Tesla Autonomy Day 22 avril 2019 Événement investisseurs de Tesla sur la conduite autonome : la puce FSD maison, l'approche par réseaux de neurones et une démo en direct, avec Elon Musk.
Événement investisseurs de Tesla sur la conduite autonome : la puce FSD maison, l'approche par réseaux de neurones et une démo en direct, avec Elon Musk.
Transcription Transcription complète sur alacrastore.com → Speaker
C'est. Sa. Sam. C'est. Gamme sam c'est. Sa.
Speaker
Course. Sa. Sa. Sa. Sam. Sa. Sam.
Speaker
C'est. Sam. Sa. Sam. C'est. Sa. Sam sa. Sam. Sa. Sa. Sa. Sa. C'est. Sam. Sa. Sa. Sam. Sa. Sa. Sa. C'est. Sam.
Investor Relations
Bonjour à tous. Je suis désolé d'être en retard. Bienvenue à notre tout premier jour d'analyste pour l'autonomie. J'espère vraiment que c'est quelque chose que nous pouvons faire un peu plus régulièrement maintenant pour vous tenir au courant des développements que nous faisons concernant la conduite autonome. Il y a environ trois mois, nous nous préparions pour notre appel aux résultats du Q4 avec Elon et pas mal d'autres dirigeants. Et l'une des choses que j'ai dit au groupe est que de toutes les conversations que j'ai régulièrement avec les investisseurs, le plus grand écart que je vois entre ce que je vois à l'intérieur de l'entreprise et la perception extérieure est notre capacité de conduite autonome. Et cela a du sens car depuis quelques années, nous parlons vraiment du lancement du Model 3. Et vous savez, beaucoup de débat a tourné autour du Model 3, mais en réalité, beaucoup de choses se sont passées en arrière-plan. Nous avons travaillé sur la nouvelle puce de conduite autonome complète. Nous avons eu une refonte complète de notre réseau de neurones pour la reconnaissance visuelle, et cetera. Donc maintenant que nous avons finalement commencé à produire notre ordinateur de conduite autonome complète, nous avons pensé qu'il était judicieux de simplement lever le voile, d'inviter tout le monde et de parler de tout ce que nous avons fait au cours des deux dernières années. Il y a donc environ trois ans, nous voulions utiliser, nous voulions trouver la meilleure puce possible pour l'autonomie complète. Et nous avons découvert qu'il n'y a pas de puce conçue à partir de zéro pour les réseaux de neurones. Nous avons donc invité mon collègue Pete Bannon, le VP of Silicon Engineering, à concevoir une telle puce pour nous. Il a environ 35 ans d'expérience dans la construction et la conception de puces. Environ 12 de ces années ont été pour une société appelée PA Semi, qui a été acquise plus tard par Apple. Il a donc travaillé sur des dizaines d'architectures et de conceptions différentes et il était le concepteur principal, je pense, pour Apple iPhone 5 juste avant de rejoindre Tesla. Et il sera rejoint sur scène par Elon Musk. Merci.
En fait, j'allais présenter Pete, mais Martin Stunt. Donc c'est simplement le meilleur architecte de puce et de système que je connaisse au monde. Et c'est un honneur de vous avoir, vous et votre équipe chez Tesla. Parlez-leur simplement du travail incroyable que vous et votre équipe avez fait.
Merci, Elon. C'est un plaisir d'être ici ce matin et un vrai régal de vous parler de tout le travail que mes collègues et moi avons fait ici chez Tesla au cours des trois dernières années. Je pense que nous vous parlerons un peu du début de tout cela, puis je vous présenterai l'ordinateur de conduite autonome complète et vous parlerai un peu de son fonctionnement. Nous plongerons dans la puce elle-même et parcourrons certains de ces détails. Je décrirai comment fonctionne l'accélérateur de réseau de neurones personnalisé que nous avons conçu, puis je vous montrerai quelques résultats et j'espère que vous serez tous encore éveillés à ce moment. J'ai été embauché en février 2016. J'ai demandé à Elon s'il était disposé à dépenser tout l'argent nécessaire pour faire une conception de système entièrement personnalisée. Et il a dit, eh bien, allons-nous gagner? Et j'ai dit, eh bien, oui, bien sûr. Alors il a dit je suis dedans. Et donc c'est ce qui nous a lancés. Nous avons embauché un groupe de personnes et avons commencé à réfléchir à ce que ressemblerait une puce conçue sur mesure pour l'autonomie complète. Nous avons passé 18 mois à faire la conception et en août 2017, nous avons publié la conception pour la fabrication. Nous l'avons récupéré en décembre et l'avons alimenté et cela a en fait très bien fonctionné à la première tentative. Nous avons apporté quelques modifications et publié une révision B0 en avril 2018. En juillet 2018, la puce a été qualifiée et nous avons commencé la production complète de pièces de qualité production. En décembre 2018, nous avions la pile de conduite autonome fonctionnant sur le nouveau matériel et nous avons pu commencer à moderniser les voitures des employés et à tester le matériel et les logiciels dans le monde réel. En mars dernier, nous avons commencé à expédier le nouvel ordinateur dans le Model S et X. Et juste plus tôt en avril, nous avons commencé la production dans le Model 3. Donc, ce programme entier, de l'embauche des premiers employés à son déploiement en production complète dans les trois voitures, est un peu plus de trois ans et est probablement le programme de développement de système le plus rapide auquel j'ai jamais participé. Et cela témoigne beaucoup des avantages d'avoir une énorme quantité d'intégration verticale pour vous permettre de faire une ingénierie concurrente et d'accélérer le déploiement. En termes d'objectifs, nous étions totalement concentrés exclusivement sur les exigences de Tesla, ce qui rend la vie beaucoup plus facile. Si vous avez un et un seul client, vous n'avez à vous soucier de rien d'autre. L'un de ces objectifs était de maintenir la puissance en dessous de 100 watts afin que nous puissions adapter le nouveau système aux voitures existantes. Nous voulions également un coût de pièce inférieur afin que nous puissions activer la redondance complète pour la sécurité. À l'époque, nous avions une estimation que cela nécessiterait au moins 50 trillions d'opérations. Une seconde de performance du réseau de neurones pour conduire une voiture. Et donc nous voulions obtenir au moins autant et vraiment autant que possible. La taille du lot est le nombre d'éléments sur lesquels vous opérez en même temps. Par exemple, Google's TP a une taille de lot de 256 et vous devez attendre jusqu'à ce que vous ayez 256 choses à traiter avant de pouvoir commencer. Nous ne voulions pas faire cela, nous avons donc conçu notre machine avec une taille de lot de un. Donc dès qu'une image s'affiche, nous la traitons immédiatement. Pour minimiser la latence, ce qui maximise la sécurité, nous avions besoin d'un GPU pour effectuer un post-traitement. À l'époque, nous en faisions beaucoup. Mais nous avons spéculé que au fil du temps, la quantité de post-traitement sur le GPU diminuerait à mesure que les réseaux de neurones s'amélioreraient. Et cela s'est en fait avéré vrai. Nous avons donc pris un risque en mettant un GPU assez modeste dans la conception, comme vous le verrez, et cela s'est avéré être un bon pari. La sécurité est extrêmement importante. Si vous n'avez pas une voiture sécurisée, vous ne pouvez pas avoir une voiture sûre. Il y a donc beaucoup de concentration sur la sécurité et puis bien sûr, la sécurité en termes de conception réelle de la puce. Comme Elon l'a mentionné plus tôt, il n'y avait vraiment pas d'accélérateur de réseau de neurones construit à partir de zéro en existence en 2016. Tout le monde ajoutait des instructions à son CPU ou GPU ou DSP pour le rendre meilleur pour l'inférence, mais personne n'en faisait vraiment nativement. Nous avons donc décidé de le faire nous-mêmes. Et puis pour d'autres composants sur la puce, nous avons acheté des IP standard de l'industrie pour les CPU et GPU. Cela nous a permis de minimiser le temps de conception et aussi le risque pour le programme. Une autre chose qui était un peu inattendue à mon arrivée était notre capacité à tirer parti des équipes existantes chez Tesla. Tesla avait de magnifiques équipes de conception d'alimentations, d'analyse d'intégrité du signal, de conception de paquets, de logiciels système, de conceptions de cartes micrologicielles et un excellent programme de validation du système dont nous avons pu profiter pour accélérer ce programme. Voici à quoi ça ressemble. Là-bas à droite, vous voyez tous les connecteurs pour la vidéo qui provient des huit caméras qui sont dans la voiture. Vous pouvez voir les deux ordinateurs de conduite autonome au milieu de la carte et puis à gauche l'alimentation et quelques connexions de contrôle. Et j'aime vraiment quand une solution est réduite à ses éléments les plus simples. Vous avez la vidéo, l'informatique et l'alimentation et c'est simple et direct. Voici le boîtier matériel d'origine 2.5 dans lequel l'ordinateur a été mis et que nous avons expédié au cours des deux dernières années. Voici la nouvelle conception de l'ordinateur FSD. C'est essentiellement le même, et cela est bien sûr dû aux contraintes d'avoir un programme de rétrofit pour les voitures. Je tiens à souligner que c'est en fait un très petit ordinateur. Il s'adapte derrière la boîte à gants. Entre la boîte à gants et la cloison pare-feu dans la voiture. Il ne prend pas la moitié de votre coffre. Comme je l'ai dit plus tôt, il y a deux ordinateurs entièrement indépendants sur la carte. Vous pouvez les voir là en surbrillance en bleu et vert. De chaque côté du grand SoC, vous pouvez voir les puces DRAM que nous utilisons pour le stockage. Et puis en bas à gauche vous voyez les puces flash qui représentent le système de fichiers. Ce sont donc deux ordinateurs indépendants qui démarrent et exécutent leur propre système d'exploitation.
Oui. Si je peux ajouter quelque chose, le principe général ici est que n'importe quelle partie pourrait échouer et la voiture continuera à rouler. Vous pouvez avoir des caméras défaillantes, vous pouvez avoir des circuits d'alimentation défaillants, vous pouvez avoir un des chips d'ordinateur de conduite autonome complet de Tesla défaillant, la voiture continue à conduire. La probabilité que cet ordinateur échoue est considérablement inférieure à celle de quelqu'un qui perd connaissance. C'est la métrique clé, du moins en ordre de grandeur.
L'une des choses supplémentaires que nous faisons pour maintenir la machine en marche est d'avoir des alimentations redondantes dans la voiture. Donc une machine fonctionne sur une alimentation et l'autre sur l'autre. Les caméras sont les mêmes. La moitié des caméras fonctionnent sur l'alimentation bleue, l'autre moitié fonctionne sur l'alimentation verte, et les deux puces reçoivent toutes les vidéos et les traitent indépendamment. En termes de conduite de la voiture, la séquence de base est de collecter beaucoup d'informations du monde autour de vous. Non seulement nous avons des caméras, mais nous avons aussi des radars, des cartes GPS, les imu, des capteurs à ultrasons autour de la voiture. Nous avons les impulsions de roue, l'angle de direction. Nous savons quelle devrait être l'accélération et la décélération de la voiture. Tout cela est intégré ensemble pour former un plan. Une fois que nous avons un plan, les deux machines échangent leur version indépendante du plan pour s'assurer qu'il est identique. Et en supposant que nous soyons d'accord, nous agissons et conduisons la voiture. Maintenant, une fois que vous avez conduit la voiture avec un nouveau contrôle, vous voulez le valider. Donc nous validons que ce que nous avons transmis est ce que nous avons l'intention de transmettre aux autres actionneurs dans la voiture. Et puis vous pouvez utiliser la suite de capteurs pour vous assurer que cela se produit. Donc, si vous demandez à la voiture d'accélérer, de freiner ou de tourner à droite ou à gauche, vous pouvez regarder les accéléromètres et vous assurer que vous le faites. Il y a donc une quantité énorme de redondance et de chevauchement dans nos capacités d'acquisition et de surveillance des données. Passons maintenant à parler un peu de la puce de conduite autonome complète. Elle est emballée dans un BGA de 37,5 millimètres avec 1600 billes. La plupart d'entre elles sont utilisées pour l'alimentation et la masse, mais aussi beaucoup pour le signal. Si vous enlevez le couvercle, cela ressemble à ceci. Vous pouvez voir le substrat du boîtier et voir le die assis au centre. Si vous enlevez le die et le retournez, cela ressemble à ceci. Il y a 13 000 bosses C4 dispersées sur le dessus du die et en dessous se trouvent 12 couches métalliques qui obscurcissent tous les détails de la conception. Donc si vous enlevez cela, cela ressemble à ceci. Ceci est un processus FinFET 14 nanomètres DMOS. Il fait 260 millimètres de taille, ce qui est un die de taille modeste. Donc pour comparaison, une puce de téléphone cellulaire typique fait environ 100 millimètres carrés, ce qui nous rend un peu plus grand que cela. Mais un GPU haut de gamme serait plus comme 600 à 800 millimètres carrés. Donc nous sommes en quelque sorte au milieu. Je l'appellerais le point optimal. C'est une taille confortable à construire. Il y a 250 millions de portes logiques et un total de 6 milliards de transistors, qui même si je travaille sur cela tout le temps, c'est ahurissant pour moi. La puce est fabriquée et testée selon les normes AEC Q100, qui est un critère automobile standard. Ensuite, j'aimerais simplement faire le tour de la puce et expliquer tous les différents éléments. Et je vais en quelque sorte aller dans l'ordre qu'un pixel provenant de la caméra visiterait tous les différents éléments. Donc là-haut dans le coin supérieur gauche, vous pouvez voir l'interface série de la caméra. Nous pouvons ingérer 2,5 milliards de pixels par seconde, ce qui est plus que suffisant pour couvrir tous les capteurs que nous connaissons. Nous avons un réseau sur puce qui distribue les données du système mémoire. Donc les pixels voyageraient à travers le réseau vers les contrôleurs de mémoire sur les bords droit et gauche de la puce. Nous utilisons la mémoire LPDDR4 standard de l'industrie fonctionnant à 4266 gigabits par seconde, ce qui nous donne une bande passante maximale de 68 gigaoctets par seconde, ce qui est une très bonne bande passante. Mais là encore, ce n'est pas ridicule. Donc nous essayons de rester dans le point optimal confortable pour des raisons de coût. Le processeur de signal d'image a un pipeline interne de 24 bits qui nous permet de tirer pleinement parti des capteurs HDR que nous avons autour de la voiture. Il effectue un mappage de tons avancé qui aide à révéler les détails et les ombres. Et puis il a une réduction de bruit avancée qui améliore simplement la qualité globale des images que nous utilisons dans le réseau de neurones. L'accélérateur de réseau de neurones lui-même. Il y en a deux sur la puce. Chacun a 32 mégaoctets de SRAM pour conserver les résultats temporaires et minimiser la quantité de données que nous devons transmettre à travers la puce, ce qui aide à réduire la consommation d'énergie. Chaque tableau a un tableau de multiplication-addition 96 par 96 avec accumulation sur place qui nous permet de faire près de 10 000 multiplications-additions par cycle. Il y a du matériel RELU dédié, du matériel de pooling dédié, et chacun d'eux fournit 306. Excusez-moi, chacun