Meinung: Künstliche Intelligenz als massiver Wachstumshebel für Tesla
- Kommentare deaktiviert für Meinung: Künstliche Intelligenz als massiver Wachstumshebel für Tesla
- Allgemein
Der AI-Tag im von Tesla hat einen Wendepunkt in der Entwicklung von autonomen Fahrzeugen und neuronalen Netzen offenbart, der tiefgreifende Auswirkungen auf unsere gesamte Zukunft haben wird. Eine Auswirkung, welche die meisten noch nicht begreifen und viele auch in Zukunft nicht vollständig begreifen werden.
So sehr ich mich auch über den vorgestellten Tesla-Roboter und seine künftigen Fähigkeiten freue, wichtiger ist, was wir über den Stand der Technologie erfahren haben, die in naher Zukunft autonome Fahrzeuge ermöglichen wird. Eine Technologie bei der Tesla allen anderen Herstellern weit voraus ist.
Die Präsentation, die wir im August gesehen haben, war keine Marketing- oder PR-Veranstaltung, um die Öffentlichkeit aufzuklären, sondern um Talente für das KI-Team von Tesla zu gewinnen, denn Talente sind rar, machen aber den entscheidenden Unterschied bei der Lösung der schwierigsten Probleme der Welt aus. Autonomes Fahren ist eines dieser schwierigsten Probleme, und so ist es nicht verwunderlich, dass vieles von dem, was die Zuhörer hörten, technischer Natur war und nur verstanden werden konnte, wenn man selbst ein Experte ist.
Autonomes Fahren und Gehen ist der neue Begriff, den es zu lernen gilt, denn die Technologie kann sowohl für Autos als auch für humanoide Roboter und mit Anpassungen für alles andere, was sich in einem Medium bewegt, verwendet werden. Obwohl die Technologie sehr komplex ist und nur wenige Menschen die damit verbundenen Herausforderungen verstehen, lässt sich der Fortschritt von Tesla am besten dadurch ausdrücken, dass das Unternehmen einen Ansatz verfolgt, der der Art und Weise, wie Menschen heute ihre Autos fahren, am nächsten kommt. Tesla verfügt über vektorbasierte 4D-Wahrnehmung und -Orientierung, Planung, Antizipation, Simulation, Iteration, Lernen und Aktionen, die dem menschlichen Gehirn ähnlich sind. Das sind viele Worte, die den meisten nichts sagen, aber für einige wenige die wichtigsten sind.
KLYONA / Shutterstock.com
All das wird mit Software gemacht, aber es gibt auch Hardware, die speziell für die Aufgabe entwickelt wurde und skalierbar ist, wie ein Gehirn und ein Nervensystem, das sich entwickeln, lernen und verändern kann, was in der Gehirnwissenschaft Plastizität genannt wird. Sowohl die Hardware als auch die Software zusammen ermöglichen es uns Menschen, ein Fahrzeug sicher zu steuern, und ich bin zuversichtlich, dass dies eines Tages auch für das System von Tesla gelten wird. Selbst der Dojo-Computer, der die neuronalen Netze des Full-Self-Driving (FSD) Systems in einer separaten Einheit trainiert, um die Algorithmen zu verbessern, ist eine Aufgabe, die das menschliche Gehirn soweit wir wissen zumindest teilweise im Schlaf ausführt. Das menschliche Lernen findet nicht immer nur im Wachzustand statt, sondern auch im Schlaf weshalb die Aussage ‚über ein Problem zu schlafen‘ mehr ist als es scheint.
Ich bezeichne mich nicht als Experte für autonome Technologien, auch wenn andere das gegen meinen Willen behaupten, sondern nur als einen wissbegierigen Ingenieur. Einladungen zu Interviews, die ich nur ungern annehme, akzeptiere ich in der Hoffnung, einen kleinen Beitrag zu der geheimnisvollen Welt der Software und des Computerlernens leisten zu können. Eine Welt die manche künstliche Intelligenz oder KI nennen. Intelligenz ist ein Begriff, den wir immer noch nicht wirklich definieren können, den wir aber für eine Technologie zu verwenden wagen, die wir auch nicht vollständig verstehen. 20 Jahre Erfahrung als Ingenieur in der Software- und Hardwarebranche sind für das Verständnis hilfreich, aber mit Blick der sich beschleunigenden Innovation der selbstfahrenden Fahrzeuge von Tesla bedeutet meine Erfahrung nichts.
