El Día de la IA de Tesla tuvo lugar el 19 de agosto de 2021. Puede encontrar el enlace oficial de YouTube esta página, y Lex Friedman tiene un buen resumen esta página. Estas son mis observaciones, completamente como una persona no técnica. Recuerde, esto fue un evento de reclutamiento para el talento en estas áreas: hardware informático, redes neuronales, algoritmos de autonomía, fundamentos de código, infraestructura de evaluación y el Tesla Bot.
YouTube ha roto los siguientes intervalos de tiempo.
- Minuto 47: Comienza el Día de la IA
- Después de una hora y 45 minutos: DOJO
- Después de dos horas y 5 minutos: Tesla Bot, también conocido como Optimus Subprime
- Después de dos horas y 13 minutos: Preguntas y respuestas con el equipo
Lo primero que notamos es un vehículo Tesla que usa la versión beta de Full Self Driving para completar una conducción. Lo que me llama la atención no es la conducción del coche. Es la visualización de FSD en la pantalla principal. El automóvil ve peatones, ciclistas, señales de alto, semáforos, se inclina en las curvas, navega por calles estrechas y realiza numerosos giros a la izquierda. Hemos visto todo esto antes. Lo que es genial es la ciencia de cómo Tesla lo hizo posible. Ese es el propósito del Día de la IA.
Andrej nos explica cómo Tesla pasó de la visión de una sola imagen de cada cámara a los videos capturados desde múltiples cámaras e insertados en la programación de la red neuronal.
Observación: El trabajo increíblemente duro realizado para cambiar del entrenamiento de una sola imagen al sistema de video múltiple proporciona predicciones significativamente mejores que una sola cámara.
Observación: Esto es fenomenal. Una persona usará su juicio y experiencia previa sobre la mejor manera de cambiar dos carriles. Vemos que nuestro automóvil autónomo atraviesa muchos escenarios para asegurarnos de mantener el rumbo con nuestra navegación, similar a lo que haría una persona. Aquí, el automóvil deja pasar al automóvil de la izquierda, cambia de carril y vuelve a cambiar rápidamente para llegar al semáforo.
Ashok está de vuelta en 1 hora y 28 minutos para hablar sobre el etiquetado automático. Menciona que la cantidad de etiquetado es significativamente mayor de lo que pueden hacer los etiquetadores humanos. Aquí es donde entra en juego el etiquetado automático. Los videoclips de 45 a 60 segundos se utilizan para el etiquetado automático. Seré honesto, muchos de los términos y matemáticas involucrados en los detalles pasaron por mi cabeza con un zumbido. Lo que es genial para mí es cómo Tesla puede usar diferentes vehículos en diferentes viajes para ayudar a etiquetar automáticamente características importantes. Tesla puede "hacer trampa" un poco y ver la historia pasada y presente de las oclusiones (o cómo lo veo yo: un vehículo pasa frente a un peatón, pero realiza un seguimiento del peatón después de que el vehículo pasa) para generar etiquetas automáticas más rápidas. La textura de las carreteras, las paredes, las barreras, los objetos estáticos, los objetos en movimiento a través de las oclusiones, los peatones, las motocicletas y los automóviles estacionados son algunas de las cosas que generan las etiquetas de los automóviles.
Observación: El final de este segmento muestra cómo Tesla pudo usar etiquetas automáticas para eliminar el radar en 3 meses. Esto es fenomenal y, a partir de los ejemplos dados, el etiquetado automático y de solo visión es una mejora en el seguimiento y la planificación en comparación con la visión más el radar. Se recolectaron 10,000 clips y se etiquetaron automáticamente en una semana para limpiar solo la visión. Los humanos habrían tardado varios meses en hacer lo mismo. Solo puedo imaginar la desventaja que tienen otras compañías automotrices al no tener numerosos videoclips y al no tener una tubería de etiquetado automático que condense meses de trabajo en una semana. Ashok pasa sin problemas del etiquetado automático a la simulación.
La simulación comienza a las 1 hora y 35 minutos. La simulación ayuda en tres áreas: donde los datos son difíciles de obtener (usan personas que persiguen a un perro en medio de una carretera, ¡ja!), Difíciles de etiquetar (un enjambre de personas en una gran ciudad) y circuito cerrado (como tener el vehículo estacionado en un estacionamiento). Esta fue una razón para que Tesla mostrara un Cybertruck en la simulación. A primera vista, la simulación era tan buena que pensé que era realidad. Tienes que reducir la velocidad o prestar mucha atención para notar que algunas cosas están mal en el render.
Como mencionó Johnna, Cybertruck es un jugador en el juego de simulación. La simulación utiliza un etiquetado perfecto en el espacio vectorial. Para que la simulación sea lo más realista posible, Tesla necesita datos de sensores precisos, renderizado fotorrealista (sin alias y ejemplo divertido de 10 vehículos policiales girando a la izquierda), diversos actores y ubicaciones (incluidas 2000 millas de carreteras construidas a mano), escenario escalable generación y reconstrucción de escenarios. Tesla ha utilizado la simulación para mejorar la detección y cinemática de peatones, bicicletas y vehículos. En su lista de tareas pendientes se encuentran el mundo estático general, la topología de la carretera, más vehículos y peatones y el aprendizaje por refuerzo. Ashok se lo pasa a Milán para discutir el escalado de la generación de datos.