fournit 36 trillions d'opérations par seconde et ils fonctionnent à 2 gigahertz. Les deux ensemble sur une puce fournissent 72 trillions d'opérations par seconde. Donc nous avons dépassé notre objectif de 50 téraops d'un beau morceau. Il y a aussi un encodeur vidéo. Nous encodons la vidéo et l'utilisons à différents endroits dans la voiture, y compris l'écran de la caméra de recul. Il y a optionnellement une fonction utilisateur pour la caméra embarquée et aussi pour enregistrer les clips de données dans le cloud, dont Stuart et Andre parleront plus tard. Il y a un GPU sur la puce. C'est une performance modeste. Il prend en charge à la fois le point flottant 32 et 16 bits. Et puis nous avons 12 CPUs C 64 bits A72 pour le traitement polyvalent. Ils fonctionnent à 2,2 gigahertz. Et cela représente environ 2,5 fois les performances disponibles dans la solution actuelle. Il y a un système de sécurité qui contient deux CPUs qui fonctionnent en synchronisation. Ce système est l'arbitre final de savoir s'il est sûr de conduire réellement les actionneurs dans la voiture. Donc c'est là que les deux plans se réunissent et nous décidons s'il est sûr ou non d'avancer. Et enfin il y a un système de sécurité. Et essentiellement le travail du système de sécurité est d'assurer que cette puce n'exécute que les logiciels qui ont été signés cryptographiquement par Tesla. S'il n'a pas été signé par Tesla, alors la puce ne fonctionne pas. Maintenant, je vous ai dit beaucoup de numéros de performance différents et j'ai pensé que ce serait peut-être utile de mettre les choses en perspective un peu. Donc tout au long de cet exposé, je vais parler d'un réseau de neurones de notre caméra étroite. Il utilise 35 milliards d'opérations, 35 gigaops, et si nous utilisons tous les 12 CPUs pour traiter ce réseau, nous pourrions faire une et demi images par seconde, ce qui est super lent, loin d'être adéquat pour conduire la voiture. Si nous utilisons le GPU 600 gigaflop, le même réseau, nous obtiendrions 17 images par seconde, ce qui n'est toujours pas assez bon pour conduire la voiture. Avec huit caméras, les accélérateurs de réseau de neurones sur la puce peuvent fournir 2100 images par seconde. Et vous pouvez voir à partir de la mise à l'échelle que nous avons parcourue que la quantité de calcul dans le CPU et GPU est essentiellement négligeable par rapport à ce qui est disponible dans l'accélérateur de réseau de neurones. C'est vraiment la nuit et le jour. Donc, passons à parler de l'accélérateur de réseau de neurones, nous allons simplement nous arrêter pour de l'eau. À gauche, il y a un dessin animé d'un réseau de neurones juste pour vous donner une idée de ce qui se passe. Les données arrivent par le haut et visitent chacune des boîtes. Et les données circulent le long des flèches vers les différentes boîtes. Les boîtes sont généralement des convolutions ou des déconvolutions avec des relus. Les boîtes vertes sont des couches de pooling. Et la chose importante à ce sujet est que les données produites par une boîte sont ensuite consommées par la boîte suivante, et alors vous n'en avez plus besoin. Vous pouvez le jeter. Donc tous ces données temporaires qui sont créées et détruites lorsque vous traversez le réseau, il n'y a pas besoin de stocker cela hors puce dans la dram. Donc nous gardons toutes ces données en sram. Et j'expliquerai pourquoi c'est super important dans quelques minutes. Si vous regardez le côté droit de cela, vous pouvez voir que dans ce réseau, des 35 milliards d'opérations, presque toutes sont des convolutions, basées sur les produits scalaires. Le reste sont des déconvolutions, également basées sur le produit scalaire, puis relu et pooling, qui sont des opérations relativement simples. Donc si vous conceviez du matériel, vous cibleriez clairement les produits scalaires, basés sur la multiplication, l'addition, et vraiment dominer cela. Mais imaginez que vous l'accélériez par un facteur de 10 000. Donc 100% soudainement se transforme en 0,1%, 0,01%, et soudainement les opérations relu et pooling vont être assez importantes. Donc notre matériel n'a pas. Notre conception de matériel comprend des ressources dédiées pour traiter également relu et pooling. Maintenant, cette puce fonctionne dans un environnement thermiquement contraint, donc nous devions être très prudents sur la façon dont nous consommons cette énergie. Nous voulons maximiser la quantité d'arithmétique que nous pouvons faire. Donc nous avons choisi l'addition entière. C'est 9 fois moins d'énergie que l'addition en point flottant correspondante et nous avons choisi la multiplication entière 8 bits par 8 bits, ce qui est nettement moins d'énergie que les autres opérations de multiplication et est probablement assez de précision pour obtenir de bons résultats. En termes de mémoire, nous avons choisi d'utiliser SRAM autant que possible. Et vous pouvez voir qu'aller hors puce à la Dram est approximativement 100 fois plus cher, cher en termes de consommation d'énergie que d'utiliser le sram local. Donc clairement nous voulons utiliser le SRAM local autant que possible. En termes de contrôle, ce sont des données publiées dans un article de Mark Horowitz à l'ISSCC où il critique essentiellement la quantité d'énergie nécessaire pour exécuter une seule instruction sur un CPU entier régulier. Et vous pouvez voir que l'opération d'addition ne représente que 0,15% de la puissance totale. Tout le reste de la puissance est le surcharge de contrôle et la gestion des registres. Donc dans notre conception, nous avons cherché à essentiellement nous débarrasser de tout cela autant que possible, parce que ce qui nous intéresse vraiment est l'arithmétique. Donc voici la conception que nous avons terminée. Vous pouvez voir qu'il est dominé par les 32 mégaoctets de SRAM. Il y a de grands bancs sur la gauche et la droite et au centre en bas. Et puis tout le calcul se fait au milieu supérieur. À chaque cycle d'horloge, nous lisons 256 octets de données d'activation hors de la matrice SRAM, 128 octets de données de poids hors de la matrice SRAM, et nous les combinons dans une matrice mulad 96 par 96 qui effectue 9000 multiplications-additions par cycle à 2 gigahertz. C'est un total de 36,8 téraops. Maintenant, quand nous avons fini avec le produit scalaire, nous déchargeons le moteur pour que nous décalions les données sur l'unité RELU dédiée, optionnellement sur une unité de pooling, puis finalement dans un tampon d'écriture où tous les résultats sont agrégés. Et puis nous écrivons 128 octets par cycle dans la SRAM. Et cette chose entière cycle tout le temps, continuellement. Donc nous faisons des produits scalaires tout en déchargeant les résultats précédents, en faisant du pooling et en écrivant dans la mémoire. Si vous additionnez tout à 2 gigahertz, vous avez besoin de 1 téraoctet par seconde de bande passante SRAM pour soutenir tout ce travail. Et donc le matériel le fournit. Donc un téraoctet par seconde de bande passante par moteur. Il y en a deux sur la puce. Deux téraoctets par seconde. L'accélérateur a un ensemble d'instructions relativement petit. Nous avons une opération de lecture DMA pour apporter des données de la mémoire. Nous avons une opération DMA Write pour repousser les résultats dans la mémoire. Nous avons trois instructions basées sur le produit scalaire, convolution, déconvolution et produit intérieur. Et puis deux opérations relativement simples : scale est une entrée, une opération de sortie, et outwise est deux entrées et une sortie. Et puis bien sûr, arrêtez quand vous avez terminé. Nous avons dû développer un compilateur de réseau de neurones pour cela. Donc nous prenons le réseau de neurones qui a été entraîné par notre équipe de vision comme il serait déployé dans les anciennes voitures, et nous le compilons pour utilisation sur le nouvel accélérateur. Le compilateur effectue la fusion de couches, ce qui nous permet de maximiser le calcul chaque fois que nous lisons des données de la SRAM et les remettons. Il effectue également un lissage pour que les demandes sur le système de mémoire ne soient pas trop inégales. Et puis nous faisons également du remplissage de canal pour réduire les conflits de banque. Et nous faisons une allocation SREM consciente de la banque. Et c'est un cas où nous aurions pu mettre plus de matériel dans la conception pour gérer les conflits de banque. Mais en le poussant dans le logiciel, nous économisons du matériel et de l'énergie au détriment d'une certaine complexité du logiciel. Nous insérons également automatiquement des DMA dans le graphe afin que les données arrivent juste à temps pour le calcul sans avoir à arrêter la machine. Et puis à la fin, nous générons tout le code, nous générons toutes les données de poids, nous les compressons et nous ajoutons une somme de contrôle CRC pour la fiabilité. Pour exécuter un programme, toutes les descriptions de réseau de neurones, les programmes sont chargés en SRAM au démarrage puis ils restent prêts à fonctionner tout le temps. Donc pour exécuter un réseau, vous devez programmer l'adresse du tampon d'entrée, qui est presumé être une nouvelle image qui vient d'arriver d'une caméra. Vous définissez l'adresse du tampon de sortie, vous définissez le pointeur vers les poids du réseau et puis vous définissez, définissez, allez-y, et ensuite la machine s'en va et parcourra le réseau de neurones entier tout seul, fonctionnant généralement pendant un million ou 2 millions de cycles. Et puis quand c'est fait, vous obtenez une interruption et pouvez post-traiter les résultats. Donc en passant aux résultats, nous avions l'objectif de rester en dessous de 100 watts. Ce sont des données mesurées à partir de voitures conduisant, exécutant la pile d'autopilote complète. Et nous dissipons 72 watts, ce qui est un peu plus d'énergie que la conception précédente. Mais avec l'amélioration spectaculaire des performances, c'est toujours une assez bonne réponse. Sur ces 72 watts, environ 15 watts sont consommés pour exécuter les réseaux de neurones. En termes de coût, le coût du silicium de cette solution est environ 80% de ce que nous payions auparavant. Donc nous économisons de l'argent en passant à cette solution. Et en termes de performance, nous avons pris le réseau de neurones de caméra étroite, dont j'ai parlé qui a 35 milliards d'opérations dedans. Nous l'avons exécuté sur l'ancien matériel en boucle aussi rapidement que possible et nous avons livré 110 images par seconde. Nous avons pris les mêmes données, le même réseau compilé pour le matériel du nouvel ordinateur FSD. Et en utilisant les quatre accélérateurs nous pouvons obtenir 2 300 images par seconde traitées. Donc un facteur de 21.
Je pense que c'est peut-être la diapositive la plus importante. C'est la nuit et le jour.
Je n'ai jamais travaillé sur un projet où l'augmentation des performances était supérieure à trois, donc c'était assez amusant. Si vous la comparez à la solution Nvidia Drive Xavier, une seule puce fournit 21 téraops. Notre ordinateur d'entraînement des performances complet avec deux puces est de 144 téraops. Donc pour conclure, je pense que nous avons créé une conception qui offre des performances exceptionnelles. 144 téraops pour le traitement des réseaux de neurones. Il a d'excellentes performances énergétiques. Nous avons réussi à intégrer toutes ces performances dans le budget thermique dont nous disposions. Il permet une solution informatique entièrement redondante. Il a un coût modeste et vraiment la chose importante est que cet ordinateur FSD permettra un nouveau niveau de sécurité et d'autonomie dans les véhicules Tesla sans affecter leur coût ou leur autonomie. Quelque chose que je pense que nous attendons tous avec impatience.
Je pense pourquoi ne pas faire une question réponse après chaque segment pour que si les gens ont des questions sur le matériel, ils puissent demander maintenant. La raison pour laquelle j'ai demandé à Pete de faire un plongeon détaillé, bien plus détaillé que la plupart des gens n'apprécieraient peut-être, dans l'ordinateur de conduite autonome complète de Tesla est que au début, cela semble improbable. Comment se peut-il que Tesla, qui n'a jamais conçu de puce auparavant, conçoive la meilleure puce du monde? Mais c'est objectivement ce qui s'est passé. Non, pas le mieux par une petite marge, le mieux par une énorme marge. C'est dans les voitures en ce moment. Tous les Tesla produits en ce moment ont cet ordinateur. Nous avons basculé de la solution Nvidia pour SNX il y a environ un mois et nous avons basculé le Model 3 il y a environ 10 jours. Toutes les voitures en cours de production ont tout le matériel nécessaire, informatique et autre, pour la conduite autonome complète. Je le répète. Toutes les voitures Tesla en cours de production en ce moment ont tout ce qui est nécessaire pour la conduite autonome complète. Tout ce que vous devez faire est d'améliorer le logiciel et plus tard aujourd'hui, vous conduirez les voitures avec la version de développement du logiciel amélioré et vous verrez par vous-même. Des questions pour Pete?
Analyst
Y. Questions. J'ai vu Trip Chaudhary Recherche sur les actions mondiales. Très, très impressionnant sous tous les angles. Je me demandais, comme moi. J'ai pris quelques notes. Vous utilisez la fonction d'activation relu, l'unité linéaire rectifiée. Mais si vous pensez au réseau de neurones profond, il a plusieurs couches et certains algorithmes peuvent utiliser différentes fonctions d'activation pour différentes couches cachées comme softmax ou tanh. Avez-vous la flexibilité d'incorporer différentes fonctions d'activation plutôt que LU dans votre plateforme? Alors j'ai une question de suivi.
Oui, nous le faisons. Nous avons des implémentations de Tanh et Sigmoid par exemple.
Analyst
Magnifique. Une dernière question. Comme dans les nanomètres vous avez mentionné 14nm. Comme je me demandais, ne serait-il pas judicieux de descendre un peu? Peut-être 10 nm, dans deux ans ou peut-être 7?
Au moment où nous avons commencé la conception, tout le PI que nous voulions acheter n'était pas disponible en 10 nanomètres. Donc nous avons terminé la conception en 14.
Il vaut peut-être la peine de noter que nous avons terminé cette conception il y a environ un an et demi et avons commencé la conception de la prochaine génération. Nous ne parlons pas de la prochaine génération aujourd'hui, mais nous sommes à peu près à mi-chemin. C'est que nous faisons toutes les choses évidentes pour la puce de la prochaine génération.
Analyst
Vous avez parlé du logiciel comme la pièce maintenant. Vous avez fait un excellent travail. J'ai été soufflé. J'ai compris 10% de ce que vous avez dit, mais je fais confiance qu'c'est en bonnes mains.
Analyst
Donc cela semble que vous ayez terminé les pièces matérielles et c'était vraiment difficile à faire et maintenant vous devez faire la pièce logicielle. Maintenant, cela se situe peut-être en dehors de votre expertise, mais comment devrions-nous penser à cette pièce logicielle?
Eh bien, je ne pourrais pas demander une meilleure introduction à Andre et Stuart. Y a-t-il des questions pour la partie puce avant que la prochaine partie de la présentation soit des réseaux de neurones et des logiciels.
Analyst
Donc peut-être du côté de la puce, la dernière diapositive était 144 trillions d'opérations par seconde par rapport à Nvidia 21?
