaimana kami menyelesaikan intervensi secara deterministik
melalui data dan memandu Anda melalui kehidupan klip khusus ini dalam skenario ini
Autopilot mendekati belokan dan secara tidak benar memprediksi bahwa melintasi kendaraan sebagai berhenti untuk lalu lintas dan dengan demikian
Kendaraan yang akan kami perlihatkan dalam kenyataan bahwa tidak ada orang di dalam mobil yang hanya diparkir dengan canggung kami telah membangun ini
perkakas untuk mengidentifikasi kesalahan prediksi memperbaiki label dan mengkategorikan ini
klip ke dalam set evaluasi klip khusus ini kebetulan salah satu dari 126
bahwa kami telah didiagnosis menantang mobil yang diparkir pada gilirannya karena ini
infra kita dapat membuat kumpulan evaluasi ini tanpa adat sumber daya teknik
untuk kasus tantangan khusus ini untuk benar -benar menyelesaikan kasus tantangan itu
Membutuhkan penambangan ribuan contoh seperti itu dan itu adalah sesuatu yang bisa dilakukan Tesla, apakah kita hanya menggunakan data kita
sumber data permintaan infra dan gunakan alat yang ditampilkan sebelumnya untuk memperbaiki
Label dengan pembedahan menargetkan kesalahan prediksi model saat ini kami hanya menambahkan yang paling berharga
Contoh untuk set pelatihan kami, kami secara pembedahan memperbaiki 13 900 klip dan uh
Karena itu adalah contoh di mana model saat ini berjuang kita bahkan tidak perlu mengubah arsitektur model a
cara sederhana pembaruan dengan data berharga baru ini sudah cukup untuk menyelesaikan tantangan sehingga Anda melihat kami tidak lagi memprediksi
kendaraan persimpangan itu berhenti seperti yang ditunjukkan pada oranye tetapi diparkir seperti yang ditunjukkan dengan warna merah
Di dunia akademis kita sering melihat bahwa orang menjaga data tetap konstan tetapi di Tesla itu
sangat sebaliknya kita melihat berkali -kali bahwa data itu adalah salah satu yang terbaik jika bukan tuas paling deterministik
Untuk memecahkan intervensi ini, kami baru saja menunjukkan kepada Anda loop mesin data
Untuk satu kasus tantangan yaitu mobil yang diparkir ini pada gilirannya tetapi ada banyak kasus tantangan bahkan untuk satu sinyal
Gerakan Kendaraan Kami menerapkan loop mesin data ini untuk setiap kasus tantangan tunggal yang telah kami mendiagnosis apakah itu bus
jalan melengkung menghentikan tempat parkir kendaraan dan kami tidak hanya menambahkan data setelah kami
Lakukan ini berulang kali untuk menyempurnakan semantik tahun ini, kami memperbarui sinyal pergerakan kendaraan kami lima kali
Dan dengan setiap pembaruan berat yang dilatih pada data baru kami mendorong akurasi pergerakan kendaraan kami ke atas dan ke atas
Kerangka Mesin Data ini berlaku untuk semua sinyal kami apakah mereka 3D
video multi-cam apakah data berlabel manusia berlabel atau disimulasikan apakah itu model offline atau
Model model online dan Tesla dapat melakukan ini pada skala karena armada
Keuntungan infra yang telah dibangun oleh tim mesin kami dan sumber daya pelabelan yang memberi makan jaringan kami
Untuk melatih semua data ini, kami membutuhkan sejumlah besar komputasi jadi saya akan menyerahkannya ke Pete dan Ganesh untuk dibicarakan
Dojo Supercomputing Platform Terima kasih [Tepuk Tangan]
Terima kasih, terima kasih Katie
Terima kasih semuanya, terima kasih telah nongkrong di sana, kami hampir di sana, nama saya Pete Bannon, saya menjalankan kebiasaan
tim silikon dan tegangan rendah di Tesla dan nama saya Ganesh Venkat saya menjalankan
Program Doji
[Tepuk tangan] Terima kasih saya sering ditanya mengapa mobil itu
perusahaan membangun komputer super untuk pelatihan dan pertanyaan ini pada dasarnya
salah paham sifat Tesla di jantungnya Tesla adalah teknologi hardcore
Perusahaan di seluruh perusahaan orang bekerja keras dalam sains dan teknik
untuk memajukan pemahaman dan metode mendasar yang kami miliki
untuk membangun robot solusi energi mobil dan hal lain sehingga dapat kita lakukan
meningkatkan kondisi manusia di seluruh dunia, ini adalah hal yang sangat menarik untuk menjadi bagian dari dan merupakan hak istimewa untuk menjalankan yang sangat
Sepotong kecil di grup semikonduktor malam ini kita akan berbicara sedikit tentang dojo dan memberi Anda sebuah
Perbarui tentang apa yang dapat kami lakukan selama setahun terakhir tetapi sebelum kami melakukannya saya ingin memberikan sedikit
Latar belakang desain awal yang kami mulai beberapa tahun yang lalu ketika kami memulai tujuannya adalah untuk memberikan a
peningkatan substansial untuk latensi pelatihan untuk tim autopilot kami beberapa
Jaringan saraf terbesar yang mereka latih hari ini berjalan selama lebih dari sebulan yang menghambat kemampuan mereka untuk dengan cepat
Jelajahi alternatif dan evaluasinya sehingga Anda tahu kecepatan 30x akan
sangat bagus jika kita bisa memberikannya dengan cara kompetitif dan kompetitif energi
Untuk melakukan itu, kami ingin membuat chip dengan banyak aritmatika aritmatika
unit yang bisa kami manfaatkan dengan efisiensi yang sangat tinggi dan kami menghabiskan banyak waktu untuk mempelajari apakah kami bisa melakukannya
menggunakan DRM berbagai ide pengemasan yang semuanya gagal dan pada akhirnya meskipun
Rasanya seperti tindakan yang tidak wajar, kami memutuskan untuk menolak drama sebagai media penyimpanan utama untuk sistem ini dan sebagai gantinya fokus
Di SRAM yang tertanam dalam chip Sram sayangnya memberikan yang sederhana
Jumlah kapasitas tetapi bandwidth yang sangat tinggi dan latensi yang sangat rendah dan itu memungkinkan kita untuk mencapai pemanfaatan tinggi
dengan unit aritmatika pilihan itu
pilihan khusus itu menyebabkan sejumlah besar pilihan lain misalnya jika Anda ingin memiliki memori virtual yang Anda butuhkan
Tabel Halaman Mereka mengambil banyak ruang kami tidak memiliki ruang sehingga tidak ada memori virtual kami juga tidak memiliki interupsi
Accelerator adalah perangkat keras yang disajikan oleh ikatan yang disajikan kepada kompiler
di kompiler bertanggung jawab untuk menjadwalkan semua yang terjadi dengan cara terministik sehingga tidak perlu atau
Bahkan keinginan untuk mengganggu dalam sistem yang juga kami pilih untuk mengejar model
paralelisme sebagai metodologi pelatihan yang bukan situasi khas
Sebagian besar mesin saat ini menggunakan paralelisme data yang mengkonsumsi kapasitas memori tambahan yang jelas tidak kami miliki
Jadi semua pilihan itu membuat kami membangun mesin yang cukup radikal
Berbeda dari apa yang tersedia hari ini kami juga memiliki sejumlah besar tujuan lain yang paling penting adalah tidak
batas jadi kami ingin membangun kain komputasi yang akan skala dengan cara yang tidak terbatas untuk sebagian besar maksud saya jelas
ada batas fisik sekarang dan kemudian tetapi Anda tahu cukup banyak jika model Anda
Terlalu besar untuk komputer Anda baru saja harus membeli komputer yang lebih besar itulah yang kami cari hari ini
Mesin dikemas ada rasio yang cukup tetap misalnya GPU CPU dan
dan kapasitas DRAM dan kapasitas jaringan dan kami benar -benar ingin memisahkan semua itu sehingga ketika model berkembang kami bisa
bervariasi rasio berbagai elemen dan membuat sistem lebih fleksibel untuk memenuhi kebutuhan
Tim autopilot ya dan itu sangat benar dengan filosofi seperti tidak ada batasan adalah bintang penuntun kami
Sepanjang jalan semua pilihan kami berpusat di sekitar itu dan dan ke
Poin bahwa kami tidak ingin infrastruktur pusat data tradisional membatasi kami
kapasitas untuk menjalankan program ini dengan kecepatan
Itu sebabnya maaf tentang itu sebabnya kami terintegrasi
Secara vertikal pusat data kami seluruh pusat data dengan melakukan vertikal
integrasi pusat data kami dapat mengekstraksi tingkat efisiensi baru yang dapat kami mengoptimalkan daya
pendinginan pengiriman dan juga manajemen sistem
seluruh tumpukan pusat data daripada melakukan kotak demi kotak dan mengintegrasikannya
Kotak -kotak itu ke pusat data dan melakukan ini kami juga ingin
mengintegrasikan lebih awal untuk mengetahui batasan skala eh untuk kami
beban kerja perangkat lunak jadi kami mengintegrasikan lingkungan dojo ke dalam perangkat lunak autopilot kami sangat awal dan kami belajar banyak
pelajaran dan hari ini eh bill chang akan membahas pembaruan perangkat keras kami serta beberapa
dari tantangan yang kami hadapi di sepanjang jalan dan Rajiv Kurian akan memberi Anda a
Sekilas tentang teknologi kompiler kami serta membahas beberapa hasil keren kami
Di sana kamu pergi
Terima kasih Pete Terima kasih Ganesh um Saya akan mulai malam ini dengan level tinggi
visi sistem kita yang akan membantu mengatur panggung untuk tantangan dan masalah kita
memecahkan dan kemudian juga bagaimana perangkat lunak kemudian akan memanfaatkan ini untuk kinerja
Sekarang visi kami untuk dojo adalah membangun satu terpadu percepatan yang sangat besar
Satu perangkat lunak akan melihat bidang komputasi yang mulus dengan yang dapat diatasi secara global
memori yang sangat cepat dan semuanya terhubung bersama dengan bandwidth tinggi yang seragam dan
latensi rendah sekarang untuk menyadari hal ini kita perlu kita gunakan
kepadatan untuk mencapai kinerja sekarang kami memanfaatkan teknologi untuk mendapatkan kepadatan ini untuk memecahkan level
Hirarki jauh dari chip ke sistem skala keluar
sekarang teknologi silikon telah menggunakan ini telah melakukan ini selama beberapa dekade chip
mengikuti hukum Moore untuk kepadatan dan integrasi untuk mendapatkan penskalaan kinerja
Sekarang langkah kunci dalam mewujudkan bahwa visi adalah ubin pelatihan kami tidak hanya kami dapat mengintegrasikan 25 mati di
bandwidth yang sangat tinggi tetapi kami dapat menskalakannya ke sejumlah ubin tambahan dengan hanya menghubungkannya bersama
Sekarang tahun lalu kami memamerkan ubin pelatihan fungsional pertama kami dan pada saat itu kami sudah menjalankan beban kerja
itu dan sejak itu tim di sini telah bekerja keras dan rajin untuk digunakan
Ini dalam skala sekarang kami telah membuat kemajuan yang luar biasa dan memiliki banyak tonggak sejarah di sepanjang jalan dan
Tentu saja kami memiliki banyak tantangan yang tidak terduga tetapi di sinilah kegagalan kami dengan cepat
Filsafat telah memungkinkan kami untuk mendorong batasan kami
Sekarang mendorong kepadatan untuk kinerja menghadirkan semua tantangan baru satu area adalah pengiriman daya