Während das beeindruckende Team an Experten, das Tesla zusammengestellt hat, seine Entwicklungen auf dem AI Day technologisch und funktionell sehr detailliert vorstellte, schweigen alle anderen Autohersteller und Softwareunternehmen, die versuchen, ein funktionierendes System zu entwickeln. Die meisten ihrer Entwicklungen sind unter Verschluss und jedes Jahr verschieben sie erneut das Datum an dem sie angeben ein System für den Konsumenten präsentieren zu wollen. Hätten sie das lokale Maximum der Entwicklung erfolgreich überwunden, in dem sich Tesla ein paar Mal befand, könnten sie mit Stolz ihre Errungenschaft präsentieren, aber da sie schweigen, können wir davon ausgehen, dass sie die Aufgabe, die sie zu lösen versuchen, noch nicht einmal in der vollen Tiefe verstanden haben. Wer glaubt, dass die Tatsache, dass die autonome Technologie auf bestimmten definierten Straßen oder Geschwindigkeiten funktioniert, ein Zeichen dafür ist, dass andere das Problem gelöst haben, der macht sich etwas vor. Tesla könnte heute schon ein Fahrzeug von der Ostküste zur Westküste fahren lassen, ohne einen Fahrer zu haben oder zu beaufsichtigen, und könnte deshalb trotzdem nicht behaupten, FSD vollständig gelöst zu haben.
shutterstock / Lizenzfreie Stockfoto-Nummer: 1894154143
Ich wage zu behaupten, dass alle anderen Systemansätze auf ihr lokales Maximum hinarbeiten und die Entwickler noch nicht verstehen, dass der von ihnen verfolgte Ansatz zukünftig kein vollständig autonomes System auf allen Straßen ermöglichen wird, bei dem der Fahrer alle Verantwortung und Haftung an das System abtreten kann. Die Verwendung von Lidar und auch Radar als Sensor zeigt, dass sie die eigentliche Aufgabe die es zu lösen gilt nicht korrekt definiert und verstanden haben. Sobald sich ihr System nicht mehr über ein bestimmtes Niveau hinaus verbessert, das für FSD immer noch unzureichend ist, werden sie entweder wieder bei Null anfangen müssen oder sich für die Lizenzierung des viel billigeren und zu diesem Zeitpunkt bereits ausgereiften Systems von Tesla entscheiden müssen.
„Ich sage voraus, dass die meisten Anbieter, die behaupten, zukünftig ein funktionierendes System zu haben, in den nächsten Jahren verschwinden werden, und keines wird auch nur annähernd die Fähigkeiten von Tesla FSD haben. Diese Behauptung ist nicht nur der Technologie geschuldet, sondern auch der Wirtschaftlichkeit und Skalierbarkeit die ein FSD System wie Tesla anbietet aber von anderen Herstellern nicht ausreichend bzw. gar nicht berücksichtigt wird.“
Dies sind eine Menge Behauptungen und Vorhersagen für jemanden, der sich selbst nicht als Experte bezeichnet, nicht wahr? Erlauben Sie mir, eine Ebene tiefer auf einige der Hardware- und Softwarekomponenten von Tesla einzugehen, um zu zeigen, was sie von allen anderen unterscheidet.
