한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

als leiter von „end-to-end“ wies herr mao jiming darauf hin, dass sich auch die kostenstruktur intelligenter fahrlösungen von der traditionellen modularen architektur zum end-to-end-modell ändern wird. eine große anzahl von regelschreibern wird auf die datenseite migrieren, was für oems mit massenproduktionsfähigkeiten eine gute sache ist. aufgrund der geringen kosten für die datenbeschaffung werden die gesamtkosten der smart-driving-lösung sogar noch deutlich sinken. herr lou tiancheng glaubt, dass der kauf von chips mit großer rechenleistung kurzfristig zwar die aktuellen kosten erhöhen wird, langfristig jedoch, sobald die end-to-end-technologie ausgereift und angewendet ist, die anfänglichen investitionskosten allmählich verwässert werden .

dies bedeutet jedoch nicht, dass technische herausforderungen vollständig verschwinden. das effektive training eines end-to-end-modells erfordert eine große menge an rechenressourcen. herr wang panqu sagte, dass die trainingskosten die größte herausforderung darstellen. wenn es sich nur um ein einfaches end-to-end-modelltraining für autonomes fahren handelt, reichen hunderte von gpus mit großer rechenleistung aus. um jedoch langfristige investitionen zu gewährleisten und die end-to-end-qualität sicherzustellen, wird die trainingsrechenleistungsskala jedes autonomen fahrunternehmens im wesentlichen das kilokalorienniveau erreichen, und automobilunternehmen werden mehr investieren.

mao jiming gab konkretere end-to-end-rechenleistungsanforderungen an: das gesamte system erfordert mindestens zwei nvidia orin oder einen einzelnen nvidia thor. er sagte, dass der rechenleistungsbedarf eines reinen end-to-end-systems geringer sei als der gesamtrechenleistungsbedarf einer modularen architektur. allerdings verfügt die massenproduktion von end-to-end-systemen zusätzlich zum hauptsystem häufig über ein bypass-system die anforderungen an die rechenleistung entsprechen im allgemeinen denen der vorherigen modularen architektur. allerdings ist wang panqu davon überzeugt, dass die rechenleistung angesichts der zunehmenden fähigkeiten von fahrzeug-end-rechenchips künftig kein hindernis mehr für ein durchgängiges onboarding sein wird.

lou tiancheng vertritt die gleiche ansicht und sagt, dass von der klassischen architektur zur end-to-end-architektur die gesamtzahl der codes erheblich reduziert wird und der durch das end-to-end-neuronale netzwerk verursachte rechenressourcenverbrauch nicht unbedingt erheblich sein wird im vergleich zum bev-modell verbessert. „der wunsch nach höherer rechenleistung ergibt sich eher aus der verbesserung der modellparameter und der modellleistung als aus der end-to-end-transformation.“ er wies darauf hin, dass relevante unternehmen aus der perspektive der end-to-end-implementierung denken sollten erfahren sie mehr darüber, wie sie die vorhandenen chip-computing-ressourcen optimal nutzen können, um die nutzungseffizienz zu verbessern.

alles in allem verändert die „end-to-end“-revolution die branche des autonomen fahrens. sie ist nicht nur eine technologische innovation, sondern auch eine neue entwicklungsrichtung und -chance und bringt auch neue herausforderungen mit sich. mit der kontinuierlichen weiterentwicklung der technologie und der verbesserung der rechenleistung werden wir in zukunft umfassendere und intelligentere autonome fahrsysteme sehen, die mehr komfort und sicherheit auf unseren reisen bringen.