特斯拉即将放出的「性能怪兽」，隐藏了多大的野心？

近日，马斯克发推特宣布，特斯拉「AI Day」将会在北美时间8月19日正式举行，并表示发布会将会介绍特斯拉在 人工智能 领域的软件和硬件进展，尤其是在 神经网络 训练和预测推理方面的进展。而这次活动的主要目的，还是招揽相关人才。

 

这种做法非常的特斯拉，就像2019年的「Autonomous Day」和2020年的「Battery Day」一样，估计「AI Day」整个发布会将会涉及大量的软件、硬件的技术细节，以此来向外界「秀肌肉」。 

而这种技术「秀肌肉」正是特斯拉招揽人才的方式。从某种程度上讲，特斯拉在召开类似的发布会时，面向的群体更多是行业领域的专业人士，并用极具野心的 规划 方向和研发成果来吸引受众之中的专业人才。 

特斯拉的AI硬件负责人Peter Bannon曾在接受采访时说：「很多人想要来特斯拉工作的根本原因，仅仅是因为他们想要从事于FSD的研发和相关工作。」事实上，美国近几年在统计工程类专业学生最想去的公司排名中，特斯拉和SpaceX经常交替排名第一，其实也佐证了Peter所说的这一现象。 

（图/Universum）

尽管此次特斯拉一如既往地并未泄露什么「AI Day」的信息，但仅通过上面那一张预热图，就让不少从事AI领域的人感到兴奋。

神秘的 Dojo 计算机芯片

在「AI Day」发布会的邀请函上，放着一张夸张的芯片图。

从图上估测，该芯片才用了非常规的封装形式，第一层和第五层铜质结构是水冷散热模块；红色圈出的第二层结构由5*5阵列共25个芯片组成；第三层为25个阵列核心的BGA封装基板；第四层和第七层应该只是物理承载结构附带一些导热属性；蓝色圈出的第六层应该是功率模块，以及上面竖着的黑色长条，很可能是穿过散热与芯片进行高速通信的互联模块； 

从第二层结构的圆形边角，以及拥有25个芯片结构来看，非常像Cerebras公司的WSE超大处理器，也有可能采用了TSMC（台积电 ）的InFO-SoW（集成扇出系统）设计。 

 

所谓InFo-SoW设计，简单理解来说就是原本一个晶圆（Wafer）能够「切割」出很多个CPU或GPU等类型的芯片（根据设计不同，光刻时决定芯片类型），而InFo-SoW则是所有的芯片都来自于同一个晶圆，不但不进行切割，反而是直接讲整个晶圆做成一个超大芯片，实现system on wafer的设计。 

这么做的好处有三个：极低的通讯延迟和超大的通讯带宽、能效的提升。 

简单来说， 由于C2C（芯片与芯片之间）的物理距离极短，加上通讯结构可以直接在晶圆上布置，使得所有内核都能使用统一的2D网状结构互连，实现了C2C通信的超低延迟和高带宽；以及由于结构优势实现了较低的PDN阻抗，实现了能效的提升。此外，由于是阵列多个小芯片组成，可以通过冗余设计来避免「良品率」问题，以及实现小芯片处理的灵活性。

举个形象的例子，特斯拉前一阵公布的超级电脑，一共用了5760个Nvida A100 80GB的GPU，那么在这些芯片之间，需要海量的物理结构进行连接以实现通讯，不仅耗费大量成本，且由于连接结构的带宽限制成为「木桶短板」，导致整体效率较低，并且还有分散的庞大散热问题。 

这里拿Cerabraas的WSE-2作为参考对比，其单个芯片的核心数是Nvdia A100的123倍，芯片缓存为1000倍，缓存带宽为12733倍，Fabric结构带宽则为45833倍。

研发这一「性能怪兽」的主要目的，就是为了AI的数据处理和训练。其一代芯片WSE，已经有多个重量级用户在使用，比如美国阿贡国家实验室、劳伦斯利弗莫尔国家实验室、匹兹堡超级计算中心、爱丁堡大学的超级计算中心、葛兰素史克、东京电子器件等。 

全球制药巨头葛兰素史克的高级副总裁Kim Branson曾表示，WSE的超强性能将训练时间减少到之前的1/80。而在美国最大的科学与工程研究室阿贡国家实验室，WSE芯片被用于癌症研究，将癌症模型的实验周转时间减少到1/300还少。 

所以不难推断出， 「AI Day」邀请函上面放出的这张图，应该就是马斯克所谓的Dojo超级计算机的自研芯片。并且颇有意思的是，发布会的时间是2021年8月19日，而就在刚好一年前的2020年8月19日，马斯克发了一条推特说：「Dojo V1.0还未完成，估计还需要一年的时间。不仅仅是芯片本身的研发难度，能效和冷却问题也非常的难