Analyst
Et peut-être pouvez-vous contextualiser cela pour une personne financière, pourquoi cet écart est si important? Merci.
Eh bien, je veux dire que c'est un facteur de sept dans le delta de performance. Cela signifie que vous pouvez faire sept fois plus d'images. Vous pouvez exécuter des réseaux de neurones sept fois plus grands et plus sophistiqués. C'est donc une monnaie courante très importante que vous pouvez dépenser pour beaucoup de choses intéressantes pour améliorer la voiture.
Je pense que la consommation d'énergie de Xavier est plus élevée que la nôtre. Les puissances de Xavier sont plus élevées que les nôtres, je pense. Ou comparable.
Je ne sais pas que je crois que c'est
à ma meilleure connaissance, les exigences d'énergie augmenteraient au moins au même degré, un facteur de sept et les coûts augmenteraient également d'un facteur de sept. Excellent. Donc oui, la puissance est un vrai problème car elle réduit également l'autonomie. Donc la pénalité pour la puissance est très élevée et vous devez vous débarrasser de cette puissance car le problème thermique devient vraiment important parce que vous devez vous débarrasser de toute cette puissance. Donc
Investor Relations
Merci beaucoup. Je pense que nous avons, vous savez, un
beaucoup de questions à poser. Si cela ne vous dérange pas que la journée s'éternise un peu. Nous allons simplement faire les démonstrations de conduite après. Donc si vous avez, si vous, si quelqu'un a besoin de sortir et de faire les démonstrations de conduite un peu plus tôt, vous êtes les bienvenue à le faire. Mais je veux m'assurer que nous répondons à vos questions. Oui. Pradeep Ramani d'UBS, Intel et AMD dans une certaine mesure ont commencé à passer à une architecture basée sur les chiplets. Je n'ai pas remarqué de conception basée sur les chiplets ici. Pensez-vous qu'en regardant vers l'avant que
serait quelque chose qui pourrait être de
l'intérêt pour vous d'un point de vue architectural?
Une architecture basée sur les chiplets?
Nous ne considérons actuellement rien de tel. Je pense que c'est surtout utile quand vous avez besoin d'utiliser différents styles de technologie. Donc si vous voulez intégrer la technologie du germanium de silicium ou la technologie DRAM sur le même substrat de silicium, cela devient assez intéressant. Mais jusqu'à ce que la taille du die devienne excessif, je n'irais pas là.
Pour être clair, la stratégie ici, et cela a commencé il y a environ trois ans, était de concevoir et construire un ordinateur entièrement optimisé et visant la conduite autonome complète. Ensuite, écrivez des logiciels conçus pour fonctionner spécifiquement sur cet ordinateur et tirez le maximum de cet ordinateur. Vous avez donc un matériel sur mesure qui maîtrise un seul domaine, la conduite autonome. Nvidia est une grande entreprise mais ils ont de nombreux clients et donc quand ils appliquent leurs ressources, ils ont besoin de faire une solution généralisée. Nous nous soucions d'une seule chose, la conduite autonome. Donc c'était conçu pour faire cela incroyablement bien. Le logiciel est également conçu pour s'exécuter sur ce matériel incroyablement bien. Et je pense que la combinaison du logiciel et du matériel est imbattable.
Investor Relations
Bonjour, la puce est conçue pour traiter les entrées vidéo.
En cas d'utilisation, disons lidar,
serait-il capable de traiter cela aussi ou cela, c'est-il principalement pour la vidéo? Ce que nous allons vous expliquer aujourd'hui, c'est que LIDAR est une entreprise insensée et quiconque s'appuie sur LIDAR est condamné. Condamné. Des capteurs chers, chers qui sont inutiles. C'est comme d'avoir un tas d'appendices chers. Un appendice est mauvais. Eh bien, maintenant ils veulent en mettre un tas. C'est ridicule. Vous verrez.
Oh, il y a un Monsieur. Bonjour.
Donc juste deux questions juste sur la consommation d'énergie. Y a-t-il un moyen de nous donner une règle générale sur, vous savez, chaque watt réduit l'autonomie d'un certain pourcentage ou d'une certaine quantité
juste pour que nous ayons une idée
de combien d'amélioration un
le modèle trois, la, la consommation cible est de 250 watts par mile.
Cela dépend de la nature de la conduite pour savoir combien de miles cela affecte en ville. Cela aurait un effet beaucoup meilleur et plus grand que sur l'autoroute. Donc si vous conduisez pendant une heure dans une ville et que vous aviez une solution, hypothétiquement un kilowatt, vous perdriez quatre miles sur une Model 3. Donc si vous allez seulement à environ 12 miles à l'heure, cela serait un impact de 20, 25% sur l'autonomie en ville. C'est essentiellement que la puissance du système a un impact massif sur l'autonomie de la ville, ce qui est où nous pensons que la plupart du marché des taxi-robots sera. La puissance est donc extrêmement importante. Tasha.
Désolé, je ne t'ai pas entendu.
Quel est l'objectif de conception principal de la puce de la prochaine génération?
Nous ne voulons pas en parler beaucoup au sujet de la puce de la prochaine génération, mais c'est
Ce sera au moins disons trois fois mieux que le système actuel.
À environ deux heures d'ici.
Analyst
Pour développer cette puce, cette puce est-elle produite, vous ne fabriquez pas la puce, vous l'externalisez. Et combien de réduction de coûts cela économise dans le coût global du véhicule?
La réduction de coûts de 20% que j'ai citée était la réduction de coûts unitaires par véhicule. Ce n'était pas les frais de développement, c'était juste le coût réel.
Analyst
Non, je dis. Mais comme si je fabrique ceux-ci en masse, cela économise de l'argent en le faisant soi-même?
Je veux dire la plupart des puces sont fabriquées. La plupart des gens ne fabriquent pas de puces avec leur propre usine. C'est assez inhabituel.
Analyst
Je pense que vous ne voyez pas de problèmes d'approvisionnement avec la production de masse de la puce.
L'économie de coûts paie pour le développement. Je veux dire que la stratégie de base auprès d'Elon était que nous allions construire cette puce, cela allait réduire le coût. Et Elon a dit fois un million de voitures par an.
S'il y a vraiment des questions spécifiques à la puce, nous pouvons y répondre. Sinon, il y aura une opportunité de questions-réponses après que Andre parle et après que Stuart parle. Il y aura donc deux autres opportunités de questions-réponses. C'est si c'est très spécifique à la puce,
alors je serai aussi ici tout l'après-midi.
Ouais, et exactement. Et Pete sera ici à la fin aussi. Donc allez-y.
Cette photo Dye que vous aviez.
Le processeur neural occupe pas mal d'espace de la puce. Je suis curieux, c'est votre propre conception ou y a-t-il de la propriété intellectuelle externe ?
Oui, c'était une conception personnalisée par Tesla.
Et puis je suppose que la suite serait qu'il y a probablement une bonne opportunité de réduire cette empreinte à mesure que vous affinez la conception.
C'est en fait assez dense. Donc en termes de réduction, je ne pense pas. Cela améliorera considérablement les capacités fonctionnelles de la prochaine génération.
D'accord, et puis une dernière question. Pouvez-vous partager où vous fabriquez cette pièce ?
Samsung, oui. Austin, Texas.
Investor Relations
Il y en a un à l'arrière.
Grant Tanaka, Tanaka Capital. Juste curieux de savoir à quel point vos technologies de puces sont défendables
Analyst
et la conception est d'un point de vue PI et j'espère que
vous n'offrirez pas beaucoup de
la PI à l'extérieur gratuitement.
Nous avons déposé environ une douzaine de brevets sur cette technologie. Fondamentalement, c'est de l'algèbre linéaire, que je ne pense pas que vous pouvez breveter. Je ne suis pas sûr.
Je pense que si quelqu'un commençait aujourd'hui et qu'il était vraiment bon, il pourrait avoir quelque chose de similaire à ce que nous avons maintenant en trois ans, mais dans deux ans nous aurons quelque chose trois fois mieux.
Analyst
En parlant de la protection de la propriété intellectuelle, vous avez la meilleure propriété intellectuelle et certaines personnes la volent juste pour le fun. Je me demandais si nous regardions quelques interactions avec Aurora que l'industrie des entreprises croit avoir volé votre propriété intellectuelle. Je pense que l'ingrédient clé que vous devez protéger est les poids qui s'associent à différents paramètres. Pensez-vous que votre puce peut faire quelque chose pour empêcher quelqu'un ? Peut-être chiffrer tous les poids pour que même vous ne sachiez pas quels sont les poids au niveau de la puce pour que votre propriété intellectuelle reste à l'intérieur et que personne ne le sache et que personne ne puisse juste le voler.
Ben, j'aimerais rencontrer la personne qui pourrait faire ça parce que je l'embaucherais sans hésiter. Ouais, donc ce serait un problème difficile. Ouais. Voulez-vous, je veux dire nous chiffrons le. C'est une puce difficile à craquer, donc s'ils peuvent la craquer, c'est très bien. S'ils peuvent alors le craquer et aussi aussi comprendre le logiciel et le système de réseau neuronal et tout le reste. Ils peuvent le concevoir à partir de zéro comme c'est tout.
Notre intention est d'empêcher les gens de voler tout ça. Et s'ils le font, nous espérons que cela prend au moins longtemps.
Cela leur prendra définitivement longtemps. Ouais. Je veux dire que je ne pense tout simplement pas que ce serait notre objectif de faire cela. Comment le ferions-nous ? Ce serait très difficile. Mais la chose qui est, je pense, un avantage durable très puissant pour nous est la flotte. Personne n'a la flotte. Ces poids sont constamment mis à jour et améliorés. Sur la base de milliards de miles parcourus, Tesla a 100 fois plus de voitures avec le matériel de conduite autonome complète que tous les autres réunis. Vous savez, nous, nous avons, à la fin de ce trimestre, nous aurons 500 000 voitures équipées de la configuration complète de 8 caméras, 12 ultrasons, certaines seront toujours sur le matériel aussi, mais nous avons toujours la capacité de collecte de données. Et puis dans un an, nous aurons plus d'un million de voitures avec le matériel complet de l'ordinateur de conduite autonome, tout. Ouais, donc nous avons des fondateurs. C'est juste un énorme avantage de données. C'est similaire à, vous savez comment comme le moteur de recherche Google a un avantage énorme parce que les gens l'utilisent et les gens programment effectivement Google avec leurs requêtes et leurs résultats.
Analyst
Puis-je juste vous presser à ce sujet et s'il vous plaît reformuler la question parce que je suis un profane en technologie, si c'est approprié. Mais vous savez, quand nous parlons à Waymo ou Nvidia, ils parlent avec une conviction équivalente de leur leadership parce que, à cause de leur compétence à simuler les miles parcourus. Pouvez-vous parler de l'avantage d'avoir des miles du monde réel par rapport aux miles simulés ? Parce que je pense qu'ils expriment que, vous savez, au moment où vous obtenez un million de miles, ils peuvent simuler un milliard. Et aucun pilote de voiture de course Formule 1, par exemple, ne pourrait jamais compléter avec succès une piste du monde réel sans conduire dans un simulateur. Pouvez-vous parler des avantages qu'il semble que vous percevez d'avoir associé à l'ingestion de données provenant de miles du monde réel par rapport aux miles simulés ?
Absolument. Le simulateur, nous avons aussi une assez bonne simulation, mais il ne capture tout simplement pas la longue queue des choses bizarres qui se produisent dans le monde réel. Si la simulation capturait pleinement le monde réel. Eh bien, je veux dire que ce serait la preuve que nous vivons dans une simulation, je pense. Ouais, ce n'est pas le cas, j'aimerais. Mais les simulations ne capturent pas le monde réel. Le monde réel est vraiment bizarre et désordonné. Vous avez besoin des voitures sur la route. Nous allons vraiment entrer dans cela dans la présentation d'Andre et Stuart. Donc. D'accord, pourquoi ne pas passer à Andre ?
Investor Relations
Super, merci. Merci.
Investor Relations
Merci beaucoup. La dernière question était en fait une très bonne transition parce qu'une chose à retenir de notre ordinateur FSD est qu'il peut exécuter des réseaux de neurones beaucoup plus complexes pour une reconnaissance d'image beaucoup plus précise. Et pour vous parler de la façon dont nous obtenons réellement ces données d'image et comment nous les analysons, nous avons notre directeur senior de l'IA, Andre Karpathi, qui va tout vous expliquer. Andrej a un doctorat de l'Université Stanford où il a étudié l'informatique, en se concentrant sur la reconnaissance visuelle et l'apprentissage profond.
Andre, pourquoi ne pas simplement parler ? Fais ta propre présentation. Il y a beaucoup de doctorats de Stanford. Ce n'est pas important. Oui, d'accord, nous ne nous en soucions pas.
Investor Relations
Entrez.
Andre a commencé le cours de vision informatique à Stanford. C'est beaucoup plus significatif. C'est ce qui compte.
Donc pouvez-vous s'il vous plaît parler de votre passé d'une manière qui n'est pas timide ? Dis-moi juste ce que tu as fait et puis.
Investor Relations
Bien sûr.
Alors oui, je pense que j'ai entraîné des réseaux de neurones essentiellement depuis une décennie maintenant. Et ces réseaux de neurones n'ont pas vraiment été utilisés dans l'industrie jusqu'à peut-être il y a cinq ou six ans. Donc cela fait un moment que j'entraîne ces réseaux de neurones et cela comprenait des institutions à Stanford, à OpenAI, à Google, et vraiment juste entraîner beaucoup de réseaux de neurones non seulement pour les images, mais aussi pour le langage naturel et concevoir des architectures qui couplent ces deux modalités. Pour mon doctorat, alors.
Et la classe d'informatique informatique.
Oh ouais. Et à Stanford, j'ai en fait enseigné la classe des réseaux de neurones convolutifs. Et donc j'étais l'instructeur principal de cette classe. J'ai en fait commencé le cours et conçu le curriculum entier. Donc au début, c'était environ 150 étudiants et cela a augmenté à 700 étudiants au cours des deux ou trois prochaines années. C'est donc une classe très populaire. C'est l'une des plus grandes classes de Stanford en ce moment. Donc c'était aussi vraiment réussi.
Je veux dire, Andre est vraiment l'une des meilleures personnes en vision informatique du monde. Arguablement la meilleure.