Di sini kita perlu memberikan kekuatan ke compute dadu kita dan ini berdampak langsung
Kinerja komputasi baris teratas kami tetapi kami perlu melakukan ini dengan kepadatan yang belum pernah terjadi sebelumnya, kami harus dapat mencocokkan kami
Die pitch dengan kepadatan daya hampir satu amp per milimeter kuadrat
Dan karena integrasi yang ekstrem, ini harus berupa vertikal multi-tier
solusi kekuatan dan karena ada tumpukan bahan heterogen yang kompleks
kita harus dengan cermat mengelola transisi materi terutama CTE
Sekarang mengapa koefisien materi ekspansi termal dalam hal ini CTE adalah properti material mendasar
dan jika tidak dikelola dengan cermat, tumpukan akan benar -benar merobek dirinya sendiri
Jadi kami memulai upaya ini dengan bekerja dengan vendor untuk mengirimkannya untuk mengembangkan ini
solusi kekuatan tetapi kami menyadari bahwa kami benar-benar harus mengembangkan in-house ini
Sekarang untuk menyeimbangkan jadwal dan risiko kami membangun iterasi cepat untuk mendukung
Baik sistem kami memunculkan dan pengembangan perangkat lunak dan juga untuk menemukan desain yang optimal dan
Tumpukan yang akan memenuhi tujuan produksi akhir kami dan pada akhirnya kami dapat mengurangi CTE lebih dari 50 persen
dan memenuhi kinerja kami dengan 3x melalui versi awal kami
sekarang tidak perlu dikatakan menemukan tumpukan materi yang optimal ini saat memaksimalkan
kinerja pada kepadatan sangat sulit
Sekarang kami memang memiliki tantangan yang tidak terduga di sepanjang jalan, inilah contoh di mana kami mendorong
batas integrasi yang menyebabkan kegagalan komponen
Ini dimulai ketika kami meningkatkan beban kerja yang lebih besar dan lebih lama dan kemudian antara satu intermediate
Situs di ubin akan gagal sekarang mereka mulai sebagai kegagalan yang dapat dipulihkan tetapi saat kami mendorong banyak
kekuatan yang lebih tinggi dan lebih tinggi ini akan menjadi kegagalan permanen
Sekarang untuk memahami kegagalan ini, Anda harus memahami mengapa dan bagaimana kami membangun kami
modul daya pemecahan kepadatan di setiap level adalah IS
adalah landasan untuk benar -benar mencapai kinerja sistem kami sekarang karena bidang x y kami digunakan untuk
Komunikasi bandwidth tinggi segalanya harus ditumpuk secara vertikal
Ini berarti semua komponen lain selain die kita harus diintegrasikan ke dalam modul daya kita
sekarang itu termasuk jam kami dan catu daya kami dan juga pengontrol sistem kami
Sekarang dalam hal ini kegagalan itu karena kehilangan output jam dari osilator kami
Dan setelah debug yang luas, kami menemukan bahwa akar penyebabnya adalah karena getaran pada modul dari
Efek piezoelektrik kapasitor terdekat kami
Sekarang topi bernyanyi bukanlah fenomena baru dan pada kenyataannya sangat umum dalam desain daya
Tapi biasanya chip jam ditempatkan di area papan yang sangat tenang dan sering
tidak terpengaruh oleh sirkuit daya tetapi karena kami perlu mencapai tingkat integrasi ini yang dibutuhkan osilator ini
ditempatkan di dekat yang sangat dekat sekarang karena frekuensi switching kami dan
Kemudian resonansi getaran yang dibuatnya menyebabkan getaran bidang otomatis pada MEMS kami
osilator yang menyebabkannya sekarang menjadi solusi untuk masalah ini adalah a
pendekatan multi-cabang kita dapat mengurangi getaran dengan menggunakan tutup terminal lunak
Kami dapat memperbarui bagian MEMS kami dengan faktor Q yang lebih rendah untuk arah bidang luar
Dan kami juga dapat memperbarui frekuensi frekuensi switching kami untuk mendorong resonansi lebih jauh dari ini
pita sensitif sekarang tambahan untuk kepadatan eh at at
Tingkat sistem yang telah kami buat banyak kemajuan di tingkat infrastruktur
Kami tahu bahwa kami harus memeriksa kembali setiap aspek infrastruktur pusat data
Untuk mendukung kekuatan dan kepadatan pendinginan kami yang belum pernah terjadi sebelumnya
Kami membawa CDU yang dirancang khusus untuk mendukung pendinginan padat Dojo
Persyaratan dan bagian yang luar biasa adalah kami dapat melakukan ini dengan sebagian kecil dari biaya versus membeli dari rak dan
memodifikasinya dan karena kabinet dojo kami mengintegrasikan daya dan pendinginan yang cukup untuk mencocokkan
Seluruh baris standar rak itu kita perlu merancang kabinet kita dengan cermat
infrastruktur bersama dan kami sudah melalui beberapa iterasi kabinet ini untuk mengoptimalkan
Ini dan sebelumnya pada tahun ini kami mulai memuat pengujian daya dan pendinginan kami
infrastruktur dan kami dapat mendorongnya lebih dari dua megawatt sebelum kami tersandung gardu dan mendapat telepon dari
kota ya sekarang tahun lalu kami hanya memperkenalkan a
beberapa komponen sistem kami, kustom D1 die dan ubin pelatihan tetapi
Kami menggoda pod keluar sebagai tujuan akhir kami, kami akan berjalan melalui bagian -bagian yang tersisa dari sistem kami yang diperlukan untuk membangun
di luar pod keluar ini sekarang baki sistem adalah bagian penting dari
Menyadari visi kami tentang akselerator tunggal itu memungkinkan kami untuk dengan mulus dengan mulus
Hubungkan ubin bersama tidak hanya di dalam kabinet tetapi di antara kabinet
kita dapat menghubungkan ubin ini dengan jarak yang sangat ketat di seluruh akselerator
Dan inilah cara kami mencapai komunikasi seragam kami, ini adalah bar bus laminasi yang memungkinkan
kami untuk mengintegrasikan dukungan mekanik dan termal yang sangat tinggi dalam integrasi yang sangat padat
Tingginya 75 milimeter dan dan mendukung enam ubin dengan 135 kilogram
Ini setara dengan tiga hingga empat rak berkinerja tinggi yang terisi penuh
Selanjutnya kita perlu memberi makan data ke ubin pelatihan di sinilah kita telah mengembangkan prosesor antarmuka dojo
Ini menyediakan sistem kami dengan drama bandwidth tinggi untuk menggelar data pelatihan kami
Dan itu memberikan bandwidth memori penuh untuk ubin pelatihan kami menggunakan TTP kebiasaan kami
protokol yang dapat kita gunakan untuk berkomunikasi di seluruh akselerator kita juga memiliki Ethernet berkecepatan tinggi itu
Membantu kami memperluas protokol khusus ini di atas Ethernet standar dan kami memberikan dukungan perangkat keras asli
untuk ini dengan sedikit atau tanpa perangkat lunak overhead dan terakhir kita dapat terhubung menghubungkannya
Melalui antarmuka PCIe Gen 4 standar
Sekarang kami memasangkan 20 kartu ini per baki dan itu memberi kami 640 gigabyte tinggi
Bandwidth Dram dan ini memberikan lapisan memori kami yang terpilah untuk ubin pelatihan kami
Kartu -kartu ini adalah jalur konsumsi bandwidth tinggi baik melalui PCIe dan Ethernet
Mereka juga menyediakan jalur konektivitas Zatex Z yang tinggi yang memungkinkan jalan pintas melintasi dojo besar kami
akselerator sekarang kami benar -benar mengintegrasikan host
langsung di bawah baki sistem kami host ini memberikan pemrosesan konsumsi dan terhubung ke antarmuka kami
prosesor melalui pcie host ini dapat menyediakan video perangkat keras
Dukungan dekoder untuk pelatihan berbasis video dan aplikasi pengguna kami mendarat di sini
host yang kami lakukan sehingga kami dapat memberi mereka lingkungan X86 Linux standar
Sekarang kita dapat memasukkan dua rakitan ini ke dalam satu kabinet dan memasangkannya dengan catu daya yang berlebihan yang mengarahkan
Konversi Daya AC Tiga Fase 480 Volt ke Daya DC 52 Volt
Sekarang dengan berfokus pada kepadatan di setiap tingkat kita dapat mewujudkan visi satu
akselerator sekarang dimulai dengan node seragam pada d1 kustom kami die
Kami dapat menghubungkannya bersama di ubin pelatihan kami yang sepenuhnya terintegrasi dan akhirnya terhubung dengan mulus
mereka melintasi batas kabinet untuk membentuk akselerator dojo kami
Dan bersama -sama kita dapat menampung dua akselerator penuh di pod keluar kita untuk a
Gabungan satu exaflop dari ML compute sekarang semuanya dapat sama sekali bisa jumlah ini
Teknologi dan integrasi hanya pernah dilakukan beberapa kali di
Sejarah komputasi selanjutnya kita akan melihat bagaimana perangkat lunak dapat memanfaatkan ini untuk mempercepat kinerja mereka
[Tepuk tangan]
terima kasih tagihan nama saya rajiv dan saya akan berbicara beberapa nomor jadi tumpukan perangkat lunak kami dimulai dengan pi
ekstensi obor yang berbicara tentang komitmen kami pada satu model pytorch standar di luar kotak
Kami akan berbicara lebih banyak tentang kompiler JIT kami dan jalur pipa yang memberi makan perangkat keras dengan data
Pertunjukan Abstrak Tops Times Pemanfaatan Waktu Penghunian Akselerator
Kami telah melihat bagaimana perangkat keras memberikan kinerja puncak adalah pekerjaan kompiler untuk mengekstraksi pemanfaatan dari
Perangkat keras saat kode berjalan di atasnya dan itu adalah tugas pipa engest untuk memastikan bahwa data dapat dibelanjakan
di throughput cukup tinggi untuk perangkat keras agar tidak kelaparan jadi mari kita bicarakan mengapa komunikasi
Model terikat sulit untuk skala tetapi sebelum itu mari kita lihat mengapa resnet 50 seperti model lebih mudah untuk skala Anda
Mulailah dengan akselerator tunggal menjalankan umpan ke depan dan ke belakang diikuti oleh pengoptimal
daripada skala ini, Anda menjalankan beberapa salinan ini pada beberapa akselerator dan saat gradien diproduksi oleh
Pass mundur memang perlu dikurangi dan ini memperkenalkan beberapa komunikasi ini dapat dilakukan pipa dengan
Lewat Mundur Skaling Pengaturan ini hampir cukup baik
secara linear untuk model dengan aktivasi yang jauh lebih besar
kami mengalami masalah segera setelah kami ingin menjalankan forward pass ukuran batch yang cocok dalam satu
Accelerator seringkali lebih kecil dari permukaan norma batch sehingga untuk berkeliling para peneliti ini biasanya menjalankan pengaturan ini pada banyak
akselerator dalam mode norma batch sinkronisasi ini memperkenalkan komunikasi terikat latensi ke jalur kritis
lulus ke depan dan kami sudah memiliki hambatan komunikasi dan sementara ada cara untuk berkeliling
Ini biasanya mereka melibatkan pekerjaan manual yang membosankan yang paling cocok untuk kompiler dan pada akhirnya tidak ada yang meluncur
Sekitar fakta bahwa jika negara Anda tidak muat dalam akselerator tunggal Anda dapat mengikat komunikasi
Dan bahkan dengan upaya signifikan dari insinyur ML kami, kami melihat model seperti itu tidak skala linier
Sistem dojo dibangun untuk membuat model seperti itu bekerja pada pemanfaatan tinggi