之所以说冷却问题难，是因为根据300mm的标准晶圆尺寸来看，特斯拉这块Dojo芯片设计应该与RTX 3090差不多，至少每个芯片有280亿-320亿个左右的晶体管，单个芯片功耗可达250-300w左右，整体功耗约在6250w-7500w左右；并且 台积电 也曾表示，InFo-SoW设计的最高功耗约为7000w，同样印证了这一点。 

几个月后，马斯克又补充道：「Dojo采用我们自研的芯片和为 神经网络 训练优化的计算架构，而非GPU集群。尽管可能是不准确的，但是我认为Dojo将会是世界上最棒的超算。」

此外，马斯克在2021年Q1财报时也曾说：Dojo是一台为 神经网络 训练优化的超级计算机。我们认为以视频数据处理速度而言，Dojo将会是全世界效率最高的。」 

 

其实马斯克早在2019年的「Autonomous Day」就提到过Dojo，称Dojo是能够利用海量的视频（级别）数据，做「无人监管」的标注和训练的超级计算机。

并且如果认真了解过2019年「Autonomous Day」发布会，就会发现，特斯拉推出Dojo超算以及自研芯片，是特斯拉「不得不去做的事」。 

为什么要做 Dojo ？

其实这个问题马斯克曾在推特中回复过，大致意思为：「只有解决了真实世界的AI问题，才能解决自动驾驶问题……除非拥有很强的AI能力及超强算力，否则根本没办法……自动驾驶行业大家都很清楚，无数的边缘场景只能通过真实世界的视觉AI来解决，因为整个世界的道路就是按照人类的认知来建立的…… 一旦拥有了解决上述问题的AI芯片，其他的就只能算是锦上添花。」 

自动驾驶目前需要解决的难题，其实最核心和最困难的就是「感知」，换句话说系统对周围驾驶环境的感知能力越强，其自动驾驶的综合能力就越强；也就是从这里，行业里分成了两大流派，一个是以特斯拉和Mobileye（同时也有Lidar方案）为首的纯视觉方案；另外是其他所有相关公司，想尽可能加入更多的传感器融合方案。 

目前还很难判断究竟哪条路径是正确的，因为很有可能未来实现殊同同归的结果。 

但是，无论是哪条路径，都需要对海量的数据进行深度学习，也就是对 神经网络 的训练，才有可能实现所谓完全自动驾驶，而且这是唯一途径。 

原因很简单，自动驾驶的问题，可以理解为处理可能遇到的各种驾驶场景以及做出的操作，这一问题基本是「无限」的：如果有有限的编程方式，那么永远无法解决所有可能遇到的问题，或者说以人类的能力，根本无法覆盖那么多种变化的情况。 

早期的各种自动驾驶系统，由于没有别的途径，只能用这样的「死板」方式去研发软件，所以其能力非常有限，只能应付相对稳定和条件限制较多的场景。 

而如果想要实现识别各类型的场景，就需要相关「软件」不断自我适应和进化，这也是利用神经网络 进行深度学习的原因。 

神经网络 可以简单理解为通过「仿生学」模拟人类大脑皮层的神经元「沟通学习」的方式进行处理数据，用来实现「类人」的学习东西的方式。 然而，概念很美好，现实很残酷。 

 

1943年Warren McCulloch和Walter Pitts曾写过论文讲述人工 神经网络 该如何工作，并且利用电路造了一个简单的模型。后来经过诸多人的努力和研究发展，直到1998年，斯坦福大学的Bernard Widrow和Marcian Hoff才打造出了第一套用于解决实际问题的人工 神经网络 。 

1956年，达特茅斯夏季会议上各路大牛提出了AI定义，大大推动了AI和人工 神经网络 的发展，也被广泛人为是AI元年。当时人们信心满满，认为不用20年就能打造出跟人脑差不多一样的AI系统。结果在不断研究中发现，深度 神经网络 的算法太过复杂，从而无从下手。于是放弃了当初「大而全」的目标形式，转为以执行单一目标为方向。 

 

这其中的原因除了因为对人类大脑的认识非常肤浅（到现在也没有进步多少），以及人工 神经网络 架构的局限和软件算法的局限之外，更多的就是算力问题，也就是受到半导体行业发展的限制。 

当年，李开复在做他的语音识别功能博士论文时，哪怕他所采用语音数据库在当时就算容量相当大的了，也不过仅有100MB，可这也花费了他导师近10万美元。在1988年，这相当于两套房子的价格。而如今动辄几个PB的庞大数据量，让算力成为了限制很多AI发展的瓶颈。 

这里补充一个知识：不同的处理器芯片所具备的能力各不相同。例如CPU的通用计算可以被理解为总指挥，负责逻辑上更线性的计算和判断；而GPU则是专职于图像处理的芯片，能够同时吞吐较大的数据量和进行矩阵计算，加之已经是成熟的量产产品，所以被大量应用于AI学习。 