Bonjour à tous. Donc Pete vous a tout dit sur la puce que nous avons conçue qui exécute les réseaux de neurones dans la voiture. Mon équipe est responsable de l'entraînement de ces réseaux de neurones et cela inclut toute la collecte de données de la flotte, l'entraînement des réseaux de neurones et puis un déploiement sur cette puce. Alors, qu'est-ce que les réseaux de neurones font exactement dans la voiture ? Donc ce que nous voyons ici est un flux de vidéos de tout le véhicule, à travers la voiture. Ce sont huit caméras qui nous envoient des vidéos. Et puis ces réseaux de neurones regardent ces vidéos et les traitent et font des prédictions sur ce qu'ils voient. Et donc certaines des choses auxquelles nous nous intéressons et certaines des choses que vous voyez sur cette visualisation ici sont les marquages des lignes de voie, d'autres objets, les distances à ces objets, ce que nous appelons l'espace praticable, montré en bleu, qui est l'endroit où la voiture est autorisée à aller, et beaucoup d'autres prédictions comme les feux de circulation, les panneaux de circulation, et ainsi de suite. Maintenant, pour ma présentation, je vais parler grossièrement en trois étapes. Donc d'abord, je vais vous donner un court aperçu des réseaux de neurones et comment ils fonctionnent et comment ils sont entraînés. Et j'ai besoin de faire cela parce que je dois expliquer dans la deuxième partie pourquoi c'est un si grand problème que nous ayons la flotte et pourquoi c'est tellement important et pourquoi c'est un facteur clé pour vraiment entraîner ces réseaux de neurones et les faire fonctionner efficacement sur les routes. Et dans la troisième étape, je parlerai de la vision et du lidar et comment nous pouvons estimer la profondeur uniquement à partir de la vision. Donc le problème principal que ces réseaux résolvent dans la voiture est celui de la reconnaissance visuelle. Donc pour vous et moi, ce sont très, c'est un problème très simple. Vous pouvez regarder tous ces quatre images et vous pouvez voir qu'ils contiennent un violoncelle, un bateau, une iguane ou des ciseaux. Donc c'est très simple et sans effort pour nous. Ce n'est pas le cas pour les ordinateurs. Et la raison en est que ces images sont, pour un ordinateur, vraiment juste une grille massive de pixels. Et à chaque pixel, vous avez la valeur de luminosité à ce point. Et donc au lieu de juste voir une image, un ordinateur obtient vraiment un million de nombres dans une grille qui vous disent les valeurs de luminosité à toutes les positions.
Une matrice, si vous le souhaitez. C'est vraiment la matrice.
Et donc nous devons aller de cette grille de pixels et de valeurs de luminosité à des concepts de haut niveau comme l'iguane et ainsi de suite. Et comme vous pouvez l'imaginer, cet iguane a un certain motif de valeurs de luminosité. Mais les iguanes peuvent en fait prendre de nombreuses apparences. Ils peuvent donc avoir de nombreuses apparences différentes, différentes poses et différentes conditions de luminosité sur différents fonds. Vous pouvez avoir différentes cultures de cet iguane. Et donc nous devons être robustes à travers toutes ces conditions, et nous devons comprendre que tous ces différents motifs de luminosité correspondent réellement à des iguanes. Maintenant, la raison pour laquelle vous et moi sommes très bons à cela est que nous avons un énorme réseau de neurones à l'intérieur de notre tête qui traite ces images. Donc la lumière frappe la rétine, se déplace vers l'arrière de votre cerveau, au cortex visuel. Et le cortex visuel se compose de nombreux neurones qui sont connectés ensemble et qui effectuent toute la reconnaissance de motifs sur ces images.
Et vraiment au cours des dernières, je dirais environ cinq ans, les approches de pointe pour traiter les images à l'aide d'ordinateurs ont également commencé à utiliser des réseaux de neurones, mais dans ce cas, des réseaux de neurones artificiels. Mais ces réseaux de neurones artificiels, et ce n'est qu'un diagramme de bande dessinée sont une très approximation mathématique approximative de votre cortex visuel. Nous avons vraiment des neurones, et ils sont connectés, connectés ensemble. Et ici je ne montre que trois ou quatre neurones dans trois ou quatre couches. Mais un réseau neuronal typique aura des dizaines à des centaines de millions de neurones, et chaque neurone aura mille connexions. Donc ce sont vraiment de grandes pièces de tissu presque simulé. Et puis ce que nous pouvons faire est que nous pouvons prendre ces réseaux de neurones et leur montrer des images. Donc, par exemple, je peux nourrir mon iguane dans ce réseau neuronal, et le réseau fera des prédictions sur ce qu'il voit. Maintenant, au début, ces réseaux de neurones sont initialisés complètement au hasard, donc les forces de connexion entre tous ces différents neurones sont complètement aléatoires. Et donc les prédictions de ce réseau seront également complètement aléatoires. Donc il pourrait penser que vous regardez réellement un bateau en ce moment. Et c'est très peu probable que ce soit réellement une iguane. Et pendant l'entraînement, pendant le processus d'entraînement, ce que nous faisons vraiment est que nous savons que c'est en fait une iguane. Nous avons une étiquette. Donc ce que nous faisons est que nous disons essentiellement que nous aimerions que la probabilité d'iguane soit plus grande pour cette image et que la probabilité de tous les autres choses diminue. Et puis il y a un processus mathématique appelé rétropropagation, descente de gradient stochastique qui nous permet de rétropropager ce signal à travers ces connexions. Et mettre à jour chacune de ces connexions.
Et mettre à jour chacune de ces connexions d'une petite quantité. Et une fois la mise à jour terminée, la probabilité d'iguane pour cette image augmentera un peu. Donc il pourrait devenir 14%, et la probabilité des autres choses diminuera. Et bien sûr, nous ne faisons pas cela uniquement pour cette seule image. Nous avons en fait des ensembles de données entiers et volumineux qui sont étiquetés. Donc nous avons beaucoup d'images. Généralement, vous pourriez avoir des millions d'images, des milliers d'étiquettes ou quelque chose de similar, et vous faites des passages avant, arrière, une fois de plus. Donc vous montrez à l'ordinateur, voici une image, il a une opinion, et puis vous dites que c'est la bonne réponse, et il s'accorde un peu. Vous répétez cela des millions de fois, et vous montrez parfois des images, la même image à l'ordinateur, vous savez, des centaines de fois aussi. Donc l'entraînement du réseau prendra généralement quelques heures ou quelques jours, selon la taille du réseau que vous entraînez. Et c'est le processus d'entraînement d'un réseau neuronal. Maintenant, il y a quelque chose de très contre-intuitif dans la façon dont les réseaux de neurones fonctionnent que je dois vraiment explorer, et c'est qu'ils nécessitent vraiment beaucoup de ces exemples et ils recommencent vraiment de zéro. Ils ne savent rien. Et c'est vraiment difficile de comprendre cela. Donc à titre d'exemple, voici un joli chien. Et vous ne connaissez probablement pas la race de ce chien, mais la bonne réponse est que c'est un épagneul japonais. Maintenant, nous regardons tous cela et nous voyons un épagneul japonais, et nous sommes comme, d'accord, je l'ai compris. Je comprends un peu à quoi ressemble cet épagneul japonais. Et si je vous montre quelques autres images d'autres chiens, vous pouvez probablement identifier d'autres épagneuls japonais ici. Donc en particulier, ces trois ressemblent à un épagneul japonais et les autres ne le sont pas. Donc vous pouvez le faire très rapidement. Et vous n'avez besoin que d'un exemple, mais les ordinateurs ne fonctionnent pas ainsi. Ils ont vraiment besoin d'une tonne de données d'épagneuls japonais. Donc c'est une grille d'épagneuls japonais les montrant, vous avez besoin de milliers d'exemples les montrant dans différentes poses, différentes conditions de luminosité, différents arrière-plans, différentes cultures. Vous devez vraiment enseigner à l'ordinateur sous tous les différents angles à quoi ressemble cet épagneul japonais. Et cela nécessite vraiment toutes ces données pour que cela fonctionne. Sinon, l'ordinateur ne peut pas capturer automatiquement ce motif. Donc qu'est-ce que tout cela implique pour le paramètre de la conduite autonome ? Bien sûr, nous ne nous soucions pas trop des races de chiens. Peut-être que nous le ferons à un moment donné, mais pour maintenant, nous nous soucions vraiment des marquages de ligne de voie, des objets où ils sont, où nous pouvons conduire, et ainsi de suite. Donc la façon dont nous faisons cela est que nous n'avons pas d'étiquettes comme iguane pour les images, mais nous avons des images de la flotte comme ceci. Et nous nous intéressons, par exemple, aux marquages de ligne de voie. Donc nous, un humain, entre généralement dans une image et en utilisant une souris, annote les marquages de ligne de voie. Donc voici un exemple d'une annotation qu'un humain pourrait créer une étiquette pour cette image. Et cela dit que c'est ce que vous devriez voir dans cette image. Ce sont les marquages des lignes de voie. Et puis ce que nous pouvons faire est que nous pouvons aller à la flotte et demander plus d'images de la flotte. Et si vous interrogez la flotte, si vous faites juste un travail naïf de cela et vous demandez juste des images au hasard, la flotte pourrait répondre avec des images comme ceci. Généralement, en allant de l'avant sur une autoroute, c'est ce que vous pourriez obtenir comme une collection aléatoire comme celle-ci. Et nous annoterions toutes ces données. Maintenant, si vous n'êtes pas prudent et que vous annotez uniquement une distribution aléatoire de ces données, votre réseau capterapun peu cette distribution aléatoire sur les données et ne fonctionnera que dans ce régime. Donc si vous montrez un exemple légèrement différent, par exemple, voici une image où la route tourne et c'est un peu un quartier plus résidentiel. Ensuite, si vous montrez cette image au réseau neuronal, ce réseau pourrait faire une prédiction incorrecte. Il pourrait dire que, d'accord, eh bien, j'ai vu beaucoup de fois sur les autoroutes, les voies vont juste de l'avant. Donc voici une possible prédiction. Et bien sûr c'est très incorrect, mais le réseau neuronal ne peut vraiment pas être blâmé. Il ne sait pas si le train sur l', l'arbre sur la gauche, qu'il importe ou non. Il ne sait pas si la voiture à droite a de l'importance ou non pour la ligne de voie. Il ne sait pas si les bâtiments à l'arrière-plan importent ou non. Cela recommence complètement de zéro. Et vous et moi savons que la vérité est que rien de tout cela n'a d'importance. Ce qui compte vraiment, c'est qu'il y a quelques marquages blancs des lignes de voie là-bas à un point de fuite. Et le fait qu'ils se courbent un peu devrait influencer la prédiction. Sauf qu'il n'y a pas de mécanisme par lequel nous pouvons simplement dire au réseau neuronal, hey, ces marquages de ligne de voie importent réellement. Le seul outil dans la boîte à outils que nous avons est les données étiquetées. Donc ce que nous faisons est que nous devons prendre des images comme ceci quand le réseau échoue et nous devons les étiqueter correctement. Donc dans ce cas, nous tournerons la voie à droite et nous devons ensuite nourrir de nombreuses images de cela au réseau neuronal. Et le réseau neuronal, au fil du temps, accumulera, capterapbasiquement ce motif que ces choses-là n'importent pas, mais ces marquages de ligne de voie importent, et nous apprenons à prédire la bonne voie. Donc ce qui est vraiment critique, c'est pas seulement l'échelle de l'ensemble de données. Nous ne voulons pas seulement des millions d'images. Nous devons réellement bien faire en couvrant l'espace possible des choses que la voiture pourrait rencontrer sur les routes. Donc nous devons apprendre à l'ordinateur comment gérer les scénarios où il fait nuit et humide, vous avez tous ces différents reflets spéculaires, et comme vous pouvez l'imaginer, les motifs de luminosité dans ces images auront une apparence très différente. Nous devons enseigner à l'ordinateur comment traiter les ombres, comment traiter les fourches dans la route, comment traiter les grands objets qui pourraient occuper la plupart de cette image, comment traiter les tunnels ou comment traiter les chantiers de construction. Et dans tous ces cas, il n'y a pas, à nouveau, de mécanisme explicite pour dire au réseau quoi faire. Nous n'avons que d'énormes quantités de données. Nous voulons obtenir toutes ces images et nous voulons annoter les lignes correctes et le réseau capteraples motifs de ces ensembles de données maintenant grands et variés, ce qui rend fondamentalement ces réseaux très bien. Ce n'est pas seulement une découverte pour nous chez Tesla. Ceci est une découverte omniprésente dans toute l'industrie. Donc les expériences et la recherche de Google, de Facebook, de Baidu, de DeepMind d'Alphabet montrent tous des graphiques similaires où les réseaux de neurones aiment vraiment les données et aiment l'échelle et la variété. À mesure que vous ajoutez plus de données, ces réseaux de neurones commencent à mieux fonctionner et obtiennent une meilleure précision gratuitement. Donc plus de données les font simplement mieux fonctionner. Maintenant, un certain nombre d'entreprises ont, un certain nombre de personnes ont soulevé que potentiellement nous pourrions utiliser la simulation pour vraiment atteindre l'échelle des ensembles de données. Et nous sommes responsables d'une grande partie des conditions ici. Et peut-être que nous pouvons obtenir une certaine variété dans un simulateur maintenant chez Tesla. Et cela a aussi été soulevé d'une certaine façon dans les questions juste avant cela. Maintenant chez Tesla, c'est en fait une capture d'écran de notre propre simulateur. Nous utilisons beaucoup la simulation. Nous l'utilisons pour développer et évaluer les logiciels. Nous l'avons également utilisé pour la formation avec succès. Donc mais vraiment quand il s'agit de données d'entraînement pour les réseaux de neurones, il n'y a vraiment pas de substitut aux données réelles. Les simulations ont beaucoup de mal à modéliser l'apparence, la physique et les comportements de tous les agents autour de vous. Donc il y a quelques exemples pour vraiment faire passer ce point, le monde réel jette vraiment beaucoup de choses folles sur vous. Donc dans ce cas, par exemple, nous avons des environnements très compliqués avec de la neige, des arbres, du vent. Nous avons divers artefacts visuels qui sont potentiellement difficiles à simuler. Nous avons des chantiers de construction compliqués, des buissons et des sacs en plastique qui peuvent entrer, qui peuvent se déplacer avec le vent. Chantiers de construction compliqués qui pourraient comporter beaucoup de gens, d'enfants, d'animaux, tous mélangés. Et simuler comment ces choses interagissent et se déplacent à travers cette zone de construction pourrait être complètement, complètement insoluble. Ce n'est pas à propos du mouvement d'un seul piéton dedans. C'est à propos de la façon dont ils réagissent les uns aux autres et comment ces voitures réagissent les unes aux autres et comment ils réagissent à vous conduire dans ce cadre. Et tous ceux-ci sont en fait vraiment difficiles à simuler. C'est presque comme si vous deviez résoudre le problème de la conduite autonome pour simplement simuler d'autres voitures dans votre simulation. Donc c'est vraiment compliqué. Donc nous avons des chiens, des animaux exotiques, et dans certains cas, ce n'est pas que vous ne pouvez pas simuler, c'est que vous ne pouvez même pas le concevoir. Donc par exemple, je ne savais pas que vous pouviez avoir un camion, camion sur camion comme ça. Mais dans le monde réel, vous trouvez ceci et trouvez beaucoup d'autres choses qui sont très difficiles à vraiment concevoir. Donc vraiment la variété que je vois dans les données provenant de la flotte est juste folle. En ce qui concerne ce que nous avons dans le simulateur, nous avons un vraiment bon simulateur.