Integrasi kepadatan dibangun untuk tidak hanya mempercepat bagian terikat komputasi dari suatu model tetapi juga latensi
bagian terikat seperti norma batch atau porsi terikat bandwidth seperti gradien
semua dikurangi atau parameter semua mengumpulkan sepotong jala dojo dapat diukir
Keluar untuk menjalankan model apa pun yang harus dilakukan oleh satu -satunya yang perlu dilakukan pengguna adalah membuat irisan yang cukup besar agar sesuai dengan
Permukaan kamar mandi untuk model khusus mereka setelah itu partisi muncul dengan sendirinya
Sebagai satu akselerator besar yang membebaskan pengguna dari harus khawatir tentang detail eksekusi internal
dan sebagai pekerjaan kompiler untuk mempertahankan abstraksi ini sinkronisasi primitif
Latensi rendah yang seragam memudahkan untuk mempercepat semua bentuk paralelisme melintasi batasan batas integrasi tensor
biasanya toko tersebar di SRAM dan direplikasi tepat pada waktunya untuk eksekusi lapisan kami bergantung pada dojo tinggi
bandwidth untuk menyembunyikan replikasi replikasi tensor waktu ini dan transfer data lainnya tumpang tindih dengan komputasi
dan kompiler juga dapat menghitung ulang lapisan saat menguntungkan untuk melakukannya
Kami berharap sebagian besar model bekerja di luar kotak sebagai contoh kami mengambil model difusi stabil yang baru dirilis dan dapatkan
itu berjalan di dojo dalam beberapa menit di luar kotak Kampala dapat memetakannya dengan cara paralel model pada 25 dojo mati
Berikut beberapa gambar truk cyber di Mars yang dihasilkan oleh difusi stabil yang berjalan di dojo
terlihat [tepuk tangan]
Sepertinya masih memiliki beberapa cara untuk pergi sebelum mencocokkan tim studio desain Tesla
Jadi kita telah berbicara tentang bagaimana kemacetan komunikasi dapat menghambat skalabilitas mungkin uji asam kompiler dan
Perangkat keras yang mendasarinya sedang menjalankan lapisan bentuk silang seperti yang disebutkan sebelum ini bisa menjadi hambatan serial
Fase komunikasi seorang bujangan dimulai dengan node yang menghitung rata -rata lokal dan standar deviasi
berkoordinasi untuk mengurangi nilai -nilai ini kemudian menyiarkan nilai -nilai ini kembali dan kemudian mereka melanjutkan pekerjaan mereka secara paralel
Jadi seperti apa bentuk batch yang ideal pada 25 titik dojo, katakanlah aktivasi yang lebih sedikit sebelumnya
sudah terpecah di dadu kami berharap bahwa 350 node pada masing -masing
mati untuk mengoordinasikan dan menghasilkan rata -rata lokal dan nilai divisi standar idealnya akan lebih jauh akan
dikurangi dengan nilai akhir yang berakhir di suatu tempat dan ke arah tengah ubin kami kemudian berharap untuk melihat siaran
Nilai ini memancar dari pusat mari kita lihat bagaimana kompiler sebenarnya mengeksekusi operasi sarjana nyata
di 25 dadu pohon komunikasi diekstraksi dari kompiler dan
Pengaturan waktu berasal dari perangkat keras yang nyata, kita akan melihat 8750 node pada 25 dies
berkoordinasi untuk mengurangi dan kemudian menyiarkan rata -rata bastrum dan katup deviasi standar
Dial reduksi lokal diikuti oleh pengurangan global ke arah tengah dasi
kemudian siaran nilai yang dikurangi yang memancar dari tengah yang dipercepat oleh siaran perangkat keras
Fasilitas Operasi ini hanya membutuhkan lima
mikrodetik pada 25 dojo dadu operasi yang sama membutuhkan 150 mikrodetik pada 24
GPU Ini adalah urutan peningkatan besarnya atas GPU
Dan sementara kami berbicara tentang operasi yang dikurangi dalam konteks norma batch, penting untuk menegaskan kembali bahwa
Keuntungan yang sama berlaku untuk semua primitif komunikasi lainnya dan primitif ini sangat penting untuk skala besar
pelatihan jadi bagaimana dengan kinerja model penuh jadi sementara kami berpikir bahwa resonansi 50 adalah
Bukan representasi yang baik dari beban kerja Tesla dunia nyata itu adalah tolok ukur standar jadi mari kita mulai
Kami sudah bisa mencocokkan 100 mati untuk mati namun mungkin sedikit dojo
Kemampuan adalah bahwa kami dapat mencapai nomor ini hanya dengan batch 8 per dadu
Tapi Dojo benar -benar dibangun untuk menangani model kompleks yang lebih besar sehingga ketika kami berangkat untuk mengatasi dunia nyata
Beban Kerja Kami melihat pola penggunaan cluster GPU kami saat ini dan dua model berdiri label otomatis
Jaringan Kelas model offline yang digunakan untuk menghasilkan kebenaran tanah dan jaringan hunian yang Anda dengar
Tentang jaringan pelabelan otomatis adalah model besar yang memiliki intensitas aritmatika tinggi sementara jaringan hunian
Dapat di Justbound kami memilih model ini karena bersama -sama mereka memperhitungkan sebagian besar cluster GPU kami saat ini
penggunaan dan mereka akan menantang sistem dengan cara yang berbeda
Jadi bagaimana kita melakukannya pada dua jaringan ini hasil yang akan kita lihat diukur pada sistem multi-die untuk keduanya
GPU dan dojo tetapi dinormalisasi untuk per angka die di jaringan pelabelan otomatis kami
sudah mampu melampaui kinerja A100 dengan perangkat keras kami saat ini berjalan di VRM generasi yang lebih tua
Perangkat keras produksi kami dengan VRAM baru kami yang diterjemahkan menjadi menggandakan throughput A100
Dan model kami menunjukkan bahwa dengan beberapa optimasi kompiler utama kami bisa mendapatkan lebih dari tiga kinerja tambahan dari
A100 Kita melihat lompatan yang lebih besar di jaringan hunian
hampir 3x dengan perangkat keras produksi kami dengan ruang untuk lebih
[Tepuk tangan] asing
Tingkat Kinerja Kompiler Kami Dapat Mengganti Komputasi ML dari Satu Dua Tiga Empat Lima dan Enam GPU
kotak hanya dengan satu ubin dojo [tepuk tangan]
Dan ubin dojo ini harganya kurang dari satu kotak GPU ini
ya apa artinya sebenarnya adalah jaringan itu
Butuh lebih dari sebulan untuk berlatih sekarang membutuhkan waktu kurang dari seminggu
Sayangnya ketika kami mengukur hal -hal itu tidak ternyata baik di tingkat pai obor yang tidak kami lihat
kinerja kami yang diharapkan dari git dan bagan garis waktu ini menunjukkan masalah kami batang hijau kecil yang mungil
kode kompilasi yang berjalan pada akselerator baris sebagian besar adalah ruang putih di mana
perangkat keras hanya menunggu data dengan host dojo komputasi ml padat kami
Secara efektif memiliki komputasi 10x lebih banyak ml daripada host GPU yang dijalankan loader data pada host yang satu ini tidak bisa
Ikuti semua perangkat keras ML itu sehingga untuk menyelesaikan skalabilitas loader data kami
Masalah yang kami tahu kami harus mengatasi batas host tunggal ini, protokol transportasi Tesla memindahkan data
mulus di seluruh ubin host dan menelan prosesor sehingga kami memperluas Tesla
Protokol transport untuk bekerja melalui Ethernet kami kemudian membangun antarmuka jaringan dojo yang disebut DNIC untuk memanfaatkan TTP lebih
Ethernet Ini memungkinkan host apa pun dengan kartu DNIC untuk dapat dan ke DM ke dan
Dari titik akhir TTP lainnya jadi kami mulai dengan dojo mesh
Kemudian kami menambahkan tingkat host pemuatan data yang dilengkapi dengan kartu DNIC
Kami menghubungkan host ini ke mesh melalui sakelar Ethernet sekarang setiap host di tingkat pemuatan data ini mampu
Mencapai semua titik akhir TTP di dojo mesh melalui perangkat keras yang dipercepat DMA
Setelah optimisasi ini berjalan dalam hunian kami berubah dari empat persen
hingga 97 persen sehingga bagian pemuatan data telah berkurang
Data Bagian pemuatan data telah berkurang secara drastis dan perangkat keras ML tetap sibuk kami benar -benar mengharapkan ini
Nomor untuk pergi ke 100 segera setelah perubahan ini masuk kami melihat kecepatan penuh yang diharapkan dari pytorch
lapisan dan kami kembali berbisnis jadi kami mulai dengan desain perangkat keras itu
menerobos batas integrasi tradisional dalam melayani visi kami tentang akselerator raksasa tunggal
Kami telah melihat bagaimana kompiler dan hanya lapisan yang dibangun di atas perangkat keras itu jadi setelah membuktikan kinerja Anda
Jaringan dunia nyata yang kompleks ini kami tahu apa penyebaran skala besar pertama kami akan menargetkan tinggi kami
Jaringan Pelabelan Otomatis Intensitas Aritmatika Hari Ini yang Menempati 4000 GPU Lebih dari 72
Rak GPU dengan komputer padat kami dan kinerja tinggi kami yang kami harapkan untuk menyediakan
throughput yang sama dengan hanya empat lemari dojo
[Tepuk tangan]
Dan keempat lemari dojo ini akan menjadi bagian dari exopod pertama kami yang kami rencanakan untuk dibangun dengan seperempat dari 2023
Yang ini lebih dari kapasitas pelabelan otomatis Tesla ganda
[Tepuk tangan] Bagian tambahan pertama adalah bagian dari total
Dari tujuh bagian tambahan yang kami rencanakan untuk dibangun di Palo Alto di sini di seberang dinding
[Tepuk tangan] dan kami memiliki kabinet tampilan dari salah satu exopoda ini untuk dilihat semua orang
Enam ubin dikemas dengan padat di atas nampan 54 petaflops dari komputasi 640 gigabyte
memori bandwidth tinggi dengan daya dan host untuk memberinya makan
banyak dan kami sedang membangun versi baru
Semua komponen cluster kami dan terus -menerus meningkatkan perangkat lunak kami untuk mencapai batas keterampilan baru yang kami yakini bahwa kami
Bisa mendapatkan peningkatan 10x lainnya dengan perangkat keras generasi berikutnya
Dan untuk mewujudkan tujuan ambisius mereka, kami membutuhkan insinyur perangkat lunak dan perangkat keras terbaik, jadi silakan ajak bicara dengan kami atau
Kunjungi Tesla.com AI Terima kasih [Tepuk tangan]
Baiklah baiklah, beri tahu saya
Baiklah jadi kami semoga itu cukup detail
Dan sekarang kita bisa pindah ke pertanyaan um dan uh guys eh seperti saya pikir tim
kembali keluar di atas panggung dan tetapi kami benar -benar ingin menunjukkan kedalamannya
dan luasnya Tesla dalam Kecerdasan Buatan UM
Hitung aktuator robotika perangkat keras dan [musik]
dan cobalah untuk benar -benar menggeser persepsi perusahaan jauh dari eh Anda tahu a
banyak orang berpikir kita hanya seperti perusahaan mobil atau kita membuat mobil keren apa pun kecuali eh
Mereka tidak memiliki kebanyakan orang tidak tahu bahwa Tesla bisa dibilang pemimpinnya
Perangkat Keras dan Perangkat Lunak AI Dunia Nyata dan yang sedang kami bangun
eh apa yang bisa dibilang yang pertama beberapa yang paling radikal
Arsitektur komputer sejak superkomputer krayon dan saya pikir jika Anda tertarik
Mengembangkan uh beberapa beberapa teknologi paling canggih di dunia yang akan sangat mempengaruhi dunia di a