Vektorraum
Ein Vektorraum ist die mathematische Definition eines Objekts in einem 3-dimensionalen Raum. Bilder beschreiben einen 2-dimensionalen Raum, und während alle anderen autonomen Systemansätze mit 2 Dimensionen arbeiten, hat Tesla sich auf 3 Dimensionen plus dem Zeitelement konzentriert, weshalb es zu Recht 4-Dimensionen oder 4D genannt wird. Es ist vergleichsweise einfach, ein Fahrzeug auf der Grundlage von zweidimensionalen Bildern, die von Kameras für die Wahrnehmung erzeugt werden, zum Fahren zu bringen, aber die Ortung Ihres Fahrzeugs in 3 Dimensionen ist um eine Größenordnung anspruchsvoller, präziser und wesentlich sicherer. Diese Präzision ist notwendig, um Kollisionen oder andere unerwünschte Zwischenfälle zu vermeiden.
Durch die Verwendung von drei Dimensionen kann das System Objekte erkennen, die ein zweidimensionales System nicht erkennen kann, und der Zeitfaktor gibt ihm die Möglichkeit, zu simulieren und zu planen, was als Nächstes passieren wird, etwas das wir Antizipation nennen. Antizipation durch Simulation ermöglicht es Ihnen, gefährliche Situationen zu vermeiden, bevor sie eintreten. Während Tesla in 4 Dimensionen arbeitet was ein echter Quantensprung ist, arbeiten alle anderen Hersteller in 2 Dimensionen.
Positionskodierung Neuronaler Netzwerke
Positionskodierungen zusammen mit Multikameramerkmalen und der Kinematik des Fahrzeugs ermöglicht die Darstellung von wiederkehrenden Zellen um das Fahrzeug herum, wodurch der Wahrnehmung eine zeitliche Dimension hinzugefügt wird. Das klingt zwar kompliziert und nach einer seltsamen Wortkombination, ist aber nichts anderes als eine wiederkehrende Identifizierung des Fahrzeugs an seinem Standort, die es ermöglicht, zeitliche Veränderungen und deren notwendige Anpassungen zu erkennen, was oft als Kollisionsvermeidung bezeichnet wird.
Während das neuronale Netz eine wiederkehrende und sich verändernde Karte erstellen kann, ist es auch in der Lage, einen Weg in diesem Raum zu planen und diesen Weg in Iterationen zu korrigieren, um sich einem optimierten Ergebnis anzunähern. Weiterhin kann das System, diese Informationen speichern und sich zu somit ‚ erinnern‘ was voher zu erkennen war und was daraus abzuleiten ist. Während andere Anbieter statische Karten mit hoher Dichte verwenden, die beim Hochladen schon wiederrum veraltet sind und deshalb in der Fläche keine tragbare Lösung darstellen, versteht ein Tesla-Fahrzeug seine Umgebung in Echtzeit und dynamisch wie kein anderes.
Fusion
Tesla-Fahrzeuge verfügen über 8 Kameras rund um das Fahrzeug. Anstatt jede Kamera einzeln zu verwenden was alle Hersteller nach unserem besten Wissen so machen, wird bei Tesla eine kombinierte Ansicht aller 8 Kameras erstellt, die eine ganzheitliche Wahrnehmung bietet und hilft, Objekte besser zu verstehen, die eine einzelne Kamera falsch interpretieren würde oder die nicht in deren Blickfeld voll zu erfassen sind. Eine solche Umgebungswahrnehmung ist erforderlich, um die Welt um das Fahrzeug herum zu erkennen, andernfalls wird die Interpretation zwangsläufig immer fehlerhaft sein. Tesla bezeichnete dies als „Vogelperspektive“ und erstellt diese Zusammenführung früher als bisher im Prozess, um das Ergebnis auch früher nutzen zu können. Andere Systementwickler verwenden teilweise weit mehr als 8 Kameras, aber da sie jedes 2D-Bild einzeln verarbeiten, wird ihre Wahrnehmung der Umgebung immer hinter dem zurückbleiben, was ein Tesla-Fahrzeug technologisch wahrnehmen kann. Dies ist ein wesentlicher Ansatz, um der zeitlichen Dimension, die als logische Erweiterung der Fusion verwendet wird, einen Sinn zu geben.
