한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

sebagai pemimpin "end-to-end", mr. mao jiming menunjukkan bahwa dari arsitektur modular tradisional hingga model end-to-end, struktur biaya solusi mengemudi cerdas juga akan berubah. sejumlah besar penulis aturan akan bermigrasi ke sisi data, yang merupakan hal baik bagi oem dengan kemampuan produksi massal. karena rendahnya biaya perolehan data, keseluruhan biaya solusi mengemudi cerdas akan semakin berkurang secara signifikan. lou tiancheng percaya bahwa dalam jangka pendek, pembelian chip daya komputasi yang besar memang akan meningkatkan biaya saat ini, namun dalam jangka panjang, setelah teknologi end-to-end matang dan diterapkan, biaya investasi awal secara bertahap akan berkurang. .

namun, hal ini tidak berarti bahwa tantangan teknis hilang sepenuhnya. melatih model end-to-end secara efektif memerlukan sumber daya komputasi yang besar. wang panqu mengatakan bahwa biaya pelatihan adalah tantangan terbesar. jika ini hanya pelatihan model mengemudi otonom end-to-end yang sederhana, ratusan gpu dengan daya komputasi besar sudah cukup. namun, untuk memastikan investasi jangka panjang dan memastikan kualitas menyeluruh, skala daya komputasi pelatihan setiap perusahaan pengemudi otonom pada dasarnya akan mencapai tingkat kilokalori, dan perusahaan mobil akan berinvestasi lebih banyak.

mao jiming memberikan persyaratan daya komputasi end-to-end yang lebih spesifik: seluruh sistem memerlukan setidaknya dua nvidia orin atau satu nvidia thor. dia mengatakan bahwa kebutuhan daya komputasi dari sistem end-to-end murni lebih kecil dari total kebutuhan daya komputasi arsitektur modular. namun, selain sistem utama, produksi massal end-to-end sering kali memiliki sistem bypass , dan kebutuhan daya komputasinya secara umum sama dengan arsitektur modular sebelumnya. namun, wang panqu percaya bahwa dengan peningkatan kemampuan chip komputasi kendaraan, daya komputasi tidak akan menjadi hambatan bagi orientasi end-to-end di masa depan.

lou tiancheng menganut pandangan yang sama, mengatakan bahwa dari arsitektur klasik hingga end-to-end, jumlah total kode akan berkurang secara signifikan, dan konsumsi sumber daya komputasi yang dibawa oleh jaringan saraf end-to-end belum tentu signifikan. ditingkatkan dibandingkan dengan model bev. “keinginan untuk mendapatkan daya komputasi yang lebih tinggi lebih berasal dari peningkatan parameter model dan kinerja model, bukan dari transformasi end-to-end.” dia menunjukkan bahwa dari perspektif implementasi end-to-end, perusahaan terkait harus berpikir selengkapnya tentang cara memanfaatkan sepenuhnya sumber daya komputasi chip yang ada untuk meningkatkan efisiensi pemanfaatan.

secara keseluruhan, revolusi "end-to-end" mengubah industri kendaraan otonom. ini bukan hanya inovasi teknologi, tetapi juga arah dan peluang pengembangan baru, dan juga membawa tantangan baru. di masa depan, dengan kemajuan teknologi yang berkelanjutan dan peningkatan daya komputasi, kita akan melihat sistem mengemudi otonom yang lebih lengkap dan cerdas, yang menghadirkan lebih banyak kenyamanan dan keamanan dalam perjalanan kita.