Je veux dire, je pense que la simulation, vous notez fondamentalement vos propres devoirs. Donc si vous savez que vous allez le simuler, ok, vous pouvez certainement le résoudre. Mais comme Andre le dit, vous ne savez pas ce que vous ne savez pas. Le monde est très bizarre et a des millions de cas limites. Et si quelqu'un peut produire une simulation de conduite autonome qui correspond exactement à la réalité, ce serait en soi un accomplissement monumental de la capacité humaine. Ils ne peuvent pas. Il n'y a pas de moyen.
Ouais. Donc je pense que les trois points que j'ai vraiment essayé de mettre en avant jusqu'à présent sont pour faire fonctionner les réseaux de neurones bien, vous avez besoin de ces trois éléments essentiels. Vous avez besoin d'un grand ensemble de données, un ensemble de données très grand et un ensemble de données réel. Et si vous avez ces capacités, vous pouvez réellement entraîner des réseaux de neurones et les faire fonctionner très bien. Et donc pourquoi Tesla est-elle dans une position unique et intéressante pour vraiment bien obtenir tous ces trois éléments essentiels ? Et la réponse à cela, bien sûr, bien sûr, est la flotte. Nous pouvons vraiment obtenir des données de cela et faire fonctionner nos systèmes de réseaux de neurones extrêmement bien. Donc laissez-moi vous donner un exemple concret de, par exemple, améliorer le fonctionnement du détecteur d'objets pour vous donner une idée de la façon dont nous développons ces réseaux de neurones, comment nous y itérons et comment nous les faisons réellement fonctionner au fil du temps. Donc la détection d'objets est quelque chose dont nous nous soucions beaucoup. Nous aimerions mettre des boîtes délimitantes autour, disons les voitures et les objets ici, parce que nous devons les suivre et nous devons comprendre comment ils pourraient se déplacer. Donc à nouveau, nous pourrions demander à des annotateurs humains de nous donner des annotations pour ceux-ci. Et les humains pourraient entrer et vous dire que, d'accord, ces motifs là-bas sont des voitures et des vélos et ainsi de suite. Et vous pouvez entraîner un réseau neuronal sur cela. Mais si vous n'êtes pas prudent, le réseau neuronal fera des mispredictions dans certains cas. Donc à titre d'exemple, si nous tombons sur une voiture comme celle-ci qui a un vélo à l'arrière, alors le réseau neuronal, quand j'ai rejoint, créerait en fait deux détections. Il créerait une détection de voiture et une détection de vélo. Et c'est en fait correct parce que je suppose que les deux objets existent réellement. Mais aux fins du contrôleur et du planificateur en aval, vous ne voulez vraiment pas faire face au fait que ce vélo peut aller avec la voiture. La vérité est que ce vélo est attaché à cette voiture. Donc en termes de juste des objets sur la route. Il y a un seul objet, une seule voiture. Et donc ce que vous aimeriez faire maintenant est que vous aimeriez potentiellement annoter beaucoup de ces images, car ce n'est qu'une seule voiture. Donc le processus que nous parcourons en interne dans l'équipe est que nous prenons cette image ou quelques images qui montrent ce motif, et nous avons un mécanisme, un mécanisme d'apprentissage automatique, par lequel nous pouvons demander à la flotte de nous fournir des exemples qui ressemblent à cela. Et la flotte peut répondre avec des images qui contiennent ces motifs. Donc à titre d'exemple, ces six images pourraient provenir de la flotte. Ils contiennent tous des vélos sur le dos de voitures. Et nous irions et annoterions tous ceux-ci comme juste une seule voiture. Et puis les performances de ce détecteur s'améliorent réellement. Et le réseau comprend en interne que, hé, quand le vélo est juste attaché à la voiture, c'est en fait juste une seule voiture. Et il peut apprendre cela avec suffisamment d'exemples, et c'est ainsi que nous résolvons le problème. Je vais mentionner que je parle beaucoup d'approvisionner des données de la flotte. Je veux juste faire un point rapide que nous avons conçu ceci dès le départ en tenant compte de la confidentialité, et toutes les données que nous utilisons pour la formation sont anonymisées. Maintenant, la flotte ne répond pas seulement avec des vélos sur les dos des voitures. Nous cherchons toutes les choses. Nous cherchons beaucoup de choses tout le temps. Par exemple, nous cherchons des bateaux, et la flotte peut répondre avec des bateaux. Nous cherchons des chantiers de construction, et la flotte peut nous envoyer beaucoup de chantiers de construction du monde entier. Nous recherchons même des cas légèrement plus rares. Par exemple, trouver des débris sur la route est assez important pour nous. Ce sont donc des exemples d'images qui nous sont parvenues de la flotte et qui montrent des pneus, des cônes, des sacs en plastique et des choses comme ça. Si nous pouvons les approvisionner à grande échelle, nous pouvons les annoter correctement et le réseau de neurones peut apprendre à les gérer dans le monde. Voici un autre exemple. Les animaux, bien sûr, sont aussi une occurrence très rare et un événement. Mais nous voulons que le réseau de neurones comprenne vraiment ce qui se passe ici, que ce sont des animaux et nous voulons traiter cela correctement. Donc, pour résumer, le processus par lequel nous itérons sur les prédictions du réseau de neurones ressemble à ceci. Nous commençons avec un ensemble de données amorce qui a potentiellement été approvisionné au hasard. Nous annotons cet ensemble de données, puis nous entraînons des réseaux de neurones sur cet ensemble de données et le mettons dans la voiture. Et puis nous avons des mécanismes par lesquels nous remarquons les inexactitudes dans la voiture quand ce détecteur peut mal se comporter. Par exemple, si nous détectons que le réseau de neurones pourrait être incertain, ou si nous détectons cela, ou s'il y a une intervention du conducteur sur l'un de ces paramètres, nous pouvons créer cette infrastructure de déclenchement qui nous envoie les données de ces inexactitudes. Et donc, par exemple, si nous n'effectuons pas très bien la détection des lignes de voie dans les tunnels, nous pouvons remarquer qu'il y a un problème dans les tunnels. Cette image entrerait dans notre test unitaire. Nous pouvons donc vérifier que nous résolvons réellement le problème au fil du temps. Mais maintenant, pour corriger cette inexactitude, vous devez trouver beaucoup plus d'exemples qui ressemblent à cela. Donc, nous demandons à la flotte de nous envoyer s'il vous plaît beaucoup plus de tunnels. Et puis nous étiquetons correctement tous ces tunnels, nous les intégrons dans l'ensemble d'entraînement, et nous réentraînons le réseau, le redéployons et itérons le cycle encore et encore. Et donc, nous nous référons à ce processus itératif par lequel nous améliorons ces prédictions de performances comme le moteur de données. Donc, en déployant itérativement quelque chose potentiellement en mode fantôme, en sourçant les inexactitudes et en incorporant l'ensemble d'entraînement encore et encore. Et nous faisons cela essentiellement pour toutes les prédictions de ces réseaux de neurones. Maintenant, jusqu'à présent, j'ai parlé d'un lot d'étiquetage explicite. Donc, comme je l'ai mentionné, nous demandons aux gens d'annoter les données. C'est un processus coûteux en temps. Et aussi en ce qui concerne. Ouais, c'est juste un processus coûteux. Et donc ces annotations, bien sûr, peuvent être très coûteuses à réaliser. Donc, ce que je veux aussi parler est vraiment d'utiliser la puissance de la flotte. Vous ne voulez pas traverser ce goulot d'étranglement d'annotation humaine. Vous voulez simplement diffuser les données et les automatiser automatiquement. Et nous avons plusieurs mécanismes par lesquels nous pouvons faire cela. Par exemple, un exemple de projet sur lequel nous avons récemment travaillé est la détection des coupures. Donc, vous conduisez sur l'autoroute, quelqu'un est à gauche ou à droite, et il se coupe devant vous dans votre voie. Voici une vidéo montrant l'autopilot détectant que cette voiture empiète sur notre voie. Maintenant, bien sûr, nous aimerions détecter une coupure aussi vite que possible. Donc, la façon dont nous abordons ce problème est que nous n'écrivons pas de code explicite pour savoir si le clignotant gauche est allumé? Le clignotant droit est-il allumé? Suivre le clavier au fil du temps et voir s'il se déplace horizontalement. Nous utilisons en fait une approche d'apprentissage de flotte. Donc, le fonctionnement est que nous demandons à la flotte de nous envoyer des données chaque fois qu'ils voient une voiture passer d'une voie droite à la voie centrale ou de gauche au centre. Et puis ce que nous faisons est de rembobiner le temps vers l'arrière et nous pouvons automatiquement annoter que, hé, cette voiture va tourner, va couper devant vous en 1,3 secondes. Et puis nous pouvons l'utiliser pour entraîner le réseau de neurones. Et le réseau de neurones captera automatiquement beaucoup de ces modèles. Donc, par exemple, les voitures sont généralement lacées, elles se déplacent de cette façon, peut-être que le clignotant est allumé. Tout cela se passe en interne dans le réseau de neurones à partir de ces exemples. Donc, nous avons demandé à la flotte de nous envoyer automatiquement toutes ces données. Nous pouvons obtenir environ un demi-million d'images et toutes celles-ci seraient annotées pour des coupures. Et puis nous entraînons le réseau. Et puis nous avons pris ce réseau de coupure et l'avons déployé dans la flotte. Mais nous ne l'activons pas encore. Nous le exécutons en mode fantôme. Et en mode fantôme, le réseau fait toujours des prédictions. Hé, je pense que ce véhicule va couper. D'après la façon dont cela ressemble, ce véhicule va couper. Et puis nous cherchons les mauvaises prédictions. Donc, par exemple, ceci est un clip que nous avions en mode fantôme du réseau de coupure. Et c'est un peu difficile à voir, mais le réseau pensait que le véhicule juste devant nous à droite allait couper. Et vous pouvez voir qu'il flirte légèrement avec la ligne de voie. Il essaie, il empiète un peu. Et le réseau s'est enthousiasmé et a senti que cela allait être coupé. Ce véhicule se retrouvera en fait dans notre voie centrale. Il s'avère que c'est incorrect parce que. Et le véhicule n'a en fait pas fait cela. Donc, ce que nous faisons maintenant, c'est que nous roulons simplement le moteur de données. Nous sourçons cela qui a fonctionné en mode fantôme. Il fait des prédictions, il fait certains faux positifs et il y a certaines détections faux négatifs. Donc, nous nous sommes parfois surexcités et parfois, nous avons manqué une coupure quand cela s'est réellement produit. Tout cela crée un déclencheur qui nous est envoyé en continu et qui est intégré maintenant gratuitement. Aucun humain n'est blessé dans le processus d'étiquetage de ces données incorporées gratuitement dans notre ensemble d'entraînement. Nous avons réentraîné le réseau et redéployé le mode fantôme. Et donc nous pouvons le tourner quelques fois. Et nous regardons toujours les faux positifs et négatifs provenant de la flotte. Et une fois que nous sommes heureux avec le taux de faux positifs et de faux négatifs, nous retournons réellement le bit et laissons réellement la voiture contrôler ce réseau. Et donc vous avez peut-être remarqué que nous avons en fait expédié l'une de nos premières versions d'un détecteur de coupure il y a environ, je pense, trois mois. Donc, si vous avez remarqué que la voiture détecte beaucoup mieux les coupures. C'est l'apprentissage de la flotte en fonctionnement à grande échelle. Oui, cela fonctionne en fait assez bien. Donc, c'est l'apprentissage de la flotte. Aucun humain n'a été blessé dans le processus. C'est juste beaucoup d'entraînement de réseau de neurones basé sur les données et beaucoup de mode fantôme. Et en regardant ces résultats, un autre essentiellement,
Comme tout le monde entraîne le réseau tout le temps, c'est ce que cela revient. Que le pilote automatique soit activé ou désactivé, le réseau est en cours de formation. Chaque mile parcouru par la voiture, c'est du matériel 2 ou plus, entraîne le réseau.
Une autre façon intéressante d'utiliser cela dans le cadre de l'apprentissage de la flotte et de l'autre projet dont je vais parler est la prédiction de trajectoire. Donc, pendant que vous conduisez la voiture, ce que vous faites réellement, c'est que vous annotez les données parce que vous dirigez le volant, vous nous dites comment traverser différents environnements. Donc, ce que nous regardons ici est une personne de la flotte qui a pris un virage à gauche dans une intersection. Et ce que nous faisons ici, c'est que nous avons la vidéo complète de toutes les caméras et nous savons que, le chemin que cette personne a pris à cause du GPS, de l'unité de mesure initiale, de l'angle des roues, des impulsions des roues. Donc, nous mettons tout cela ensemble et nous comprenons le chemin que cette personne a pris à travers cet environnement. Et puis bien sûr, cela, cela, nous pouvons l'utiliser pour la supervision du réseau. Donc, nous sourçons simplement beaucoup de cela de la flotte. Nous entraînons un réseau de neurones sur ces trajectoires, puis le réseau de neurones de protection prédit des chemins à partir de ces données. Donc, ce à quoi c'est généralement désigné s'appelle l'apprentissage par imitation. Nous prenons des trajectoires humaines du monde réel et nous essayons simplement d'imiter comment les gens conduisent dans des mondes réels. Et nous pouvons également appliquer le même mécanisme du moteur de données à tout cela et le faire fonctionner au fil du temps. Voici donc un exemple de prédiction de trajectoire qui traverse une sorte d'environnement compliqué. Donc, ce que vous voyez ici est une vidéo et nous superposons la prédiction, les prédictions du réseau. Donc, c'est un chemin que le réseau suivrait en vert et un peu.
Ouais, je veux dire, le truc fou, c'est que le réseau prédit des chemins qu'il ne peut même pas voir avec une précision incroyablement élevée. Il ne peut pas voir autour du coin. Mais, mais il dit que la probabilité de cette courbe est extrêmement élevée. Donc, c'est le chemin et il l'a cloué. Vous verrez cela dans les voitures d'aujourd'hui. Mais nous allons activer la vision augmentée afin que vous puissiez voir les lignes de voie et les prédictions de trajectoire des voitures superposées sur la vidéo.
Ouais, il y a en fait plus de choses qui se passent sous le capot que vous ne pouvez même le dire.
Je veux dire, c'est plutôt effrayant, pour être honnête.