Automatisches Kennzeichnen
Die Kennzeichnung von statischen und dynamischen Objekten wird heute von allen Unternehmen die sich an autonomen Systemen versuchen manuell vorgenommen. Tesla wird dies ab nächstem Jahr automatisch mit seinem Dojo-Computer machen, womit das Unternehmen wieder einmal allen anderen weit voraus ist den der Dojo-Computer ist ein sogenannter Supercomputer speziell für diesen Anwendungsfall entwickelt. Die korrekte Kennzeichnung von Objekten in Bildern und Videos durch das System ist die Grundlage für eine korrekte Entscheidungsfindung durch ein autonom fahrendes Fahrzeug.
Heute setzt Tesla 1.000 Personen ein welche sprichwörtlich die richtigen Etiketten anbringen, aber angesichts der Komplexität und Vielfalt unserer Welt ist ein manueller Ansatz nicht ausreichend. Die automatische Beschriftung wird von keinem anderen Systemanbieter durchgeführt oder geplant und ist der heilige Gral, um Prozesse und Verbesserungen zu beschleunigen. Noch spannender ist, dass jedes Fahrzeug auch Eingaben an den Dojo-Computer liefert, um Karten korrekt zu beschriften und so die Weltkarte zu vervollständigen und zu bestätigen, auf der alle Tesla-Fahrzeuge im Laufe der Zeit fahren. Die Genauigkeit übertrifft alle sogenannten HD Karten, die andere Anbieter regelmäßig in ihre Fahrzeuge laden, um eine Größenordnung und passiert automatisiert durch die Millionen von Tesla Fahrzeugen die schon heute Daten sammeln.
Daten und Simulation
Tesla verwendet zwar Daten aus der realen Welt in einem noch nie dagewesenen Ausmaß, indem es inzwischen mehr als 2 Millionen Fahrzeuge auf der Straße mit 8 Kameras erfasst, aber die Welt ist vielfältig und es treten Grenzfälle auf, die niemand zuvor erwartet hat. Andere Unternehmen versuchen, fehlende Daten mit Simulationen zu kompensieren, aber jede Simulation ist immer schlechter als die Realität und die Vielfalt der Welt. Man kann sagen, dass Simulationen niemals in der Lage sein werden, reale Daten zu kompensieren, aber sie können vorhandene reale Daten anreichern, um ungewöhnliche Randfälle zu schaffen, die man noch nie gesehen hat.
Diese Randfälle sind für das Training von Algorithmen von entscheidender Bedeutung, so dass sie vorbereitet werden können, bevor sie zum ersten Mal mit dieser Ungewöhnlichkeit konfrontiert werden. Simulationen sind auch sehr nützlich, um Situationen zu schaffen, in denen die Beschriftung vieler Objekte nicht durch manuelle Beschriftung, sondern als Vorbereitung durch simulierte Daten erfolgt. Ein Beispiel hierfür ist eine Straße mit 100 sich bewegenden und beschrifteten Objekten.
Sensoren
Sensoren liefern den Input für das autonome Fahrsystem, aber was es zum Fahren bringt, ist der Output, der auf den dazwischen liegenden Berechnungen basiert. Wenn Sie viele Eingaben von vielen verschiedenen Sensoren erhalten, bekommen Sie nur dann eine bessere Ausgabe und ein besseres Endergebnis, wenn der Computer sie auch zur Verbesserung nutzen kann. Zu einem gewissen Zeitpunkt muss das System die von den verschiedenen neuronalen Netzen berechneten Eingaben zu einer einzigem Ergebnis zusammenführen, aber wie soll man entscheiden, welches Ergebnis das Richtig ist, wenn die einzelnen Ergebnisse der Neuronalen Netze mit Input von Lidar, Radar und Kameras einander widersprechen?