而NPU（Neural Processing Unit， 神经网络 处理器）则是从设计层面就专职为 神经网络 学习优化的，像谷歌的TPU和特斯拉的FSD芯片都属于NPU序列，这类芯片扔掉了类似GPU中不需要的功能，仅为 神经网络 所需要的数据处理形式服务，其速度和能效要高很多。 

但是，这里还需要区分ASIC（Application Specific Integrated Circuit，专用集成电路）芯片和FPGA（Field Programmable Gate Array，可编程逻辑门阵列）芯片，其中ASIC芯片就是生产后，其运行逻辑和功能就固定了，不能修改，为某项任务（软件）而生，能效极高。

而FPGA则是可以通过软件改变其运行逻辑，为半定制的芯片，可以通过软件对其进行修改，适合进行训练和优化所用，能效相比ASIC芯片低一些。像TPU和FSD都属于ASIC芯片，而特斯拉此次发布的Dojo芯片就属于FPGA序列。

目前来看，市场上既没有符合需求的车载芯片可用，也没有符合需求的超算来更好地利用这些数据，特斯拉想要实现这一切，在当时只有自己去做软件和硬件：当年，特斯拉在2016年立项做FSD芯片时，谷歌的专属AI芯片TPU才刚刚问世，而车载的AI芯片几乎没有能用的。 

所以，当年很可能FSD和Dojo的立项时间不会差太远，只是由于考虑到能耗和需求问题，Dojo等到7nm的技术相对成熟后，才开始逐步推进。 

从另一个纬度上去理解Dojo的必然性，是从 神经网络 学习的计算量级上去理解。在2019年「Autonomous Day」发布会上，特斯拉其实已经明示了会去掉雷达，走向纯视觉，且是视频级别的数据进行直接处理。 

举个简单的例子，一张1080p的图像，以最简单的 神经网络 结构，如果不利用激活函数（tanh、ReLU）进行数据「优化」，其运算量大概需要4万多亿次；即便采用激活函数优化的卷积 神经网络 处理，其运算量也将达到1.3亿多次；而如果以视频形式处理，一秒按24帧计算，也有24张图像，综合算下来其运算量是惊人的。 

值得注意的是，自动驾驶收集的数据中95%左右都是无效数据，也就是对 神经网络 训练压根没用，简单理解来说就是你每天做几乎相同的卷子，是得不到任何提升的。 所以即便特斯拉的车辆仅在特定触发条件下才会收集部分数据，但得到的数据量依然非常庞大，需要Dojo这样为特斯拉自身软件优化过的定制超算，才能大大提高效率。

此外，前文提到过「无监督训练」也是Dojo的另一个核心目的，用于大幅度提高训练效率。

在 神经网络 训练中，其实海量的研究人员都是「调参侠」，简单理解也就是通过不断调「权重」来让 神经网络 判断越来越准确，或者是通过人工标注各种「正确答案」，让其学习。

这就会导致「人」成为了效率的短板，从而致使整个过程的训练速度大幅降低。 而如果实现「无监督训练」，也就是系统自己通过海量数据和以前「学习」的结果进行自动标注和调整，那么其效率将会是量子级别的提升。

举个简单的例子，谷歌的Alpha Go击败世界围棋大师相信很多人都知道，也是一个 人工智能 在特定领域击败人类的标志事件。作为对比，Alpha Go经过人工参与调整和标注的训练结果，经历了几年时间击败了全球高手。而作为无监督训练的范例Alpha Zero，仅用三天时间自己与自己对弈，就击败了Alpha Go Lee，在21天打到了Alpha Master的水平，并在40天超越了所有的旧版本。 

总结起来，如果特斯拉完成了Dojo的打造，那么就能够以惊人的效率用海量的数据进行训练，解决各种「边缘场景」的问题，加快自动驾驶系统的成熟和完善；更关键的是，特斯拉对其软硬件的垂直整合度非常高，不仅不受制于别人，而且能够以此作为服务，给外界提供深度学习的训练业务。 

马斯克曾表示，一旦相对完善了Dojo，将会开放Dojo作为服务给外界提供训练业务，并且Dojo能够承接几乎所有的机器学习任务。 

这也是为什么马斯克敢说，未来特斯拉将会是最大的几家 人工智能 公司之一。 

会有 One More Thing 吗？

此次特斯拉的「AI Day」，不出意料的话会把Dojo芯片作为最重点的内容进行软硬件的介绍；当然也会覆盖FSD Beta相关的进展介绍，但就目前的信息来看，还极有可能会推出新的基于7nm技术的HW4.0硬件。 

毕竟在2019年「Autonomous Day」时，马斯克就说过HW4.0的研发已经进行了一半，所以此次发布会，也很有可能借此机会发布新的车载芯片硬件。 

总之，此次特斯拉「AI Day」发布会，很有可能再次在汽车行业甚至是AI领域掀起一波浪潮，至于到底会不会有更多的惊喜，那就到等那天才能揭晓了。