cara positif uh memberi tahu kita tempat untuk menjadi jadi ya mari kita segera pergi dengan beberapa
Pertanyaan Saya pikir ada mic di depan dan a
mic di belakang uh
terima kasih banyak saya saya terkesan di sini ya saya sangat terkesan
Optimus tapi saya bertanya -tanya mengapa mereka tidak mendorong perburuan mengapa Anda memilih a
pendekatan yang didorong lembut untuk perburuan karena tendon tidak terlalu tahan lama dan
Mengapa Spring dimuat dengan baik ini sangat keren yang luar biasa ya
Itu pertanyaan yang bagus um Anda tahu ketika datang ke semua jenis skema aktuasi ada trade-off
Antara Anda tahu apakah itu sistem urin tendon atau beberapa jenis sistem berbasis tautan yang baru saja saya simpan
Pikiran dekat dengan mulut Anda sedikit lebih dekat ya jeremy keren um jadi ya alasan utama mengapa kami pergi
Untuk sistem berbasis tendon adalah Anda tahu pertama-tama kami benar-benar menyelidiki beberapa tendon sintetis tetapi kami menemukan itu
Kabel berperahu logam apakah Anda tahu jauh lebih kuat um salah satu keuntungan dari kabel ini
Um adalah bahwa itu sangat baik untuk pengurangan bagian yang kami inginkan untuk membuat banyak tangan ini sehingga memiliki banyak bagian a
Bunch dari keterkaitan kecil akhirnya Anda tahu masalah saat Anda membuat banyak alasan besar
Bahwa Anda tahu tendon lebih baik daripada hubungan dalam arti adalah bahwa Anda bisa anti-backlash
Jadi anti-backlash pada dasarnya Anda tahu memungkinkan Anda untuk tidak memiliki celah atau Anda
tahu gerakan gagap di jari-jari Anda pegas terutama apa yang dimuat pegas
memungkinkan kami melakukannya adalah memungkinkan kami untuk memiliki pembukaan aktif jadi alih -alih harus melakukannya
memiliki dua aktuator untuk mengarahkan jari tertutup dan kemudian terbuka, kami memiliki kemampuan untuk Anda tahu memiliki tendon yang mendorong mereka
ditutup dan kemudian pegas secara pasif memperpanjang dan ini adalah sesuatu yang terlihat di tangan kita juga, kita memiliki
kemampuan untuk secara aktif melenturkan dan kemudian kami juga memiliki kemampuan untuk memperluas ya
Maksud saya tujuan kami dengan Optimus adalah memiliki robot yang secara maksimal berguna sebagai
secepat mungkin sehingga ada banyak cara untuk menyelesaikan berbagai masalah robot humanoid
um dan eh kita mungkin tidak menolak pohon yang tepat di atas semua teknis
Solusi dan saya harus mengatakan bahwa kami terbuka untuk mengembangkan solusi teknis yang Anda lihat di sini dari waktu ke waktu
Kami bukan mereka tidak terkunci di batu um tetapi kami harus memilih sesuatu
um masuk dan kami ingin memilih sesuatu yang akan memungkinkan kami untuk menghasilkan robot secepat mungkin
dan memilikinya seperti yang saya katakan bermanfaat secepat mungkin kami mencoba mengikuti tujuan jalur tercepat ke a
Robot berguna yang dapat dibuat pada volume dan kami akan menguji robot secara internal di Tesla uh di pabrik kami
dan eh dan lihat saja seberapa bermanfaat itu karena Anda harus memiliki Anda
akan menutup loop reality untuk mengkonfirmasi bahwa robot itu sebenarnya berguna
um dan uh ya jadi kita hanya akan menggunakannya untuk membangun sesuatu dan um kita
yakin kami dapat melakukannya dengan tangan yang telah kami rancang saat ini tetapi ini saya pasti akan memiliki versi dua
versi tiga dan kami dapat mengubah arsitektur dengan cukup signifikan dari waktu ke waktu
maaf hai um, Anda adalah robot optimus sangat mengesankan bahwa Anda melakukan pekerjaan dengan baik
robot bipedal um sangat sulit um tetapi apa yang saya perhatikan mungkin hilang dari rencana Anda adalah eh untuk mengakui
utilitas semangat manusia dan saya bertanya -tanya apakah optimus akan pernah mendapatkan kepribadian dan bisa menertawakan kami
bercanda saat mereka baik -baik saja itu melipat pakaian kami ya benar -benar
um saya pikir kami ingin memiliki versi optimus yang sangat menyenangkan
um dan agar optimis dapat memang utilitarian dan melakukan tugas tetapi juga bisa
Agak seperti teman um dan teman dan um
Anda dan saya yakin orang akan memikirkan segala macam kegunaan kreatif untuk robot ini
um dan eh Anda tahu hal itu begitu Anda memiliki intelijen dan aktuator inti
mencari tahu maka Anda benar -benar dapat Anda tahu semua jenis
kostum yang saya kira di robot yang saya maksud Anda bisa membuat robot terlihat uh
Anda dapat memindai robot dengan berbagai cara um dan um saya yakin orang akan menemukan uh
cara yang sangat menarik untuk uh ya versi optimus jadi
Terima kasih atas presentasi hebat yang ingin saya ketahui jika ada yang setara dengan intervensi di Optimus
Sepertinya memberi label melalui saat -saat di mana manusia tidak setuju dengan apa yang terjadi adalah penting dan dalam robot humanoid
Itu mungkin juga sumber informasi yang diinginkan
ya itu mengatakan um ya saya saya pikir kami eh kami memiliki cara untuk
remote mengoperasikan robot dan campur tangan ketika melakukan sesuatu yang buruk terutama ketika kita melatih robot dan
Membesarkan Um dan semoga kami tahu mendesainnya dengan cara yang dapat kami hentikan robot
Jika itu akan mengenai sesuatu yang bisa kita sukai dan dapat menahannya dan itu akan berhenti, tidak akan seperti yang Anda tahu menghancurkan tangan Anda atau sesuatu dan itu semua adalah intervensi
data uh ya dan kami dapat belajar banyak dari sistem simulasi kami juga di mana kami bisa
Periksa tabrakan dan awasi bahwa itu adalah tindakan buruk ya maksud saya jadi optimus yang kami inginkan dari waktu ke waktu
untuk menjadi um, Anda tahu android android yang Anda lihat di film sci-fi seperti
Star Trek Generasi berikutnya seperti data tetapi jelas kami bisa memprogram robot menjadi kurang seperti robot dan lebih ramah
Dan dan eh Anda tahu Anda jelas bisa belajar meniru manusia dan merasa sangat alami
Jadi seperti AI secara umum meningkatkan uh kita dapat menambahkannya ke robot dan
um Anda tahu itu harus jelas dapat melakukan instruksi sederhana eh atau bahkan
ke dalamnya apa yang Anda inginkan um sehingga Anda bisa memberikannya instruksi uh level tinggi dan kemudian dapat merusaknya
turun ke serangkaian tindakan dan dan mengambil tindakan itu
hai uh ya itu menyenangkan untuk berpikir bahwa dengan optimus Anda akan berpikir itu
Anda dapat mencapai urutan besarnya perbaikan dan output ekonomi
um itu benar -benar UM yang menarik dan ketika Tesla memulai misi itu untuk mempercepat munculnya
energi terbarukan atau transportasi berkelanjutan sehingga dengan optimus apakah Anda
masih melihat misi itu adalah pernyataan misi Tesla ini atau akan diperbarui dengan Anda tahu
misi untuk mempercepat munculnya saya tidak tahu kelimpahan yang tak terbatas atau
Ekonomi tak terbatas yang tak terbatas ya, maksud saya itu tidak ketat
Berbicara Um Optimus tidak sepenuhnya berbicara uh
langsung sejalan dengan UH mempercepat energi berkelanjutan yang Anda tahu
Sejauh yang lebih efisien dalam menyelesaikan sesuatu daripada orang, saya kira membantu jika Anda tahu
energi berkelanjutan tetapi saya pikir misi secara efektif melakukan agak meluas dengan munculnya optimus
eh kamu tahu aku tidak tahu membuat masa depan luar biasa jadi kamu tahu aku pikir kamu
Lihatlah optimis dan um saya tahu tentang Anda, tetapi saya senang melihat nantinya apa yang akan menjadi optimis
Dan Anda tahu ini seperti Anda tahu jika Anda bisa, maksud saya, Anda bisa tahu seperti teknologi yang diberikan
Jika Anda apakah Anda ingin melihat seperti apa rasanya dalam tahun dua tahun tiga tahun empat tahun lima tahun sepuluh
Saya akan mengatakan pasti Anda pasti ingin melihat apa yang terjadi dengan optimus um sedangkan Anda tahu banyak yang lain
Teknologi Apakah Anda tahu semacam dataran tinggi tentang nama nama di sini tapi uh
[Tawa] um kamu tahu begitu
Saya pikir Optimus akan luar biasa dalam lima tahun sepuluh tahun seperti yang mengejutkan dan saya benar-benar
tertarik untuk melihat itu terjadi, saya harap Anda terlalu oh saya pikir
um saya punya pertanyaan singkat di sini saya justin dan saya bertanya -tanya seperti apakah Anda
berencana untuk memperluas kemampuan percakapan seperti robot dan kedua saya
pertanyaan tindak lanjut tentang itu adalah apa yang seperti tujuan akhir apa tujuan akhir dengan optimus
uh ya optimis pasti akan memiliki kemampuan percakapan jadi
um saya saya Anda akan dapat berbicara dengannya dan berbicara dan rasanya cukup
alami jadi dari sudut pandang panggilan saya, saya tidak tahu saya pikir itu akan disimpan
terus berevolusi dan saya tidak yakin di mana di mana itu berakhir tetapi
Beberapa tempat menarik pasti um Anda tahu kami harus selalu berhati -hati
tentang yang Anda tahu jangan turun jalur terminator eh itu Anda tahu saya saya
dipikirkan mungkin kita harus memulai dengan video seperti terminator yang memulai dengan ini, Anda tahu tengkorak
menghancurkan tapi oh itu mungkin saya tidak tahu jika Anda ingin menganggapnya terlalu serius jadi ya Anda tahu kami ingin optimus
Jadilah aman jadi kami sedang mendesain di UM Safeguards di mana Anda bisa uh secara lokal
hentikan robot um dan eh Anda tahu dengan seperti yang pada dasarnya terlokalisasi
kontrol rom yang tidak dapat Anda perbarui melalui internet yang menurut saya cukup penting
Um penting terus terang um
eh seperti tombol stop terlokalisasi um remote control sesuatu seperti
bahwa itu tidak bisa diubah um
Tapi maksud saya itu pasti akan menarik itu tidak akan membosankan jadi
oke ya saya melihat Anda hari ini Anda memiliki produk yang sangat menarik dengan dojo dan aplikasinya jadi saya bertanya -tanya apa
masa depan untuk platform dojo yang ingin kami sediakan seperti infrastruktur infrastruktur dan layanan seperti AWS atau
Anda akan menjadi seperti penjualan chip seperti nvidia jadi pada dasarnya apa masa depan karena saya katakan Anda menggunakan tujuh
nanometer sehingga biaya pengembang mereka dengan mudah lebih dari 10 juta dolar AS bagaimana Anda membuat penis seperti bijaksana bisnis
ya saya maksud saya um dojo adalah adalah komputer yang sangat besar um dan sebenarnya kami akan menggunakan banyak
kekuatan dan membutuhkan banyak pendinginan jadi saya pikir mungkin lebih masuk akal untuk memiliki dojo beroperasi seperti uh
Cara layanan web amazon daripada mencoba menjualnya kepada orang lain
Um jadi yang paling menjadi cara paling efisien untuk mengoperasikan dojo adalah hanya.