Dieses Problem kann nicht gelöst werden, da jedes der Netze richtig oder falsche Ergebnisse liefern kann und der Konflikt bestehen bleibt. Aus diesem Grund hat die Natur entschieden, dass der Mensch seine Augen als Haupteingabe für die Berechnung und Ausgabe beim Fahren verwenden muss und wir werden deshalb zu Recht „Augentiere“ genannt. Für die Lösung des Problems des autonomen Fahrens ist der Einsatz von Kameras der richtige Ansatz, da Konflikte ausgeschlossen werden und Entscheidungen schnell und zuverlässig getroffen werden können. Alle anderen Systementwickler, die Radar, Lidar und andere Sensoren verwenden, erzeugen Konflikte, die sie nicht lösen können, und sind folglich in einem lokalen Maximum gefangen. Wenn sie das erkennen, wird der Zeit- und Kapitalaufwand für einen neuen Start enorm sein, und ein neuer Ansatz wird wahrscheinlich zum Ende des Unternehmens führen.
Dojo D1 Chip
Auf der Hardwareseite der Gleichung hat Tesla seinen eigenen, intern entwickelten Chip und Computer entwickelt, der der größte und schnellste der Welt autonomer Fahrzeuge ist. Es ist wichtig zu verstehen, dass alle anderen Unternehmen mit Chips und Computern arbeiten, die für verschiedene Anwendungsfälle entwickelt wurden, nicht nur für autonomes Fahren und neuronale Netzwerke. Ein Mehrzwecksystem geht immer Kompromisse ein, um Lösungen an einen breiten Kundenstamm verkaufen zu können, sei es bei der Wärmeentwicklung, der Rechenleistung, der Größe oder dem Preis.
Ein dediziertes System, das nur für einen oder mehrere Zwecke entwickelt wurde, ist ein entscheidender Unterschied und Vorteil. Es ermöglicht Dojo, die Trainingszyklen des neuronalen Netzes mit einer Geschwindigkeit zu beschleunigen, die kein anderer Computer der Welt erreichen kann. Für Tesla bedeutet dies, dass die Verbesserungen im Vergleich zu allen anderen schneller erfolgen, weil das neuronale Netz schneller trainiert werden kann. Selbst wenn andere Hersteller bei der Entwicklung neuronaler Netze den gleichen Ansatz verfolgen würden, würden sie ohne Dojo bei der Verbesserung zurückfallen, wenn sie nicht über ein schnelleres System verfügen. Dank der Skalierbarkeit und Flexibilität, mit der der Computer bei Bedarf erweitert werden kann, lässt er sich leicht aufrüsten, so dass lange Entwicklungs-, Konstruktions- und Fertigungszyklen vermieden werden. Dojo soll 2022 auf den Markt kommen und wird Tesla einen großen Schritt voranbringen wobei die nächste Chipgeneration von Tesla schon in der Entwicklung ist.
Künstliche Intelligenz als wichtiger Wachstumshebel für Tesla
Mit all den oben beschriebenen Kategorien hebt sich Tesla von anderen Ansätzen zum autonomen Fahren deutlich ab und baut seinen Vorsprung weiter aus. Vor allem aber tragen alle beschriebenen Elemente auf die eine oder andere Weise dazu bei, den Iterationsprozess des Systems und damit die Verbesserungsquote zu beschleunigen. Unabhängig davon, welchen Weg die KI-Konkurrenten einschlagen, wenn sie keine Elemente in ihrem System haben, die die Iteration beschleunigen, werden sie bei der Verbesserung weiter zurückfallen.
„Moats are lame“, sagte Elon Musk zu Recht, denn das Tempo von Innovation und Verbesserung bestimmt, wer führt, und nicht, wer das geistige Eigentum schützt. In diesem Sinne ist es unsinnig, einen Innovationsführer daran zu messen, wie viele Patente jemand besitzt. Während viele darüber streiten, ob der Ansatz von Tesla der richtige ist, bestreitet niemand, dass kein einziges Unternehmen bei Innovation und iterativer Verbesserung schneller als Tesla ist.