Et bien sûr, il y a beaucoup de détails que je saute. Et vous ne voudrez peut-être pas annoter tous les conducteurs, vous voudrez peut-être juste imiter les meilleurs conducteurs. Et il y a de nombreuses façons techniques dont nous découpons et tranchons ces données. Mais la chose intéressante ici, c'est que cette prédiction est en fait une prédiction 3D que nous projetons sur l'image ici. Donc, le chemin vers l'avant est une chose tridimensionnelle que nous rendons simplement en 2D. Mais nous connaissons la pente du sol à partir de tout cela et c'est en fait extrêmement précieux pour la conduite. Donc, la prédiction de trajectoire est en fait active dans la flotte aujourd'hui, d'ailleurs. Donc, si vous conduisez des trèfles, si vous êtes dans un trèfle sur l'autoroute jusqu'à peut-être il y a cinq mois environ, votre voiture ne serait pas en mesure de faire de trèfle. Maintenant, ça peut. C'est la prédiction de trajectoire en direct sur vos voitures. Nous avons expédié cela il y a un certain temps et aujourd'hui vous allez l'expérimenter. Pour traverser les intersections, une grande partie de la façon dont nous parcourons les intersections dans vos trajets d'aujourd'hui est entièrement approvisionnée à partir de la prédiction de trajectoire à partir d'étiquettes automatiques. Donc, ce dont j'ai parlé jusqu'à présent sont vraiment les trois éléments clés de la façon dont nous itérons sur les prédictions du réseau et comment nous le faisons fonctionner au fil du temps. Vous avez besoin d'un ensemble de données volumineux, varié et réel. Nous pouvons vraiment l'atteindre ici chez Tesla et nous le faisons par l'échelle de la flotte, le moteur de données, l'expédition des choses en mode fantôme, l'itération de ce cycle, et potentiellement même en utilisant l'apprentissage de la flotte où aucun annotateur humain n'est blessé dans le processus, et en utilisant simplement les données automatiquement. Et nous pouvons vraiment le faire à grande échelle. Donc, dans la prochaine section de ma présentation, je vais surtout parler de la perception de la profondeur en utilisant uniquement la vision. Donc, vous pourriez être familier avec le fait qu'il y a au moins deux capteurs dans la voiture. L'un est des caméras de vision qui obtiennent simplement des pixels, et l'autre est LiDAR que beaucoup d'autres entreprises utilisent également. Et LiDAR vous donne ces mesures de distance ponctuelles autour de vous. Maintenant, une chose que j'aimerais souligner, d'abord, c'est que vous êtes tous venus ici, vous avez conduit ici, beaucoup d'entre vous, et vous avez utilisé votre réseau de neurones et votre vision. Vous ne tiriez pas de lasers de vos yeux et vous êtes quand même arrivé ici.
Les choses se sont bien passées. Donc, clairement, le réseau de neurones humain dérive la distance et toutes les mesures et la compréhension 3D du monde à partir uniquement de la vision. Il utilise en fait plusieurs indices pour le faire. Je vais juste brièvement en passer quelques-unes pour vous donner une idée de ce qui se passe à peu près à l'intérieur. Par exemple, nous avons deux yeux pointés vers l'extérieur, donc vous obtenez deux mesures indépendantes à chaque étape temporelle du monde devant vous. Et votre cerveau assemble ces informations ensemble pour arriver à une estimation de la profondeur car vous pouvez trianguler n'importe quel point entre ces deux points de vue. Beaucoup d'animaux ont plutôt des yeux positionnés sur les côtés, donc ils ont très peu de chevauchement dans leurs champs visuels. Donc, ils utiliseront généralement la structure pour le mouvement. Et l'idée est qu'ils hochent la tête et à cause du mouvement, ils obtiennent en fait plusieurs observations du monde. Et vous pouvez à nouveau trianguler les profondeurs. Et même avec un œil fermé et complètement immobile, vous pouvez toujours avoir un sens de la perception de la profondeur. Si vous faisiez cela, je ne pense pas que vous remarqueriez que j'arrive 2 mètres vers vous ou 100 mètres en arrière. Et c'est parce qu'il y a beaucoup d'indices monoculaires très forts que votre cerveau prend également en compte. Ceci est un exemple d'une illusion visuelle assez courante où vous avez, vous savez, ces deux barres bleues sont identiques, mais votre cerveau, la façon dont il assemble cette scène, s'attend à ce que l'une d'elles soit plus grande que l'autre en raison des lignes de fuite de cette image. Donc, votre cerveau fait beaucoup de cela automatiquement. Et les réseaux de neurones, les réseaux de neurones artificiels aussi. Donc, laissez-moi vous donner trois exemples de la façon dont vous pouvez arriver à la perception de la profondeur uniquement à partir de la vision. Une approche classique et deux qui reposent sur les réseaux de neurones. Voici donc une vidéo qui descend, je pense que c'est San Francisco d'une Tesla. Ce sont donc nos caméras, notre détection, et nous regardons tout. Je ne montre que la caméra principale, mais toutes les caméras sont allumées, les huit caméras de l'autopilot. Et si vous n'avez que cet extrait de six secondes, ce que vous pouvez faire est de stitcher cet environnement en 3D en utilisant les techniques de stéréo multi-vue. Donc, ceci.
C'est censé être une vidéo, n'est-ce pas? Une vidéo? Oh, je sais que c'est. Le voilà. Donc, c'est la reconstruction 3D de ces 6 secondes de cette voiture circulant sur ce chemin. Et vous pouvez voir que cette information est purement, c'est très bien récupérable à partir de, à partir de simples vidéos. Et à peu près c'est par le processus de triangulation et comme je l'ai mentionné, la stéréo multi-vue. Et nous avons appliqué des techniques similaires légèrement plus rares et approximatives également dans la voiture. Donc, c'est remarquable que toutes ces informations soient vraiment dans le capteur et ce n'est qu'une question d'extraction. L'autre projet dont je veux brièvement parler est comme je l'ai mentionné, il n'y a rien sur le réseau de neurones. Les réseaux de neurones sont de puissants moteurs de reconnaissance visuelle. Et si vous voulez qu'ils prédisent la profondeur, vous devez, par exemple, chercher des étiquettes de profondeur. Et puis ils peuvent en fait le faire extrêmement bien. Donc, il n'y a rien qui limite les réseaux de prédire cette profondeur monoculaire sauf pour les données étiquetées. Donc, un exemple de projet que nous avons réellement examiné en interne est que nous utilisons le radar orienté vers l'avant, qui est montré en bleu, et ce radar regarde vers l'avant et mesure les profondeurs des objets. Et nous utilisons ce radar pour annoter ce que la vision voit, les boîtes englobantes qui sortent des réseaux de neurones. Donc, au lieu que des annotateurs humains vous disent, d'accord, cette voiture et cette boîte englobante est à environ 25 mètres, vous pouvez annoter cette donnée beaucoup mieux en utilisant les capteurs. Donc, vous utilisez l'annotation des capteurs. Par exemple, le radar est assez bon à cette distance. Vous pouvez annoter cela et puis entraîner un réseau de neurones sur cela. Et si vous en avez juste assez de données, ce réseau de neurones est très bon pour prédire ces modèles. Voici donc un exemple de prédictions de cela. Donc, en cercles, je montre des objets radar et dans. Et les cuboïdes qui sortent ici sont purement de la vision. Donc, les cuboïdes ici ne sont que de la vision. Et la profondeur de ces cuboïdes est apprise par une annotation de capteur du radar. Donc, si cela fonctionne très bien, vous verriez que les cercles dans la vue de haut en bas seraient d'accord avec les cuboïdes. Et c'est le cas. Et c'est parce que les réseaux de neurones sont très compétents pour prédire les profondeurs. Ils peuvent apprendre les différentes tailles de véhicules en interne et ils savent à quel point ces véhicules sont grands. Et vous pouvez en fait dériver la profondeur de cela assez précisément. Le dernier mécanisme dont je parlerai très brièvement est un peu plus fantaisiste et devient un peu plus technique. Mais c'est un mécanisme qui a récemment, il y a quelques articles essentiellement au cours de la dernière année ou deux sur cette approche. C'est appelé auto-supervision. Donc, ce que vous faites dans beaucoup de ces articles, c'est que vous ne nourrissez que des vidéos brutes dans les réseaux de neurones sans aucune étiquette. Et vous pouvez toujours apprendre, vous pouvez toujours faire apprendre les réseaux de neurones à apprendre la profondeur. Et c'est un peu technique, donc je ne peux pas entrer dans les détails complets, mais l'idée est que le réseau de neurones prédit la profondeur à chaque image de cette vidéo. Et puis il n'y a pas de cibles explicites auxquelles le réseau de neurones est censé régresser avec les étiquettes. Mais plutôt, l'objectif du réseau est d'être cohérent au fil du temps. Donc, quelle que soit la profondeur que vous prédisez, elle doit être cohérente tout au long de cette vidéo. Et la seule façon d'être cohérent est d'être juste. Et donc le réseau de neurones prédit automatiquement les profondeurs correctes pour tous les pixels. Et nous avons reproduit certains de ces résultats en interne. Donc, cela fonctionne aussi assez bien. Donc, en résumé, les gens conduisent uniquement avec la vision, aucun laser n'est impliqué. Cela semble fonctionner assez bien. Le point que je voudrais faire est que la reconnaissance visuelle et la reconnaissance visuelle très puissante est absolument nécessaire pour l'autonomie. Ce n'est pas une bonne chose, nous devons avoir des réseaux de neurones qui comprennent réellement l'environnement autour de vous. Et les points LIDAR sont beaucoup moins riches en informations. Donc, la vision comprend vraiment les détails complets. Seulement quelques points autour sont beaucoup. Il y a beaucoup moins d'information dans ceux-ci. Donc, par exemple à gauche ici, est-ce un sac en plastique ou est-ce un pneu? Lidar pourrait simplement vous donner quelques points sur cela, mais la vision peut vous dire lequel de ces deux est vrai et cela impacte votre contrôle. Est-ce que cette personne qui regarde légèrement vers l'arrière essaie-t-elle de se fondre dans votre voie à vélo ou va-t-elle simplement vers l'avant sur les chantiers de construction? Que disent ces panneaux? Comment dois-je me comporter dans ce monde? Toute l'infrastructure que nous avons construite pour les routes est entièrement conçue pour la consommation visuelle humaine. Donc, tous les panneaux, tous les feux de circulation, tout est conçu pour la vision. Et donc c'est là que se trouve toute cette information. Et donc vous avez besoin de cette capacité. Est-ce que cette personne est distraite et au téléphone, va-t-elle marcher dans votre voie? Les réponses à toutes ces questions ne se trouvent que dans la vision et sont nécessaires pour l'autonomie de niveau quatre, de niveau cinq. Et c'est la capacité que nous développons chez Tesla et via cela est faite grâce à une combinaison d'entraînement de réseau de neurones à grande échelle via un moteur de données et de faire en sorte que cela fonctionne au fil du temps et d'utiliser la puissance de la flotte. Et donc en ce sens, LIDAR est vraiment un raccourci. Il contourne les problèmes fondamentaux que le problème important de la reconnaissance visuelle qui est nécessaire pour l'autonomie. Et donc cela donne une fausse sensation de progrès et est finalement une béquille. Cela donne like vraiment des démos rapides. Donc, si je devais résumer le
ma présentation entière en une diapositive, ce serait ceci, toute l'autonomie. Parce que vous voulez des systèmes de niveau quatre, de niveau cinq qui peuvent gérer toutes les situations possibles dans 99,99% des cas et poursuivre les dernières rares situations sera très délicat, très difficile et nécessitera un système visuel très puissant. Donc, je vous montre quelques images de ce que vous pourriez rencontrer dans l'une quelconque de ces neuf tranches. Donc, au début, vous avez juste des voitures très simples. En avant, ces voitures commencent à avoir un peu drôle. Ensuite, vous avez peut-être des vélos sur les voitures, puis peut-être des voitures sur les voitures. Ensuite, vous commencez peut-être à entrer dans des événements vraiment rares comme les voitures renversées ou même les voitures en l'air. Nous voyons beaucoup de choses provenant de la flotte et nous les voyons à un certain taux, à comme un très bon taux par rapport à tous nos concurrents. Et donc le taux de progrès auquel vous pouvez réellement résoudre ces problèmes itérer sur le logiciel et vraiment nourrir les réseaux de neurones avec les bonnes données. Ce taux de progrès est vraiment juste proportionnel à la fréquence à laquelle vous rencontrez ces situations dans la nature. Et nous les avons rencontrés beaucoup plus fréquemment que n'importe qui d'autre, c'est pourquoi nous allons très bien nous en sortir. Merci.
C'est tout super impressionnant. Merci beaucoup. Combien de données, combien de photos collectez-vous en moyenne de chaque voiture
Et puis il semble que le nouveau matériel avec le dual, dual actif. Les ordinateurs actifs vous donnent vraiment des opportunités intéressantes pour exécuter en simulation complète
copie du réseau de neurones tandis que vous êtes
exécuter l'autre. Exécutant l'autre.
Conduisez la voiture et comparez les résultats
pour assurer la qualité. Et puis je me demandais aussi s'il y avait d'autres opportunités d'utiliser les ordinateurs pour la formation quand ils sont garés dans le garage pendant les 90% du temps que je ne conduis pas mon temps.
Investor Relations
Tesla autour.
Merci beaucoup. Ouais. Donc, pour la première question, combien de données obtenons-nous de la flotte? Donc, il est vraiment important de souligner que ce n'est pas seulement l'échelle de l'ensemble de données, c'est vraiment la variété de cet ensemble de données qui compte. Si vous avez juste beaucoup d'images de quelque chose qui va de l'avant sur l'autoroute, à un moment donné, les réseaux de neurones l'obtiennent juste. Vous n'avez pas besoin de ces données. Donc, nous sommes vraiment stratégiques dans la façon dont nous choisissons et choisissons. Et l'infrastructure de déclenchement que nous avons construite est assez sophistiquée et nous permet d'obtenir juste les données dont nous avons besoin maintenant. Et donc ce n'est pas une énorme quantité de données, c'est juste des données très bien sélectionnées. Pour la deuxième question concernant la redondance, absolument. Vous pouvez essentiellement exécuter la copie du réseau sur les deux. Et c'est en fait comment c'est conçu pour atteindre un système de niveau quatre, de niveau cinq qui est redondant. Donc, c'est absolument le cas. Et votre dernière question. Je suis désolé, je n'ai pas.
L'entraînement de la voiture est un ordinateur optimisé pour l'inférence. Nous avons un programme majeur chez Tesla dont nous n'avons pas assez de temps pour parler aujourd'hui, appelé Dojo. C'est un super ordinateur puissant d'entraînement. L'objectif de Dojo sera de pouvoir absorber de vastes quantités de données et entraîner au niveau vidéo et faire une formation massive non supervisée de vastes quantités de vidéo avec le programme dojo. Ordinateur Dojo. Mais c'est pour un autre jour.
Analyst
Je suis un peu un pilote d'essai d'une certaine manière parce que je conduis le 40510 et toutes ces choses très délicates et vraiment longues se produisent chaque jour. Mais le défi que je suis curieux de savoir comment vous allez résoudre est le changement de voie. Parce que chaque fois que j'essaie d'entrer dans une voie avec du trafic, tout le monde vous coupe. Et donc le comportement humain est très irrationnel. Quand vous conduisez à Los Angeles et que la voiture veut juste le faire en toute sécurité et vous devez presque le faire en toute insécurité. Donc, je me demandais comment vous allez résoudre ce problème. Ouais.