dapat menggunakan uh yang tersedia online dan di mana Anda dapat melatih model Anda
lebih cepat dan lebih sedikit uang dan itu sebagai
Um Transisi Dunia ke Perangkat Lunak 2.0
Dan itu ada di kartu bingo seseorang yang saya tahu harus tahu cara minum lima tequilas
Um jadi mari kita lihat UM Software 2.0
[Tawa] Ya kami akan menggunakan banyak jaring saraf
pelatihan jadi eh Anda tahu itu masuk akal bahwa seiring waktu karena ada lebih banyak saraf
hal -hal bersih yang ingin digunakan orang dan eh saraf terendah tercepat
sistem pelatihan bersih jadi saya pikir ada banyak peluang ke arah itu
hai nama saya ali jahanian terima kasih untuk acara ini ini sangat inspiratif saya
Pertanyaannya adalah um, saya bertanya -tanya apa visi Anda untuk eh
robot kemanusiaan yang memahami emosi dan seni kita dan dapat berkontribusi
Kreativitas kami baik -baik saja saya pikir ada um ini
sudah melihat robot yang setidaknya eh dapat menghasilkan sangat menarik
seni dengan seperti dali um dan dali 2. um
Dan saya pikir kita akan mulai melihat AI yang sebenarnya dapat menghasilkan bahkan film yang memiliki koherensi
Seperti film menarik dan menceritakan lelucon sehingga cukup luar biasa seberapa cepat AI
Uh memajukan um di banyak perusahaan selain Tesla
Kami menuju masa depan yang sangat menarik dan um ya begitu
Kalian ingin mengomentari itu ya kurasa uh robot optimis bisa menghasilkan seni fisik bukan hanya seni digital
Anda dapat Anda tahu Anda dapat meminta beberapa gerakan tarian dalam teks atau suara dan kemudian Anda dapat menghasilkannya di masa depan
Ini banyak seperti hati fisik bukan hanya seni digital oh ya ya komputer bisa mutlak
Buat seni fisik ya yeah 100 yeah seperti menari pasti bermain sepak bola atau apapun Anda
Um maksud saya itu perlu lebih gesit tetapi dari waktu ke waktu
Terima kasih banyak atas presentasi untuk slide autopilot Tesla yang saya perhatikan
bahwa model yang Anda gunakan sangat termotivasi oleh model bahasa dan saya bertanya -tanya apa sejarahnya
adalah dan seberapa banyak peningkatan yang diberikannya saya pikir itu adalah pilihan yang sangat menarik untuk digunakan
Model bahasa untuk transisi jalur sehingga ada dua aspek mengapa kami beralih ke pemodelan bahasa
pembicaraan pertama bicara keras dan tutup oke oke
ya jadi model bahasa membantu kita dengan dua cara dengan cara pertama adalah memungkinkan kita memprediksi jalur yang tidak bisa kita miliki
Kalau tidak sebagai guncangan yang disebutkan sebelumnya pada dasarnya ketika kami memprediksi jalur dalam jenis fashion 3D padat yang Anda bisa
memodelkan jenis jalur tertentu tetapi kami ingin mendapatkan koneksi silang di dalam persimpangan tidak mungkin untuk melakukannya tanpa membuatnya a
Prediksi Grafik Jika Anda mencoba melakukan ini dengan segmentasi padat, itu tidak berhasil um juga prediksi jalur adalah multimodal
Masalah Terkadang Anda tidak memiliki informasi visual yang cukup untuk mengetahui dengan tepat bagaimana hal -hal yang terlihat pada yang lain
sisi persimpangan sehingga Anda memerlukan metode yang dapat menggeneralisasi dan menghasilkan um Anda tahu prediksi yang koheren Anda
tidak ingin memprediksi dua jalur di tiga jalur pada saat yang sama Anda ingin berkomitmen untuk satu dalam model generatif seperti model bahasa ini menyediakan bahwa
hai oh hai uh nama saya giovanni um ya terima kasih atas presentasinya
Itu sangat bagus saya punya pertanyaan untuk tim FSD kami jadi untuk jaringan saraf bagaimana kabarmu
tes seperti bagaimana Anda melakukan tes unit perangkat lunak unit pada seperti itu seperti yang Anda miliki seperti banyak atau saya tidak tahu mid
ribuan atau uh ya kasus di mana
Jadi jaringan saraf yang setelah Anda melatihnya, Anda harus meneruskannya sebelum Anda melepaskannya sebagai produk benar uh ya
Apa strategi pengujian unit perangkat lunak Anda untuk ini pada dasarnya ya senang Anda bertanya ada serangkaian tes
bahwa kami telah mendefinisikan UH mulai dari Anda tahu unit test untuk perangkat lunak itu sendiri tetapi kemudian untuk model jaringan saraf kami memiliki set VIP yang didefinisikan di mana
Anda tahu Anda dapat mendefinisikan uh jika Anda hanya memiliki set tes besar yang tidak cukup apa yang kami temukan eh yang kami butuhkan
set VIP eh yang canggih untuk mode kegagalan yang berbeda dan kemudian kami mengkuratori mereka dan menumbuhkannya selama waktu
produk jadi selama bertahun -tahun kita memiliki ratusan ribu contoh di mana kita telah gagal di masa lalu
bahwa kami telah dikuratori dan kami untuk setiap model baru yang kami uji terhadap seluruh sejarah kegagalan ini dan kemudian
Terus tambahkan tes ini di atas ini kami memiliki mode bayangan di mana kami mengirimkan model ini diam -diam
mobil dan kami mendapatkan data kembali di mana mereka gagal atau berhasil eh dan ada program QA yang luas itu sangat
Sulit untuk mengirimkan regresi, ada sembilan tingkat filter sebelum menyentuh pelanggan tetapi kemudian kami memiliki sangat baik
infra untuk membuat ini semua efisien dan saya salah satu penguji QA jadi saya qa
mobil ya seperti pencipta ya jadi saya terus -menerus di dalam mobil
antrian seperti apa pun uh alpha build terbaru yang tidak sepenuhnya macet
menemukan banyak bug uh hai um hebat acara saya punya pertanyaan
tentang model dasar uh untuk uh saya semua telah melihat bahwa uh model besar itu
Benar -benar bisa saat Anda meningkatkan dengan data dan parameter model langsung dari GT3 ke
Palm itu sebenarnya dapat melakukan penalaran apakah Anda melihat bahwa itu penting eh skinning
Model dasar dengan data dan ukuran dan kemudian setidaknya Anda bisa mendapatkan a
Model Guru Benar yang berpotensi dapat menyelesaikan semua masalah dan kemudian Anda menyaring model siswa adalah bagaimana cara
Anda melihat model dasar yang relevan untuk 100 maksud saya itu sangat mirip dengan model pelabelan otomatis kami jadi kami tidak
hanya memiliki model yang berjalan di mobil kami melatih model yang sepenuhnya offline yang sangat besar yang tidak bisa
Berlari secara real time di mobil jadi kami hanya menjalankan offline di server yang menghasilkan label yang sangat bagus
yang kemudian dapat melatih jaringan online sehingga itu adalah salah satu bentuk penyulingan
Model siswa guru ini tepat dalam hal model yayasan kami membangun beberapa yang sangat besar
set data yang Anda tahu adalah beberapa petabyte dan kami melihat bahwa beberapa tugas ini bekerja dengan sangat baik eh saat kami
Memiliki set data besar ini seperti kinematika seperti yang saya sebutkan video di semua kinematika dari semua objek
dan hingga turunan keempat dan orang -orang mengira kami tidak bisa melakukan deteksi dengan kecepatan kedalaman deteksi kamera
akselerasi dan bayangkan seberapa tepatnya hal ini harus agar turunan orde yang lebih tinggi ini akurat dan ini semua
Berasal dari set data besar dan model besar ini sehingga kami melihat setara dengan model fondasi dengan cara kami sendiri
Geometri dan kinematika dan hal -hal seperti yang ingin Anda tambahkan apa pun John
ya saya akan membuatnya singkat pada dasarnya setiap kali kami berlatih pada set data yang lebih besar, kami melihat Big Oke pada dasarnya setiap kali kami
Latih pada kumpulan data yang lebih besar, kami melihat peningkatan besar dalam kinerja model kami dan pada dasarnya setiap kali kami menginisialisasi kami
Jaringan dengan Anda tahu beberapa langkah pra-pelatihan dari beberapa tugas tambahan lainnya, kami pada dasarnya melihat perbaikan
swasembada atau diawasi dengan set data besar keduanya banyak membantu
Hei jadi pada awalnya Elon mengatakan bahwa Tesla berpotensi tertarik untuk membangun kecerdasan umum buatan
sistem mengingat dampak teknologi yang berpotensi transformatif seperti itu tampaknya bijaksana untuk berinvestasi
Keamanan Teknis AGI Keahlian Uh Secara khusus saya tahu Tesla melakukan banyak hal
teknis riset keselamatan AI sempit saya ingin tahu jika Tesla bermaksud untuk
Cobalah untuk membangun keahlian dalam keselamatan intelijen umum buatan teknis secara khusus
Nah jika maksud saya jika jika mulai terlihat seperti kita akan memberikan kontribusi yang signifikan untuk buatan
Kecerdasan Umum Lalu maka kita pasti akan berinvestasi dalam keamanan uh, saya sangat percaya pada keamanan AI saya pikir di sana
harus menjadi semacam otoritas pengatur di tingkat pemerintah uh sama seperti ada
Otoritas Pengatur untuk apa pun yang memengaruhi keselamatan publik sehingga kami memiliki otoritas regulasi untuk pesawat terbang dan
mobil dan uh jenis makanan dan obat -obatan dan karena mereka mempengaruhi keselamatan publik dan AI
juga mempengaruhi keselamatan publik jadi saya pikir um dan ini bukan sesuatu yang saya pikir sudah mengerti tetapi saya
pikir saya pikir harus ada wasit yang memastikan um atau melakukan mencoba memastikan uh publik
Keamanan untuk uh eli um dan Anda berpikir seperti apa adanya
Elemen -elemen yang diperlukan untuk membuat AGI seperti uh set data yang dapat diakses sangat
penting dan jika Anda memiliki sejumlah besar mobil dan robot humanoid eh
pemrosesan Anda tahu petabyte dari data video dan
data audio dari dunia nyata eh sama seperti manusia
Set data terbesar mungkin adalah set data terbesar um karena selain itu Anda bisa
jelas memindai internet um tetapi apa yang tidak bisa dilakukan internet
memiliki jutaan atau ratusan juta kamera di dunia nyata
Seperti yang saya katakan dengan audio dan eh dan sensor lainnya juga jadi saya pikir kami
mungkin akan memiliki jumlah data um paling banyak dan mungkin jumlah tr dari
Kekuatan pelatihan karena itu mungkin eh kita akan membuat
Kontribusi untuk AGI