Observación: La gente piensa que Tesla eliminó el radar por capricho para reducir costos. Estoy seguro de que eso podría ser un beneficio adicional, pero la verdadera razón fue mejorar la forma en que el automóvil interactuaba con los objetos en la carretera. Que Tesla pudiera ejecutar las simulaciones necesarias en 3 meses para eliminar el radar y mejorar los resultados, muestra que este fue un proceso reflexivo. No conozco muchas o ninguna empresa que pueda hacer lo mismo en 3 meses. La capa de simulación es un logro asombroso al combinar lo que ven las cámaras con cómo deberían responder. Con la combinación de las redes neuronales de la carretera y la ciudad, continuaremos viendo un progreso tremendo en FSD Beta. Si miras el Página de IA, no hay escasez de trabajo por hacer. Para mí, eso significa que FSD Beta estará incompleto hasta que se aborden esas áreas. O, la forma optimista de verlo, el nivel de seguridad continuará mejorando con cada actualización de la simulación.
El enfoque en la integración de hardware comienza en 1 h 42 min. Milán cubrió brevemente la generación de datos a escala. Cabe destacar el siguiente tema, "¿Cómo lo hacemos funcionar en el automóvil?" Vemos que las redes neuronales y los algoritmos funcionan junto con la computadora FSD para minimizar la latencia y maximizar la velocidad de fotogramas. Solo uno de los SoC genera comandos del vehículo y el otro se usa como una extensión de la computación. Milán continúa con "Cómo iteramos rápidamente". Los números son impresionantes. Un millón de ejecuciones a la semana, 3 centros de datos más la nube, más de 3,000 computadoras con piloto automático, evaluaciones de Bit perfect en hardware FSD AI Chip real y software de administración de dispositivos y programación de trabajos personalizados. Tesla tiene más de 10,000 GPU para entrenar la red. Milan dice que esto no es suficiente y pasa la mano a Ganesh, Dojo y el siguiente paso.
Observación: Mi opinión es que esta es otra área en la que la integración vertical ayuda a Tesla. Es hacer que el hardware y el software funcionen a la perfección, lo que me recuerda a Apple. Será difícil para los fabricantes de automóviles antiguos competir con esto. El hardware al que están acostumbrados son los motores de combustión interna y piezas relacionadas. El software se entregó a terceros y el software de interfaz de usuario está por detrás de Apple y Google. Obligarlos a integrarse verticalmente y atraer el talento necesario será una gran tarea de varios años. La ventaja será para las nuevas empresas de vehículos eléctricos que pueden incorporar hardware y software juntos desde el principio. Tenía curiosidad por descubrir que Tesla tiene centros de datos en las instalaciones, que no es lo que hubiera esperado de una empresa que se mueve tan rápido.
Ganesh y Dojo comienzan a las 1 hora y 45 minutos, y continúan hasta las 2 horas y 5 minutos. Hemos cubierto Dojo en cuatro partes. esta página, esta página, esta páginay esta página. Solo voy a enumerar mis observaciones. Observación: La próxima generación de entrenamiento en computación será impresionante, con Dojo en algún lugar entre las 10 supercomputadoras más poderosas del mundo, dependiendo de cómo se mida. Tesla ha trabajado para eliminar problemas con el calor, el ancho de banda de la red, la potencia informática y el software del compilador utilizando un enfoque basado en los primeros principios. Si la gente pensaba que Tesla solo ensamblaba vehículos, vendía baterías y vendía productos de generación de energía, el trabajo en Dojo demuestra que en realidad tiene las habilidades para competir con los mejores de Silicon Valley y del mundo. Este es un pensamiento aterrador para cualquier competidor potencial de Tesla. Tesla tiene como objetivo reclutar en cantidades masivas y a las mejores personas. Hay muchos problemas por resolver. Imagine a Tesla usando Dojo para reorientar su fábrica de Austin y mejorar el rendimiento. Me pregunto si Tesla usará Dojo para ingresar al mercado de HVAC y para sistemas más avanzados que combinen sus baterías, energía solar y vehículos eléctricos. ¿Podría usarse Dojo para simulaciones de plegamiento de proteínas? No sé. Tesla no se avergüenza de resolver grandes problemas. Tesla seguirá creando mejores fábricas y mejores vehículos, rápidamente. Es suficiente para que un ejecutivo automático haga estallar Pepto a diario. Para colmo, Tesla ha identificado formas de escalar el monstruo conocido como Dojo en otro rendimiento 10 veces mayor. Guau.
Reflexiones finales: Los analistas de Wall St., incluso los optimistas, creen que Tesla se estaba luciendo al hablar sobre el Tesla Bot. Están preocupados por la competencia, China y el crecimiento de los vehículos. Soy optimista con sus preocupaciones a corto plazo. Este evento fue para reclutar a las mejores personas para resolver los problemas más difíciles durante los próximos tres a cinco años. Tener las mejores personas brinda una buena oportunidad de defenderse de los competidores y aumentar las ventas de vehículos. Tesla es una empresa de inteligencia artificial seria. Están utilizando inteligencia artificial para hacer que sus fábricas, vehículos eléctricos y ofertas de energía renovable sean más inteligentes. Pueden aplicar fácilmente esa IA a otras oportunidades horizontales. Para ver a Tesla como , solamente una empresa automotriz está perdiendo la marca. Ser preocupado acerca de las oportunidades de crecimiento a corto plazo de Tesla pasa por alto igualmente mal.
Nota: Soy un accionista de Tesla desde hace mucho tiempo y planeo mantener durante los próximos 10 años y agregar más acciones cuando pueda. Nada aquí debe interpretarse como un consejo de inversión. Haga su propia investigación. Después de todo, es tu dinero.
¿Aprecia la originalidad de CleanTechnica? Considera convertirte en un Miembro, colaborador, técnico o embajador de CleanTechnica - o un mecenas en Patreon.
PlatoAi. Web3 reinventado. Inteligencia de datos ampliada.
Haga clic aquí para acceder.
Fuente: https://cleantechnica.com/2021/08/30/observations-on-teslas-ai-day/