Donc, une chose que j'aimerais souligner est que j'ai parlé du moteur de données comme itérant sur les réseaux de neurones, mais nous faisons exactement la même chose au niveau du logiciel et tous les hyper paramètres qui entrent dans les choix de quand nous changeons réellement de voie, comment agressif nous sommes, nous les changeons toujours, potentiellement les exécutant en mode fantôme et voyant à quel point ils fonctionnent. Et donc pour affiner nos heuristiques autour de quand il est correct de changer de voie, nous utiliserions également potentiellement le moteur de données et le mode fantôme, etc. Finalement, concevoir en fait tous les différentes heuristiques pour savoir quand il est correct de changer de voie est en fait un peu insoluble, je pense, dans le cas général. Et donc idéalement vous voulez en fait utiliser l'apprentissage de la flotte pour guider ces décisions. Donc, quand les humains changent-ils de voie, dans quels scénarios et quand pensent-ils qu'il n'est pas sûr de changer de voie? Et regardons juste beaucoup de données et entraînons des classificateurs d'apprentissage automatique pour distinguer quand c'est trop sûr de le faire. Et ces classificateurs d'apprentissage automatique peuvent écrire beaucoup meilleur code que les humains parce qu'ils ont la masse de données qui soutiennent cela. Donc, ils peuvent vraiment régler tous les bons seuils et accepter les humains et faire quelque chose de sûr.
Je pense que nous aurons probablement un mode qui va au-delà du mode Mad Max au mode trafic LA. Ouais, eh bien, vous savez, Mad Max aurait un peu du mal avec le trafic LA, je pense.
Ouais. Donc, c'est vraiment un compromis. Comme vous ne voulez pas créer des situations dangereuses, mais vous voulez être affirmé. Mais ce petit jeu de comment faire fonctionner cela en tant qu'humain est en réalité très compliqué et très difficile à coder. Mais je pense que nous le faisons vraiment. Il semble vraiment que l'approche du machine learning soit plutôt la bonne
Analyst
façon de procéder.
Où nous regardons simplement beaucoup de façons que les gens font cela et essayons d'imiter cela.
Nous sommes juste plus conservateurs en ce moment. Et puis à mesure que nous gagnons une confiance de plus en plus élevée, nous permettrons aux utilisateurs de sélectionner un mode plus agressif. Ce sera au choix de l'utilisateur. Mais dans les modes plus agressifs et en essayant de se fondre dans le trafic, il y a un léger. Peu importe le nombre de nouveaux, il y a une légère chance d'un accrochage, pas un accident grave, mais vous aurez fondamentalement le choix, voulez-vous avoir une chance non nulle d'un accrochage dans le trafic d'autoroute, ce qui est malheureusement la seule façon de naviguer le trafic de LA.
Je veux dire, oui. Oui. Cela me rappelle toujours comme LA Story. Ce film est un excellent film.
Ouais, c'est très subtil parce qu'il y a ce jeu du poulet qui se déroule.
Ouais. Nous offrirons des options plus agressives au fil du temps qui seront spécifiées par l'utilisateur. Oui. Mad Max plus. Exactement.
Analyst
Bonjour. Salut. Jed Doersheimer de Canaccord Genuity. Merci et félicitations pour tout ce que vous avez développé. Quand on regarde le projet Alphazero, c'est. C'était une variable très définie et limitée en termes de paramètres, ce qui a permis à la courbe d'apprentissage d'être si rapide. Le risque ou ce que vous essayez de faire ici est presque développer la conscience dans les voitures via le réseau neuronal. Et donc je suppose que le défi est comment ne pas créer une référence circulaire en termes de. Du tirage du modèle centralisé de la flotte à ce point de transfert où la voiture a suffisamment d'informations. Où est cette ligne? Je suppose qu'en termes du point du processus d'apprentissage à la transmission où il y a suffisamment d'informations dans la voiture et ne pas avoir à tirer de la flotte.
Eh bien, la voiture peut fonctionner si elle est complètement déconnectée de la flotte. C'est juste, cela télécharge l'entraînement qui est, vous savez, de mieux en mieux à mesure que la flotte s'améliore. Donc, simplement, si vous la déconnectiez de la flotte à partir de ce moment, elle cesserait de s'améliorer, mais elle fonctionnerait toujours bien.
Analyst
Dans la partie matérielle de votre partage. Dans la version précédente, il parlait beaucoup des avantages de puissance de ne pas stocker beaucoup d'images. Et donc dans cette partie, vous parlez de l'apprentissage qui se fait en tirant de la flotte. Je suppose que j'ai du mal à concilier comment, s'il y avait une situation où je montais la colline, comme vous l'avez montré, et je prédisais où la route allait aller, cela venait de toutes les autres variables de flotte qui y ont conduit. Renseignement, comment je ne suis pas. Comment j'obtiens le bénéfice de la faible puissance en utilisant les caméras avec le réseau neuronal. C'est là que je perds les deux. Peut-être que c'est juste moi, mais je suppose que c'est.
Je veux dire que la puissance de calcul dans l'ordinateur de conduite autonome complète est incroyable. Et peut-être devrions-nous mentionner que si cette route n'avait jamais été vue auparavant, elle aurait quand même fait ces prédictions à condition que ce soit une route aux États-Unis.
Analyst
Affaire du 9 mars ici. Dans le cas du LiDAR, le 9 mars n'est-ce pas un exemple que je veux juste arriver à votre slam sur LiDAR parce qu'il est assez clair que vous n'aimez pas LiDAR dans cette flamme LiDAR.
Analyst
N'y a-t-il pas comme un cas où à un moment neuf neuf neuf neuf neuf sur la route où en fait LiDAR peut être utile et pourquoi ne pas l'avoir comme une sorte de redondance ou de sauvegarde? C'est ma première question. Et le second. Vous pouvez donc toujours concentrer votre attention sur la vision par ordinateur, mais l'avoir simplement comme redondant. Ma deuxième question est, si c'est vrai, qu'advient-il du reste de l'industrie qui construisent leurs solutions d'autonomie sur LiDAR?
Ils vont tous abandonner LiDAR. C'est ma prédiction, retenez mes paroles. Je dois noter que je ne déteste pas vraiment le lidar autant que cela puisse sembler, mais chez SpaceX, SpaceX Dragon utilise le LiDAR pour naviguer vers la station spatiale et s'amarrer. Non seulement cela, SpaceX a développé son propre LIDAR à partir de zéro pour faire cela. Et j'ai dirigé cet effort personnellement parce que dans ce scénario, lidar a du sens. Et dans les voitures, c'est assez stupide. C'est cher et inutile. Et comme Andre le disait, une fois que vous résolvez la vision, c'est sans valeur. Vous avez donc du matériel coûteux qui ne vaut rien sur la voiture. Nous avons un radar avant qui est bon marché et utile, notamment en cas d'occlusion. Donc, s'il y a du brouillard, de la poussière ou de la neige, le radar peut voir à travers cela. Si vous allez utiliser la génération de photons actifs, n'utilisez pas la longueur d'onde visible car une fois que vous avez pris soin de tout ce qui concerne la longueur d'onde visible avec l'optique passive. Vous voulez utiliser une longueur d'onde qui pénètre l'occlusion comme le radar. Donc LiDAR est juste la génération de photons actifs dans le spectre visuel. Si vous allez faire une génération de photons actifs, faites-le en dehors du spectre visuel dans le spectre du radar. Donc, comme à 3,8 millimètres par rapport à 400, 700 nanomètres, vous allez avoir une bien meilleure pénétration d'occlusion et c'est pourquoi nous avons un radar avant et nous avons également 12 capteurs à ultrasons pour les informations de champ proche en plus des huit caméras et du radar avant. Vous n'avez besoin du radar que dans la direction avant car c'est la seule direction qui va vraiment vite. Donc c'est. Je veux dire, nous avons passé en revue cela plusieurs fois. Comme, sommes-nous sûrs d'avoir la bonne suite de capteurs? Devrions-nous ajouter quelque chose de plus? Non.
Analyst
Salut. Donc juste ici. Vous aviez mentionné que vous aviez demandé à la flotte les informations que vous recherchiez pour une partie de la vision. J'ai deux questions à ce sujet. Il semble que les voitures fassent une certaine computation pour déterminer quel type d'informations renvoyer. Est-ce une hypothèse correcte? Sont-ils en temps réel ou sont-ils basés sur des informations stockées?
Ouais. Ils font donc absolument des calculs en temps réel sur la voiture et nous attendons pour spécifier fondamentalement une condition qui nous intéresse et puis ces voitures font ce calcul là. S'ils ne le faisaient pas, nous devrions envoyer toutes les données et le faire hors ligne dans notre backend. Nous ne voulons pas faire cela. Donc toute cette compétition se déroule sur la voiture.
Analyst
C'est donc basé sur cette question. Il semble que vous soyez dans une très bonne position d'avoir actuellement un demi-million de voitures à l'avenir, potentiellement des millions de voitures qui sont essentiellement des ordinateurs représentant des centres de données gratuits, presque gratuits pour faire du calcul. Est-ce une énorme opportunité future pour Tesla? C'est une opportunité actuelle et actuelle et ce n'est vraiment pas pris en compte pour quoi que ce soit encore. C'est incroyable. Merci.
Nous avons 425 000 voitures avec le matériel deux et plus, ce qui signifie qu'elles ont les huit caméras, le radar et les ultrasons et elles ont au moins l'ordinateur Nvidia, ce qui est suffisant pour essentiellement déterminer quelles informations sont importantes, ce qui ne l'est pas. Comprimez les informations importantes aux éléments les plus saillants et téléchargez-les sur le réseau pour l'entraînement. C'est donc une compression massive des données du monde réel.
Analyst
Vous avez ce genre de réseau de millions d'ordinateurs qui sont essentiellement comme de massifs centres de données qui sont des centres de données distribués pour la capacité de calcul. Pensez-vous qu'il sera utilisé pour d'autres choses en dehors de la conduite autonome à l'avenir?
Je suppose que cela pourrait être utilisé pour quelque chose d'autre que la conduite autonome. Nous nous sommes super concentrés sur la conduite autonome. Donc, vous savez, à mesure que nous l'avons vraiment à clous, il y aura peut-être une autre utilisation pour, vous savez, des millions et puis des dizaines de millions d'ordinateurs avec le matériel trois ou quatre ordinateur de conduite. Ouais, peut-être qu'il y en aurait. Ça pourrait être. Ça pourrait être. Peut-être qu'il y a une sorte d'angle AWS ici. C'est possible. Bonjour.
Salut, Elon. Matt Joyce, Loop Ventures. Je possède une Model 3 au Minnesota où il neige beaucoup.
Puisque la caméra et le radar ne peuvent pas voir les marquages routiers à travers la neige, quelle est votre approche technique
stratégie pour résoudre ce défi? Est-ce que cela implique le GPS haute précision du tout? Ouais.
en fait, comme aujourd'hui, en fait, l'autopilote fera un travail décent en neige. Même lorsque les repères sont couverts, même lorsque les marquages de propriétaire sont effacés couverts, ou quand il y a beaucoup de pluie dessus, nous semblons toujours conduire relativement bien. Nous ne nous sommes pas spécifiquement attaqués à la neige avec notre moteur de données, mais je pense en fait que c'est, c'est complètement tractable car dans beaucoup de ces images, même quand les choses sont enneigées, quand vous demandez à un annotateur humain où sont les lignes de voie, ils peuvent en fait vous dire qu'ils sont en fait relativement cohérents dans la création de ces lignes de voie. Tant que les annotateurs sont cohérents sur vos données, alors j'ai, il y a. Le réseau neuronal détectera ces motifs et nous nous en sortirons bien. C'est donc vraiment juste une question de savoir si le signal est là pour l'annotateur humain? Si la réponse à cela est oui, alors le réseau neuronal peut le faire très bien.
Ouais, il y a en fait plusieurs signaux importants, comme Andre le disait. Donc les lignes de voie sont l'une de ces choses, mais l'un des signaux les plus importants est l'espace de conduite. Quel est donc l'espace carrossable et quel n'est pas l'espace carrossable? Et ce qui compte vraiment le plus est l'espace de conduite plus que les lignes de voie. Et la prédiction de l'espace de conduite est extrêmement bonne. Et je pense que surtout après cet hiver à venir ce sera incroyable. C'est comme, ce sera comme, comment pourrait-ce être si bon? C'est fou.
L'autre chose à noter est que peut-être que ce n'est pas seulement que des annotateurs humains. Tant que vous en tant qu'humain pouvez conduire dans cet environnement à travers l'apprentissage en flotte, nous savons en fait le chemin que vous avez pris. Et vous avez évidemment utilisé la vision pour vous guider à travers ce chemin. Vous n'avez pas utilisé que les marquages de ligne de voie, vous utilisiez toute la géométrie de toute cette scène. Vous voyez donc comment le monde se recroqueville à peu près. Vous voyez comment les voitures sont positionnées autour de vous. Le réseau neuronal détectera automatiquement tous ces motifs à l'intérieur. Si vous avez juste assez de données de personnes traversant ces environnements.
Ouais, c'est en fait extrêmement important que les choses ne soient pas rigidement liées au gps, car l'erreur GPS peut varier pas mal et la situation réelle d'une route peut varier pas mal. Il pourrait donc y avoir de la construction, il pourrait y avoir un détour, et si la voiture utilise le GPS comme principal, c'est une très mauvaise situation. C'est demander des ennuis. C'est bon d'utiliser le GPS pour des astuces et des astuces. C'est donc comme vous pouvez conduire votre quartier d'accueil mieux qu'un quartier dans un autre pays ou une autre partie du pays. Vous connaissez donc bien votre propre quartier et vous utilisez une sorte de connaissance de votre quartier pour conduire avec plus de confiance, pour peut-être avoir des raccourcis contre-intuitifs et ce genre de choses. Mais toi. Les données de superposition GPS ne doivent être que utiles, mais jamais primaires. Si c'est jamais primaire, c'est un problème.
Donc question à l'arrière du coin arrière.
Analyst
Coin. Je voulais juste faire un suivi partiel
à ce sujet parce que plusieurs de vos concurrents
dans l'espace au cours des dernières années
ont fabriqué, vous savez, ont parlé
à propos de la façon dont ils augmentent tous les
leurs capacités de perception et de planification de chemin qui sont en quelque sorte sur la plateforme automobile
avec des cartes haute définition des zones dans lesquelles ils conduisent.
Cela joue-t-il un rôle dans votre système? Voyez-vous que cela ajoute une valeur?
Y a-t-il des domaines où vous aimeriez obtenir, obtenir plus de données qui ne sont pas recueillies à partir de la flotte mais qui sont plutôt des données de style cartographique?
Je pense que les cartes GPS haute précision et les voies sont une très mauvaise idée. Le système devient extrêmement fragile. Donc, tout changement comme celui-ci pourrait, tout changement du système le rend, il ne peut pas s'adapter. Donc, s'il se verrouille sur le GPS et les lignes de voie haute précision et ne permet pas le dépassement de vision, en fait, la vision devrait être la chose qui fait tout et puis comme les lignes de voie sont une ligne directrice, mais ce n'est pas la chose principale. Nous avons brièvement augmenté l'arbre des lignes de voie haute précision et nous avons ensuite réalisé que c'était une énorme erreur et l'avons annulée. Ce n'est pas bon.