Hei um, saya perhatikan semi itu ada di sana tetapi kami belum terlalu banyak membicarakannya, saya hanya bertanya -tanya untuk semi truk
Perubahan apa yang Anda pikirkan dari perspektif penginderaan yang saya bayangkan ada sangat berbeda
persyaratan jelas dari sekadar mobil jika dan jika Anda tidak berpikir itu benar mengapa itu benar
Uh tidak, saya pikir eh pada dasarnya uh Anda dapat mengendarai mobil yang saya maksudkan tentang apa yang mengendarai kendaraan apa pun itu um biologis
neural net uh dengan uh dengan mata dengan kamera pada dasarnya jadi jika um dan benar -benar
Apa sensor utama Anda adalah uh dua kamera eh pada gimbal lambat a sangat
lambat gimbal um itu uh itu kepalamu eh jadi jika jika
Jika um Anda tahu jika jaring saraf biologis dengan dua kamera pada gimbal lambat dapat mengendarai truk semi
Um jika Anda memiliki delapan kamera dengan visi 360 derajat terus menerus uh
beroperasi pada laju bingkai yang lebih tinggi dan laju reaksi yang jauh lebih tinggi maka saya pikir jelas bahwa Anda harus dapat mengendarai semi atau banyak kendaraan apa pun
lebih baik dari manusia hai nama saya akshay terima kasih untuk
peristiwa dengan asumsi Anda tahu optimus akan digunakan untuk berbagai kasus penggunaan dan
akan berevolusi pada bagian yang berbeda untuk kasus penggunaan ini eh akan mungkin
untuk semacam mengembangkan dan menggunakan komponen perangkat lunak dan perangkat keras yang berbeda secara mandiri dan menggunakannya Anda tahu
di dalam optimus sehingga keseluruhan Anda tahu pengembangan fitur lebih cepat
Referensi optimus untuk pertanyaan
oke baik -baik saja kami tidak memahami eh sayangnya jaring saraf kami tidak memahami pertanyaannya
uh ya pertanyaan berikutnya
Saya ingin mengganti gigi ke autopilot jadi um ketika kalian berencana untuk meluncurkan
FSD beta ke negara -negara selain AS dan Kanada dan juga pertanyaan saya berikutnya adalah
apa hambatan terbesar atau penghalang teknologi yang Anda pikirkan dalam urutan saat ini dari tumpukan dan bagaimana
Anda membayangkan untuk menyelesaikannya untuk membuat autopilot jauh lebih baik daripada manusia dalam hal matriks kinerja
Jaminan Keselamatan dan Keyakinan Manusia Saya pikir Anda juga cocok dengan 4V UH FSTB
Atau apapun kalian yang akan menggabungkan jalan raya dan kota sebagai satu tumpukan dan beberapa arsitektur uh
Perbaikan Besar Dapatkah Anda sedikit bereksperimen tentang itu terima kasih uh uh itu banyak sekali
pertanyaan baik kami kami Saya kami berharap bisa saya pikir
Dari sudut pandang teknis UM FSD beta harus dimungkinkan untuk menggulung sfsd beta eh
Di seluruh dunia pada akhir tahun ini um um tetapi kami tahu untuk banyak
negara -negara yang kita butuhkan persetujuan peraturan UM dan jadi kita agak terjaga oleh persetujuan peraturan di negara lain
Um tapi saya tahu saya tetapi saya pikir dari sudut pandang teknis itu akan siap
pergi ke beta dunia pada akhir tahun ini dan ada cukup besar
Perbaikan yang kami harapkan akan dirilis bulan depan uh yang akan selalu bagus di uh
Menilai kecepatan lalu lintas silang yang bergerak cepat dan banyak hal lainnya sehingga siapa pun yang rumit
Untuk objek ya saya kira jadi dulu ada banyak perbedaan antara produksi
autopilot dan beta self-driving penuh tetapi perbedaan itu semakin kecil dan lebih kecil dari waktu ke waktu
Hanya beberapa bulan yang lalu kami sekarang menggunakan tumpukan deteksi objek visi yang sama di FSD dan dalam produksi
autopilot pada semua kendaraan um masih ada beberapa perbedaan yang utama adalah cara kita
Memprediksi jalur sekarang jadi kami meningkatkan pemodelan jalur sehingga dapat menangani geometri yang lebih kompleks ini seperti yang saya sebutkan di pembicaraan
Autopilot Produksi Kami masih menggunakan model jalur yang lebih sederhana tetapi kami memperluas model beta FSD kami saat ini untuk bekerja
Semua jenis skenario jalan raya juga uh ya dan versi uh fst
beta yang saya kendarai sebenarnya memiliki tumpukan terintegrasi sehingga ini menggunakan
FSD Stack uh baik di jalan -jalan kota dan jalan raya dan eh itu bekerja dengan cukup baik untuk saya uh kami tetapi kami perlu memvalidasi
Semua jenis cuaca seperti debu salju hujan lebat um dan eh dan pastikan saja
bekerja lebih baik dari tumpukan produksi uh di Anda tahu di berbagai macam
dari lingkungan eh tapi kami cukup dekat dengan itu um saya maksud saya pikir itu saya tidak tahu mungkin
Saya pasti akan sebelum akhir tahun dan dan mungkin November ya di drive pribadi kami eh fsd
Tumpukan di jalan raya drive sudah jauh lebih baik daripada tumpukan produksi yang kami miliki dan kami berharap juga memasukkan
tempat parkir tumpukan sebagai bagian dari tumpukan FSC sebelum akhir tahun ini sehingga pada dasarnya akan membawa kami kepada Anda
Duduklah di dalam mobil di tempat parkir dan berkendara sampai ujung tempat parkir di tempat parkir sebelum akhir ini
tahun ya dan dan seperti halnya metrik mendasar untuk dioptimalkan
um berapa mil per antara intervensi yang diperlukan
um hanya meningkatkan secara besar -besaran berapa mil yang dapat dikendarai mobil secara penuh
Otonomi sebelum intervensi diperlukan yang merupakan keselamatan eh kritis um
ya itu uh itu metrik mendasar yang kami ukur setiap minggu dan kami membuat radikal
perbaikan itu hai terima kasih hai terima kasih banyak
Presentasi yang sangat menginspirasi nama saya Daisy, saya sebenarnya memiliki non-teknis
Pertanyaan untuk Anda Saya ingin tahu jika Anda kembali ke usia 20 -an, apa saja
Hal -hal yang Anda harap Anda ketahui saat itu saran apa yang akan Anda berikan kepada diri Anda yang lebih muda
baik saya mencoba mencari tahu sesuatu yang berguna untuk dikatakan
ya ya saya bergabung dengan tesla akan menjadi satu hal um
Um ya saya pikir biasanya mencoba untuk mengekspos diri Anda pada sebanyak mungkin orang pintar
mungkin dan saya membaca banyak buku
Um Anda tahu saya melakukannya melakukan itu meskipun eh
jadi um saya pikir ada beberapa kelebihan
eh seperti tidak seperti eh dan dan suka menikmati
momen sedikit lagi yang akan saya katakan kepada 20 atau 20 sesuatu yang saya eh hanya untuk Anda tahu uh
Berhenti dan mencium bau mawar sesekali mungkin akan menjadi ide yang bagus
um Anda tahu ini seperti saat kami mengembangkan roket Falcon One
dan eh di atas quadriline atoll dan kami memiliki pulau kecil yang indah ini
Kami sedang mengembangkan roket dan tidak sekali saja selama itu saya bahkan minum di
Pantai Saya baik -baik saja saya seharusnya minum di pantai yang akan baik -baik saja
Terima kasih banyak eh, saya pikir Anda telah bersemangat semua robotika dengan orang -orang
Dengan optimus eh ini terasa sangat mirip 10 tahun yang lalu dalam mengemudi tetapi eh
Mengemudi telah terbukti lebih sulit daripada yang sebenarnya terlihat 10 tahun yang lalu apa yang kita ketahui sekarang bahwa kita tidak 10 tahun yang lalu
itu akan membuat misalnya AGI pada humanoid datang lebih cepat
Yah saya maksudkan menurut saya bahwa Hei maju dengan sangat cepat um
Hampir tidak seminggu berlalu tanpa pengumuman yang signifikan dan uh ya maksud saya
Pada titik ini seperti AI tampaknya dapat menang di hampir semua pertandingan berbasis aturan
Uh itu mampu menciptakan seni yang sangat mengesankan um
terlibat dalam percakapan yang sangat canggih Anda tahu
Tulis esai dan ini terus meningkat
Um dan ada begitu banyak orang yang bekerja lebih banyak yang bekerja
Di AI dan perangkat keras menjadi lebih baik saya pikir itu adalah AI di Super
seperti kurva eksponensial yang kuat dari perbaikan terlepas dari apa yang kami lakukan
Tesla um dan jelas kami akan mendapat manfaat dari kurva eksponensial itu
perbaikan dengan aim yang dapat diakses juga sangat
pandai aktuator yang motor Anda tahu motor gearbox controller baterai elektronik daya
sensor um dan um Anda tahu sangat seperti saya katakan bahwa Anda tahu
Perbedaan terbesar antara robot pada empat roda dan robot dengan lengan dan kaki adalah mendapatkan aktuator
benar sebenarnya itu adalah aktuator dan sensor masalah um dan jelas Anda tahu bagaimana Anda
Kontrol aktuator dan sensor itu tetapi itu adalah aktuator dan sensor ya dan bagaimana Anda
Kontrol Aktuator Ini saya tahu di mana Anda harus memiliki bahan yang diperlukan untuk membuat a
robot menarik dan kami melakukannya
hai inan uh kamu sebenarnya membawa kemanusiaan ke tingkat berikutnya secara harfiah tesla dan
Anda membawa kemanusiaan ke tingkat berikutnya sehingga Anda mengatakan optimus prime uh
Optimus akan digunakan di pabrik Tesla berikutnya, pertanyaan saya adalah Tesla yang baru
Pabrik akan sepenuhnya dijalankan oleh Program Optimus dan
Dan kapan ketertiban umum umum humanoid ya saya pikir itu akan Anda tahu kami akan
akan memulai optimis dengan tugas yang sangat sederhana di pabrik um Anda tahu mungkin seperti memuat
terpisah seperti yang Anda lihat di video memuat bagian eh untuk Anda tahu terpisah dari satu
tempatkan ke yang lain atau memuat bagian ke dalam UM salah satu robot kami yang lebih konvensional
sel eh untuk Anda tahu eh yang melengkapi tubuh bersama -sama jadi kami akan mulai Anda tahu
hanya mencoba bagaimana kita membuatnya bermanfaat sama sekali um dan kemudian secara bertahap memperluas jumlah situasi di mana itu
Um yang berguna dan saya pikir bahwa jumlah situasi di mana optimus
berguna akan akan tumbuh secara eksponensial um seperti sangat cepat
Um dalam hal kapan orang dapat memesannya, saya tidak tahu saya pikir itu tidak sejauh itu
pergi um baik, saya pikir maksud Anda kapan orang bisa menerimanya
Um jadi saya tidak tahu saya seperti saya akan mengatakan mungkin dalam waktu tiga tahun saya tidak lebih