Da der Gewinner des Rennens um autonome Fahrzeuge den größten Teil des ‚wirtschaftlichen Kuchens‘ für sich beansprucht, wird es am Ende des Übergangs zu FSD einen großen Anbieter geben, von dem andere eine Lizenz erwerben werden, weil er ein besseres System zu niedrigeren Kosten anbieten kann und nur wenige andere. Folglich wird der größte Teil der weltweiten Gewinne in diesem hochattraktiven neuen Mobilitätsfeld an ein Unternehmen gehen.
An diesem Wochenende wurde die FSD-Beta Lösung allen Eigentümern eines Tesla in den USA welche FSD erworben haben und ein sicheres Fahrverhalten durch Fahrzeugdaten nachweisen können, angeboten. Jeder der dies nunmehr als unsichere Technologie bezeichnet sollte sich durch Daten und Fakten darüber informieren lassen das FSD-Beta zweifelsohne das sicherste ist was zurzeit im Markt verfügbar ist.
Alexander Voigt
Per 1.000 Fahrzeugführer gab es im Durchschnitt in den USA folgende Anzahl an Unfällen:
Alle Fahrer: 25 Unfälle/Jahr
Mit Tesla Autopilot: 3 Unfälle/Jahr
Mit Tesla FSD-Beta: 0 Unfälle
Natürlich kann man zu recht anmerken das die Nutzer des Autopilot, was im übrigen eine andere Software ist als FSD-Beta, nicht dem durchschnittlichen amerikanischen Verkehrsteilnehmer entsprechen oder das bisher nur knapp 2 Tausend Personen FSD-Beta überhaupt genutzt haben aber nichtsdestotrotz zeigen die Daten einen klaren Trend und das es statistisch gesehen sicherer ist ein System von Tesla zu nutzen als selbst zu fahren. Aus diesem Grund sollte auch jeder mit voreiligen Schlüssen sehr vorsichtig sein und sich nicht vor der irrationalen Angst die gegenüber autonomen Fahrsystemen existiert leiten lassen, sondern durch Daten und Fakten eine Meinung bilden.
Da alles, was Tesla entwickelt hat, um das Problem des autonomen Fahrzeugs zu lösen, für jede künftige Entwicklung neuronaler Netze für automatisierte Fahrzeuge, einschließlich des Tesla Bot, verwendet werden kann, ist das System selbst eine potentielle zukünftige Dienstleistung, die als ‚Neural Network as a Service-Lösung‘ monetarisiert werden kann. Mit dieser Hebelwirkung eröffnet Tesla eine noch nie dagewesene Möglichkeit, Einnahmen mit hohen Gewinnspannen zu erzielen, vergleichbar den Margen der Softwareindustrie die oft über 90% liegen, während die Autoindustrie stolz ist wenn sie 10% Marge erreicht. Aus diesem Grund sollte man auch davon Abstand nehmen das Unternehmen als Automobilhersteller zu sehen denn ganz offensichtlich kommt der größte Teil der Wertschöpfung aus der Software und nicht dem Blech.
Es ist wahrscheinlich, dass der Großteil der zukünftigen Gewinne aus neuronalen Netzen, einer neuen Industrie die gerade entsteht, aus verschiedenen Industriebranchen an Tesla fallen wird. Darüber hinaus ist der Tesla Bot eine unglaublich große Geschäftsmöglichkeit für sich allein, die meiner bescheidenen Meinung nach größer sein wird als alles, was Tesla heute mit Fahrzeugen und Energie erreicht. Die Anwendungsfälle im Gesundheitswesen oder der Altenpflege eröffnen einen Milliardenmarkt mit hohen Margen.
Es gibt noch viele Herausforderungen zu bewältigen und viel zu lernen, aber aus dem, was wir auf dem AI Day gesehen und gelernt haben, können wir schließen, dass Teslas Vorsprung immer größer wird und der Wettbewerb weiter ins Hintertreffen gerät.
Der Beitrag Meinung: Künstliche Intelligenz als massiver Wachstumshebel für Tesla erschien zuerst auf Elektroauto-News.net.