dari lima tahun dalam tiga hingga lima tahun Anda mungkin bisa menerima optimus
Saya merasakan cara terbaik untuk membuat kemajuan bagi AGIS untuk melibatkan sebanyak mungkin orang pintar di seluruh dunia dan diberikan
Ukuran dan sumber daya Tesla dibandingkan dengan perusahaan robot dan mengingat keadaan penelitian kemanusiaan saat ini
tidak masuk akal bagi jenis Tesla untuk semacam open source beberapa
Simulasi Perangkat Keras Saya pikir Tesla masih bisa menjadi platformer dominan
di mana itu bisa menjadi sesuatu seperti os android atau seperti barang iOS untuk seluruh manusia atau penelitian akan
sesuatu yang daripada menjaga optimus hanya untuk peneliti Tesla atau
Pabrik itu sendiri dapat membukanya dan membiarkan seluruh dunia mengeksplorasi penelitian manusia
um saya pikir kita harus berhati -hati tentang optimus yang berpotensi digunakan dengan cara yang buruk karena itu adalah satu
hal -hal yang mungkin dilakukan, jadi saya pikir kami akan tahu
Berikan optimis di mana Anda dapat memberikan instruksi kepada optimis tetapi di mana instruksi tersebut
apakah Anda tahu diatur oleh beberapa hukum robotika um yang tidak dapat Anda atasi
Jadi Anda tahu tidak membahayakan orang lain dan eh
Itu akan membuat saya pikir mungkin beberapa hal terkait keselamatan dengan optimus ya jadi baiklah kita akan
Ambil saja mungkin beberapa pertanyaan lagi dan kemudian dan kemudian terima kasih telah datang
mempertanyakan um satu dalam dan satu luas di dalam untuk optimus apa itu
saat ini dan apa bandwidth pengontrol yang ideal dan kemudian dalam pertanyaan yang lebih luas uh ada sebesar ini
iklan untuk kedalaman dan luasnya perusahaan apa yang uniknya
Tesla yang memungkinkan bahwa siapa pun ingin menangani bandwidth
Pertanyaan ya ya jadi bandwidth teknis kostum
oke untuk pertanyaan bandwidth yang harus Anda pahami atau cari tahu apa itu
tugas yang ingin Anda lakukan dan apa yang gratis jika Anda mengambil transformasi frekuensi dari tugas itu apa itu
Anda ingin anggota tubuh Anda melakukannya dan di situlah Anda mendapatkan bandwidth dari itu bukan nomor yang dapat Anda katakan saja Anda perlu memahami penggunaan Anda
kasus dan dari situlah bandwidth berasal dari uh oke apa pertanyaan luas
Saya tidak terlalu ingat banyak dan kedalaman saya bisa menjawab luas dan kedalaman tapi ya
Saya menarik di belakang pertanyaan yang saya pikir kami mungkin akan berakhir meningkatkan bandwidth atau Anda
Ketahui mana yang diterjemahkan menjadi efek dari ketangkasan eh dan waktu reaksi robot
um seperti Anda bisa menyelamatkan negara bagian itu bukan salah satu hertz um dan mungkin Anda tidak perlu pergi
sampai ke 100 hertz eh tapi saya tidak tahu mungkin 10 25 saya tidak tahu
Seiring waktu saya pikir bandwidth akan meningkat sedikit eh atau atau diterjemahkan ke ketangkasan dan latensi
Um uh, Anda ingin meminimalkan itu dari waktu ke waktu uh ya meminimalkan latensi memaksimalkan ketangkasan
Um maksud saya dalam hal luas dan mendalam um Saya kira Anda tahu kami punya
Kami adalah perusahaan yang cukup besar pada saat ini sehingga kami memiliki banyak bidang keahlian yang harus kami lakukan
berkembang untuk membuat otonom atau untuk membuat mobil listrik dan kemudian untuk membuat listrik yang otonom
mobil um kita kita punya kita hanya maksud saya tesla pada dasarnya seluruh rangkaian startup dan
Um sejauh ini mereka hampir semuanya cukup sukses, jadi kita harus melakukan sesuatu yang benar
um dan saya tahu saya menganggap salah satu tanggung jawab inti eh saya uh perusahaan Iran adalah memiliki lingkungan di mana
eh insinyur hebat dapat berkembang dan dan saya pikir di banyak perusahaan
Saya tidak tahu mungkin kebanyakan perusahaan eh jika jika seseorang benar -benar seorang insinyur berbakat yang mereka tidak mampu
Uh, bakat mereka ditekan di banyak perusahaan dan Anda tahu
dan dan beberapa perusahaan bahwa bakat teknik ditekan dengan cara yang mungkin tidak jelas buruk
Tapi di mana itu sangat nyaman dan Anda membayar begitu banyak uang dan Anda tetapi Anda output Anda benar -benar harus
Produk sangat rendah sehingga seperti jebakan madu yang Anda ketahui seperti ada beberapa
Honey Trap uh tempat di lembah silikon uh di mana mereka tidak harus sepertinya tidak seperti tempat yang buruk bagi para insinyur tetapi
Anda telah mengatakan seperti insinyur yang baik masuk dan apa yang mereka keluarkan
Dan output dari bakat teknik itu tampaknya sangat rendah
Meskipun tampaknya ada menikmati diri mereka sendiri eh itu sebabnya saya menyebutnya ada beberapa perusahaan jebakan madu
Silicon Valley Uh Tesla bukan perangkap madu yang kami tuntut dan sepertinya Anda akan mendapatkan banyak hal yang selesai
um dan itu akan menjadi sangat keren um dan Anda tahu tidak akan mudah
Tapi eh jika Anda seorang insinyur super berbakat, bakat Anda akan digunakan uh
Pikirkan tingkat yang lebih besar dari tempat lain
Anda tahu SpaceX juga seperti itu sehingga highline uh eh saya punya dua pertanyaan jadi
keduanya untuk tim autopilot jadi masalahnya seperti eh saya telah mengikuti kemajuan Anda selama beberapa tahun terakhir jadi hari ini
Anda telah membuat perubahan seperti deteksi lean seperti yang Anda katakan bahwa seperti sebelumnya Anda melakukan segmentasi semantik instan sekarang kalian
Model transfer yang dibangun untuk membangun jalur jadi apa lagi beberapa tantangan umum lainnya yang kalian
menghadap sekarang seperti yang sedang Anda selesaikan di masa depan sebagai insinyur yang penasaran sehingga seperti kita sebagai peneliti dapat bekerja
Pada mereka yang mulai mengerjakannya dan pertanyaan kedua adalah seperti saya benar -benar ingin tahu tentang mesin data seperti Anda
Orang -orang seperti memberi tahu kasus seperti di mana mobil dihentikan jadi bagaimana Anda menemukan kasus yang sangat mirip
untuk itu dari data yang Anda miliki sedikit lebih sedikit pada mesin data akan bagus jadi tidak apa -apa
um saya akan mulai menjawab pertanyaan pertama eh menggunakan jaringan hunian sebagai contoh jadi uh apa yang Anda lihat di presentasi
tidak ada setahun yang lalu jadi kami hanya menghabiskan satu tahun tentang waktu saya hubungan dengan lebih dari 12 hunian
Jaringan dan Anda memiliki model satu yayasan sebenarnya untuk mewakili keseluruhan
Dunia fisik di mana -mana dan Anda selalu kondisinya sebenarnya
sangat menantang sehingga hanya lebih dari setahun yang lalu kita seperti mengendarai 2D di mana jika ada perang dan
Dikatakan kurva yang kami jual dengan tepi statis yang sama yang jelas Anda tahu tidak ideal benar ada a
Perbedaan besar antara kurva dan dinding saat Anda mengemudi Anda membuat pilihan yang berbeda jadi setelah kami menyadari itu
Kita harus pergi ke 3D kita pada dasarnya harus menyinkronkan kembali seluruh masalah dan memikirkan bagaimana kita mengatasinya sehingga ini akan
Jadilah salah satu contoh tantangan yang kita miliki eh eh kita memiliki penaklukan dalam setahun terakhir
ya untuk menjawab pertanyaan tentang bagaimana kami sebenarnya sumber contoh mobil yang berhenti rumit ada beberapa cara untuk pergi
tentang ini tetapi dua contoh adalah satu yang dapat kita picu karena ketidaksepakatan dalam sinyal kami, jadi katakanlah bit yang diparkir itu
berkedip antara yang diparkir dan mengemudi akan memicu punggung itu dan yang kedua adalah kita dapat memanfaatkan lebih banyak mode bayangan
logika jadi jika pelanggan mengabaikan mobil tetapi kami pikir kami harus berhenti untuk itu, kami akan mendapatkan data itu juga jadi ini hanya
Berbeda seperti berbagai logika pemicu yang memungkinkan kita mendapatkan kampanye data itu kembali
hai eh terima kasih atas presentasi yang luar biasa terima kasih banyak eh jadi ada
adalah banyak perusahaan yang berfokus pada masalah AGI dan salah satu alasan mengapa ini masalah yang sulit
Karena masalah itu sendiri sangat sulit untuk mendefinisikan beberapa perusahaan memiliki beberapa definisi berbeda yang mereka fokuskan
hal yang berbeda jadi apa tesla bagaimana tesla mendefinisikan masalah ati dan apa yang Anda fokuskan secara khusus
Yah baik kita sebenarnya tidak secara khusus berfokus pada AGI, aku sederhana
mengatakan bahwa HGI memang begitu tampaknya menjadi milik yang muncul dari apa yang kita
melakukan um karena kami menciptakan semua mobil otonom dan humanoid otonom ini
um sebenarnya eh dalam aliran data yang benar -benar raksasa yang masuk
Dan dan sedang diproses UM sejauh ini merupakan jumlah data dunia nyata yang paling banyak
Hanya mencari di internet karena Anda harus berada di luar sana di dunia dan berinteraksi dengan orang -orang dan berinteraksi dengan jalan dan hanya Anda
Know Earth adalah tempat besar dan kenyataan berantakan dan rumit um jadi saya pikir itu semacam uh
cenderung hanya sepertinya cenderung menjadi milik yang muncul jika Anda mendapatkan Anda tahu puluhan atau ratusan juta
kendaraan otonom dan dan mungkin bahkan sejumlah humanoid yang sebanding mungkin lebih dari itu di bagian depan humanoid
um baik itu hanya jumlah data um dan jika video itu sedang diproses
Sepertinya Anda tahu bahwa mobil pasti akan menjadi jauh lebih baik daripada manusia
pengemudi dan robot humanoid akan semakin menjadi
mungkin tidak dapat dibedakan dari manusia dan dan kemudian seperti yang Anda katakan Anda memiliki a
Properti yang muncul dari AGI UM
dan bisa dibilang Anda tahu manusia secara kolektif adalah semacam kecerdasan super juga terutama seperti kami
meningkatkan laju data antara manusia yang saya maksud adalah berpikir seperti itu tampaknya jauh di masa -masa awal internet
seperti internet seperti um umat manusia yang memperoleh sistem saraf di mana sekarang tiba -tiba siapa pun
Unsur umat manusia bisa mengetahui semua pengetahuan manusia dengan menghubungkan
ke internet hampir semua pengetahuan atau tentunya sebagian besar darinya sedangkan sebelumnya eh kita akan bertukar
Informasi oleh Osmosis oleh Anda tahu oleh kami harus suka untuk mentransfer data sehingga Anda harus menulis surat
seseorang harus membawa surat itu oleh orang ke orang lain dan kemudian banyak hal di antaranya dan
Maka itu seperti posisi ini ya maksud saya sangat lambat saat Anda memikirkannya
itu um dan bahkan jika Anda berada di Perpustakaan Kongres Anda masih belum memiliki akses ke semua informasi dunia dan Anda
tentu tidak bisa mencarinya dan saya tahu jelas sangat sedikit orang yang berada di Perpustakaan Kongres
Um maksud saya salah satu UM yang hebat semacam elemen kesetaraan
seperti internet adalah yang paling menyamakan kedudukan terbesar dalam sejarah
Ketentuan Akses ke Informasi atau Pengetahuan Um dalam Siswa Sejarah mana pun
akan setuju dengan ini karena Anda tahu Anda kembali seribu tahun ada sangat sedikit buku seperti
seperti dan buku akan sangat mahal tetapi hanya beberapa orang yang tahu cara membaca dan hanya jika yang lebih kecil
jumlah orang bahkan memiliki buku sekarang sekarang melihatnya seperti Anda, Anda dapat mengakses buku apa pun secara instan Anda dapat belajar
apapun untuk pada dasarnya gratis, itu sangat luar biasa
Anda tahu saya ditanyai baru -baru ini periode sejarah apa yang saya sukai
paling banyak dan jawaban saya sekarang
Ini adalah waktu yang paling menarik dalam sejarah dan saya membaca banyak sejarah
Jadi mari kita oh ya, mari kita lakukan yang terbaik untuk terus melakukannya ya
Dan untuk kembali ke salah satu pertanyaan awal yang akan saya jawab seolah -olah Anda bisa hal yang terjadi dari waktu ke waktu
Sehubungan dengan Tesla Autopilot adalah bahwa kami hanya memiliki
Jaring saraf telah secara bertahap telah menyerap lebih banyak dan lebih banyak perangkat lunak dan tentu saja dalam batas Anda
bisa mengatakan hanya mengambil video seperti yang terlihat oleh mobil eh dan membandingkannya dengan ini
input kemudi dari roda kemudi dan pedal yang merupakan input yang sangat sederhana eh dan pada prinsipnya Anda bisa
Latih tanpa apa pun di antaranya karena itulah yang dilakukan manusia dengan jaring saraf biologis yang bisa Anda latih
Berdasarkan video dan eh dan dan apa yang melatih video adalah pemindahan
roda kemudi dan pedal tanpa perangkat lunak lain di antara kita belum ada di sana tetapi secara bertahap
pergi ke arah itu oh baik sekali tunggu pertanyaan terakhir
Apakah Anda akan uh, saya pikir kami punya pertanyaan di depan di sini uh halo di sana saya akan melakukan dua
pertanyaan baik di sana um hai eh terima kasih atas presentasi yang hebat dengan baik pertanyaan lama terakhir
Um dengan FSD digunakan oleh begitu banyak orang eh, apakah menurut Anda apa com bagaimana Anda mengevaluasi risiko perusahaan
Toleransi dalam hal statistik kinerja dan menurut Anda perlu ada lebih banyak transparansi atau regulasi dari pihak ketiga tentang bagaimana apa yang baik
cukup dan um mendefinisikan ambang batas untuk kinerja eh
Beberapa mil uh tentu saja Anda tahu saya
Persyaratan uh desain nomor satu di tesla adalah keselamatan jadi um seperti dan itu
melintasi papan sehingga dalam hal keamanan mekanik mobil kami memiliki probabilitas terendah dari cedera mobil apa pun
Pernah diuji oleh pemerintah hanya untuk keselamatan mekanik pasif
Struktur dan kantung kantung dan apa -apa dan apa -apa Uh kami memiliki yang terbaik uh
peringkat untuk keamanan aktif juga dan um saya pikir itu akan sampai ke intinya
Di mana Anda tindakan keselamatan sangat bagus, itu seperti itu seperti yang tidak masuk akal lebih baik daripada manusia
um dan kemudian sehubungan dengan uh autopilot um kami memang menerbitkan uh ini secara luas
Berbicara statistik di UM Miles yang dikendarai dengan mobil yang tidak memiliki
mobil otonomi atau tesla tanpa otonomi dengan jenis perangkat keras satu perangkat keras dua
Perangkat keras tiga um dan kemudian eh yang ada di fsd beta
Um dan kami melihat perbaikan yang stabil di sepanjang jalan um dan Anda tahu kadang -kadang ada ini
Dikotomi Anda tahu jika Anda menunggu sampai mobilnya seperti saya tidak tahu eh
Tiga kali lebih aman dari seseorang sebelum menggunakan teknologi apa pun, tetapi saya pikir itu sebenarnya salah secara moral
um pada titik di mana Anda percaya bahwa menambahkan otonomi uh berkurang uh
cedera dan kematian um saya pikir Anda memiliki kewajiban moral untuk menyebarkannya meskipun Anda akan melakukannya
dituntut dan disalahkan oleh banyak orang karena orang -orang yang hidupnya yang Anda selamatkan tidak tahu bahwa hidup mereka
diselamatkan dan orang -orang yang sesekali mati atau terluka mereka pasti tahu atau warisan mereka eh
Bahwa Anda tahu apa pun yang ada masalah dengan autopilot um itu mengapa Anda harus melihat AT
Angka -angka dalam jenis total mil yang digerakkan berapa banyak kecelakaan terjadi berapa banyak kecelakaan yang serius berapa banyak
Kematian dan Anda tahu kami memiliki lebih dari tiga juta mobil di jalan jadi ini banyak mil yang dikendarai
Setiap hari itu tidak akan sempurna tetapi yang penting itu adalah bahwa itu sangat jelas lebih aman daripada tidak
Menyebarkannya um ya jadi saya pikir eh pertanyaan terakhir
Saya pikir ya jadi terima kasih apa pertanyaan terakhir di sini
oke um ya saya mendapatkannya oke uh hai begitu
Um saya tidak mengerjakan perangkat keras jadi mungkin tim perangkat keras dan kalian bisa
mencerahkan saya uh mengapa diperlukan bahwa ada simetri
Um dalam desain optimus karena manusia eh kita memiliki tangan yang benar
apakah kita menggunakan beberapa set otot lebih dari yang lain dari waktu ke waktu ada keausan
eh benar jadi mungkin Anda akan mulai melihat beberapa kegagalan bersama atau beberapa aktuator
kegagalan lebih dari waktu ke waktu saya mengerti bahwa ini sangat pra-panggung
um juga kita sebagai manusia memiliki begitu banyak fantasi dan fiksi atas manusia super
Kemampuan seperti kita semua tidak ingin berjalan tepat di sana kita ingin mengulurkan tangan kita dan seperti kita memiliki semuanya
ini Anda tahu banyak desain fantastik fantasi jadi mempertimbangkan
segala sesuatu yang terjadi dalam hal baterai dan intensitas
menghitung mungkin Anda dapat memanfaatkan semua aspek itu untuk menghasilkan sesuatu
baik saya tidak tahu lebih menarik dalam hal robot Anda bahwa Anda
Membangun dan saya berharap Anda dapat menjelajahi arah itu ya maksud saya saya pikir itu akan keren
Apakah Anda tahu membuat inspektur gadget nyata yang akan sangat manis um jadi ya maksud saya Anda tahu sekarang kami
Hanya ingin membuat humanoid dasar apa yang bekerja dengan baik dan tujuan kami adalah jalan tercepat
untuk robot humanoid uh yang berguna saya pikir ini adalah ini akan membumikan kita dalam kenyataan
secara harfiah um dan pastikan bahwa kita sedang melakukannya
sesuatu yang berguna seperti salah satu hal tersulit untuk dilakukan adalah menjadi berguna untuk
Sebenarnya dan kemudian dan kemudian memiliki utilitas tinggi di bawah kurva seperti berapa banyak orang yang Anda bantu waktu yang Anda kenal dan
Berapa banyak bantuan yang Anda berikan kepada setiap orang rata -rata
Dan kemudian berapa banyak orang yang Anda bantu utilitas total uh seperti mencoba untuk benar -benar mengirimkan produk yang bermanfaat
Bahwa orang -orang suka sejumlah besar orang sangat keras sehingga mengejutkan
Pikiran um Anda tahu itu sebabnya saya bisa mengatakan seperti pria ada perbedaan antara perusahaan yang memiliki produk shift dan seseorang tidak yakin produk eh itu a
Game Ini adalah malam dan siang hari um dan bahkan setelah Anda mengirimkan produk, Anda dapat membuat biaya nilai dari
output bernilai lebih dari biaya input yang sekali lagi sangat sulit terutama dengan perangkat keras jadi
Um tapi saya pikir dari waktu ke waktu saya pikir kita keren untuk melakukan hal -hal kreatif dan memiliki delapan lengan dan apa pun
Um dan memiliki versi yang berbeda eh dan mungkin Anda tahu akan ada beberapa perangkat keras
seperti perusahaan yang dapat menambahkan hal -hal ke yang optimis seperti mungkin kita sudah
Anda tahu ditambahkan di port daya atau semacamnya atau memasangnya, Anda dapat menambahkan Anda tahu menambahkan lampiran ke Anda
Optimis seperti Anda dapat menambahkannya ke ponsel Anda um bisa jadi banyak hal keren yang bisa dilakukan dari waktu ke waktu dan di sana bisa
mungkin merupakan ekosistem perusahaan kecil yang atau perusahaan yang membuat tambahan untuk
Optimus Jadi dengan uh itu, hanya berterima kasih kepada tim atas kerja keras mereka
Uh kalian luar biasa dan eh ya dan eh terima kasih
Anda dan eh terima kasih telah datang dan untuk semua orang secara online terima kasih telah menyetel
um dan saya pikir eh ini akan menjadi salah satu video hebat di mana Anda bisa suka jika Anda dapat cepat maju ke bit
yang menurut Anda paling menarik tetapi kami mencoba memberi Anda banyak detail eh secara harfiah sehingga Anda dapat melihatnya
Video di waktu luang Anda dan Anda dapat fokus pada bagian -bagian yang menurut Anda menarik dan melewatkan bagian lain uh
Jadi terima kasih semuanya dan kami akan melakukan ini mencoba melakukan ini setiap tahun dan eh kami mungkin melakukan bagian podcast bulanan bahkan
um uh jadi uh tapi saya pikir itu akan Anda tahu uh bagus untuk semacam
Membawa Anda bersama untuk perjalanan dan dan suka menunjukkan kepada Anda uh apa hal -hal keren yang terjadi dan um ya terima kasih