Donc c'est très utile pour comprendre
l'annotation, où sont les objets et comment la voiture conduit. Mais qu'en est-il de l'aspect de la négociation pour
le stationnement et les rond-points et d'autres choses où
il y a d'autres voitures sur la route qui sont conduites par l'homme, où c'est plus un art qu'une science.
C'est assez bon en fait. Comme avec les coupes et truc. Ça va très bien.
Donc, comme je l'ai mentionné, nous utilisons beaucoup d'apprentissage automatique en ce moment en termes de prédiction, créant une représentation explicite de ce à quoi le monde ressemble. Et puis il y a un planificateur explicite et un contrôleur au-dessus de cette représentation. Et il y a beaucoup d'heuristiques sur la façon de traverser et de négocier, etc. Il y a une longue queue tout comme un. En ce que les environnements visuels ressemblent. Il y a une longue queue dans ces négociations et un petit jeu du poulet que vous jouez avec d'autres personnes, etc. Et donc je pense que nous avons beaucoup de confiance que finalement il doit y avoir une sorte de composant d'apprentissage en flotte à la façon dont vous le faites réellement. Parce que écrire toutes ces règles à la main va, va rapidement plafonner, je pense.
Ouais, nous avons résolu ce problème avec les coupes et c'est comme nous permettrons progressivement un comportement plus agressif de la part de l'utilisateur. Ils peuvent juste composer le paramètre et dire être plus agressif, être moins agressif. Vous savez, conduisez facilement, mode chill agressif.
Analyst
Progrès incroyables. Phénoménal. Deux questions. Premièrement, en termes de peloton, pensez-vous que le système est équipé parce que quelqu'un a demandé quand il y a de la neige sur la route, mais si vous avez une fonction de peloton, vous pouvez juste suivre la voiture devant. Votre système, votre système est-il capable de faire cela? Ensuite, j'ai deux suivis.
Vous demandez donc à propos du peloton. Donc je pense que nous pourrions absolument construire ces fonctionnalités. Mais encore une fois, si vous utilisiez juste, si vous entraîniez juste les réseaux de neurones, par exemple sur l'imitation des humains, les humains suivent déjà la voiture devant. Et donc ce réseau neuronal incorpore en fait ces motifs en interne. C'est juste, il découvre qu'il y a une corrélation entre la manière dont la voiture devant vous fait face et le chemin que vous allez prendre. Mais c'est tout fait en interne dans le filet. Donc vous êtes juste préoccupé par l'obtention de suffisamment de données et les données délicates. Et le processus d'entraînement du réseau neuronal est en fait assez magique. Fait tout le reste automatiquement. Vous transformez donc tous les différents problèmes en un seul problème. Collectez simplement votre ensemble de données et utilisez la formation des réseaux de neurones.
Ouais, il y a trois étapes à la conduite autonome. Vous savez, il y a eu une fonction complète, puis il y a être complètement à l'avenir au degré où nous pensons que la personne dans la voiture n'a pas besoin de prêter attention. Et puis il y a un niveau de fiabilité où nous avons également convaincu les régulateurs que c'est vrai. Donc il y a une sorte de trois niveaux. Nous nous attendons à être complets dans la conduite autonome cette année et nous nous attendons à être suffisamment confiants de notre point de vue pour dire que nous pensons que les gens ne doivent pas toucher le volant, regarder par la fenêtre du volant une fois probablement vers, je ne sais pas, deuxième trimestre de l'année prochaine. Et ensuite, nous commençons à nous attendre à obtenir l'approbation réglementaire, au moins dans certaines juridictions à cet égard vers la fin de l'année prochaine. C'est à peu près l'horaire que j'attends que les choses continuent. Et probablement pour les camions, le peloton sera approuvé par les régulateurs avant toute autre chose. Et vous pourriez avoir peut-être si vous faites du long parcours, vous pouvez avoir un conducteur à l'avant et puis avoir quatre semi-remorques traînant derrière d'une manière de peloton. Et je pense que probablement les régulateurs seront plus rapides à approuver cela que d'autres choses.
Analyst
En ce qui concerne. Bien sûr, vous n'avez pas à nous convaincre. LiDAR est une technologie, à mon avis, qui a une réponse. À la recherche d'une question? Probablement mort.
Analyst
Je veux dire que c'est très impressionnant ce que nous avons vu aujourd'hui et probablement que la démo pourrait montrer quelque chose de plus. Je me demandais quelle est la dimension maximale d'une matrice que vous pourriez avoir dans votre entraînement ou dans votre pipeline d'apprentissage profond?
Chiffre approximatif, intimation maximale de la matrice. Donc ouais, faire beaucoup d'opérations de multiplication matricielle à l'intérieur du réseau neuronal. Vous demandez à ce sujet, il y a de nombreuses façons de répondre à cette question, mais je ne suis pas 100% sûr s'ils sont. Ils sont utiles. Ce sont des réponses utiles. Ces réseaux de neurones auront généralement, comme je l'ai mentionné, environ des dizaines à des centaines de millions de neurones. Chacun d'eux a en moyenne environ mille connexions aux neurones ci-dessous. Ce sont donc les échelles typiques qui sont utilisées dans l'industrie et que nous utiliserions également.
Analyst
Ouais. J'ai en fait été très impressionné par le taux d'amélioration sur Autopilot au cours de la dernière année sur mon Model 3. Les deux scénarios sur lesquels je voulais vos commentaires la semaine dernière. Le premier scénario était que je me trouvais sur la voie la plus à droite de la route et il y avait une bretelle d'autoroute. Et puis mon Model 3 a en fait pu détecter deux voitures sur le côté ralentir et laisser la voiture aller devant moi et une voiture aller derrière moi. Et j'étais comme, oh mon dieu, c'est comme fou. Comme je ne pensais pas que mon Model 3 pouvait faire cela. C'était donc super impressionnant. Mais la même semaine, un autre scénario où j'étais à nouveau sur la voie de droite, mais ma voie de droite s'était fusionnée avec la voie de gauche. Ce n'était pas une bretelle d'accès, c'est juste une voie normale de l'autoroute. Et mon Model 3 n'était pas capable de détecter vraiment cette situation et je n'étais pas capable de ralentir ou d'accélérer et j'ai dû intervenir d'une certaine façon. Pouvez-vous donc de votre point de vue, partager un peu le contexte sur la façon dont un réseau de neurones, comment Tesla pourrait s'adapter et vous savez, comme comment cela pourrait s'améliorer au fil du temps?
Ouais. Donc, comme je l'ai mentionné, nous avons une infrastructure de déclenchement très sophistiquée. Si vous êtes intervenu, il est en réalité probablement probable que nous ayons reçu ce clip et que nous puissions réellement l'analyser et voir ce qui s'est passé et affiner le système. Cela entre donc probablement dans certaines statistiques. D'accord, à quel taux fusionnons-nous correctement le trafic? Et nous examinons ces chiffres et regardons les clips et voyons ce qui ne va pas et essayons de corriger ces clips et de progresser par rapport à ces repères. Alors oui, Oui. Nous pourrions donc potentiellement passer par une phase de catégorisation, puis nous examinons certaines des plus grandes catégories qui semblent en réalité être sémantiquement liées au même problème. Et puis nous examinerons certains d'entre eux et essayerons de développer des logiciels contre cela.
D'accord. Nous avons une présentation de plus qui est le logiciel. C'est donc essentiellement comme le matériel pilote automatique avec Stuart, il y a une sorte de vision de réseau neuronal avec Andre, et puis il y a l'ingénierie logicielle à l'échelle qui sera présentée par Stuart. Alors merci. Et nous aurons l'occasion de poser des questions après. Donc oui, merci.
Investor Relations
Je voulais juste dire très brièvement, si vous avez un vol tôt et que vous voulez faire un essai routier avec notre dernier logiciel de développement, si vous pouviez s'il vous plaît parler à ma collègue Ann ou lui envoyer un e-mail et nous pouvons vous sortir pour un essai routier. Et Stuart, à vous.
Bon, c'est en réalité d'un clip d'une conduite ininterrompue de plus de 30 minutes sans interventions navigationner un autopilote sur le système d'autoroute qui est en production aujourd'hui sur des centaines de milliers de voitures. Je suis donc Stuart et je suis ici pour parler de la façon dont nous construisons certains de ces systèmes à l'échelle. Juste une très brève introduction sur d'où je viens, ce que je fais. Je suis donc passé par quelques entreprises ou moins. J'écris du logiciel professionnel depuis environ 12 ans. Ce qui m'excite le plus et je suis vraiment passionné par est de prendre le bord de coupe de l'apprentissage automatique et de le relier réellement aux clients par la robustesse et l'échelle. Donc, chez Facebook, j'ai initialement travaillé à l'intérieur de notre infrastructure publicitaire pour construire un apprentissage automatique avec des personnes vraiment, vraiment intelligentes. Et nous avons en fait essayé de le construire en une seule plateforme que nous pourrions ensuite étendre à tous les autres aspects de l'entreprise, de la façon dont nous classons le fil d'actualité à la façon dont nous livrons les résultats de recherche à la façon dont nous faisons chaque recommandation sur la plate-forme. Et cela est devenu le Groupe d'apprentissage automatique appliqué. C'est quelque chose dont je suis incroyablement fier. Et beaucoup de cela n'était pas seulement les algorithmes de base et les améliorations vraiment importantes qui se sont produites là. Ceux qui ont beaucoup d'importance sont en fait les pratiques d'ingénierie pour construire ces systèmes à l'échelle. Et la même chose était vraie chez Snap, où je suis allé, où nous étions vraiment, vraiment excités pour aider à monétiser ce produit. Mais la partie la plus difficile, nous utilisions Google à l'époque. Et ils nous géraient effectivement à une assez petite échelle. Et nous voulions construire cette même infrastructure. Nous prenons la compréhension de ces utilisateurs, la relions à l'apprentissage automatique de pointe, le construisons à grande échelle et gérons des milliards et des billions de prédictions et d'enchères tous les jours de manière vraiment robuste. Et donc quand l'opportunité est venue à Tesla, c'est quelque chose pour lequel je suis incroyablement excité, ce qui est de prendre spécifiquement les choses incroyables qui se produisent à la fois du côté du matériel et du côté de la vision par ordinateur et de l'IA et de les empaqueter réellement avec toute la planification, les contrôles, les tests, le correctif du noyau du système d'exploitation, toute notre intégration continue, notre simulation, et de construire cela dans un produit. Nous sortons sur les voitures des gens en production aujourd'hui. Et donc je veux parler de la chronologie de la façon dont nous avons fait cela avec naviguer sur Autopilot et comment nous allons faire cela car nous naviguons sur autopilot hors de la route et dans les rues de la ville. Nous en sommes à 70 millions de miles pour Navigate on Autopilot est quelque chose vraiment, vraiment, vraiment cool. Et je pense qu'une chose qui vaut la peine de noter est que nous continuons à accélérer et à continuer à apprendre de ces données. Comme Andre en a parlé, ce moteur de données, à mesure que cela s'accélère, nous faisons en fait des changements de voie de plus en plus affirmatifs. Nous apprenons de ces cas où les gens interviennent soit parce qu'ils ne détectent pas correctement une fusion, soit parce qu'ils voulaient que la voiture soit un peu plus pimpante dans différents environnements. Et nous voulons juste continuer à faire ce progrès. Pour commencer tout cela, nous commençons par essayer de comprendre le monde autour de nous. Et nous avons parlé des différents capteurs du véhicule. Mais je voulais creuser un peu plus. Ici, nous avons huit caméras, mais nous avons également en plus 12 capteurs à ultrasons, un radar, une unité de mesure inertielle, GPS. Et puis une chose que nous oublions est que nous avons aussi les actions de pédal et de direction. Nous pouvons donc non seulement regarder ce qui se passe autour du véhicule, mais aussi regarder comment les humains ont choisi d'interagir avec cet environnement. Et donc je vais parler de ce clip maintenant. Cela montre essentiellement ce qui se passe aujourd'hui dans la voiture, et nous continuons à pousser cela en avant. Nous commençons donc par un seul réseau neuronal. Nous voyons les détections autour de lui. Nous construisons ensuite tout cela avec plusieurs réseaux de neurones et plusieurs détections. Nous introduisons les autres capteurs et nous le convertissons en ce qu'Elon appelle un espace vectoriel, une compréhension du monde autour de nous. Et c'est quelque chose où, à mesure que nous continuons, continuons à nous améliorer, nous déplaçons de plus en plus cette logique dans les réseaux de neurones eux-mêmes. Et le jeu final évident ici est que le réseau neuronal regarde à travers toutes les voitures, rassemble toutes les informations ensemble et produit simplement une source de vérité pour le monde autour de nous. Et ce n'est en fait pas comme un rendu d'artiste, en de nombreux sens. C'est en fait la sortie d'un des outils de débogage que nous utilisons quotidiennement en équipe pour comprendre à quoi ressemble le monde autour de nous. Donc une autre chose qui est vraiment, vraiment excitante pour moi, je pense que quand j'entends parler de capteurs comme le lidar, une question courante est de savoir pourquoi ne pas avoir d'autres modalités de capteurs et pourquoi ne pas avoir une redondance sur le véhicule ? Et je veux approfondir un truc qui n'est pas. N'est pas toujours évident avec les réseaux de neurones eux-mêmes. Donc nous avons un réseau de neurones qui fonctionne sur notre, disons, caméra fish-eye grand angle. Ce réseau de neurones ne fait pas une seule prédiction sur le monde. Il fait de nombreuses prédictions distinctes, dont certaines s'auditent réellement l'une l'autre. Donc comme exemple concret, nous avons la capacité de détecter un piéton. C'est un. Quelque chose sur lequel nous formons très, très soigneusement et dans lequel nous mettons beaucoup de travail. Nous avons aussi la capacité de détecter les obstacles sur la route, et un piéton est un obstacle. Et c'est montré différemment au réseau de neurones. Il dit, oh, il y a quelque chose par lequel je ne peux pas conduire. Et ces ensemble se combinent pour nous donner une compréhension accrue de ce que nous pouvons et ne pouvons pas faire devant le véhicule et comment planifier cela. Nous faisons ensuite cela sur plusieurs caméras car nous avons des champs de vision qui se chevauchent à de nombreux endroits autour du véhicule devant, nous avons un nombre particulièrement large de champs de vision qui se chevauchent. Enfin, nous pouvons combiner cela avec des choses comme le radar et les ultrasons pour construire ces compréhensions extrêmement précises de ce qui se passe devant la voiture. Nous pouvons l'utiliser à la fois pour apprendre des comportements futurs qui sont très précis. Nous pouvons aussi construire des prédictions très précises de comment les choses vont continuer à se passer devant nous. Donc un exemple que je pense être vraiment excitant est que nous pouvons réellement regarder les cyclistes et les gens et non seulement demander, où êtes-vous maintenant ? Mais où allez-vous ? Et c'est en fait le cœur de ce que nous faisons pour notre nouveau système de freinage d'urgence automatique de nouvelle génération, qui n'arrêtera pas seulement les gens sur votre chemin, il s'arrêtera pour les gens qui vont être sur votre chemin. Et cela fonctionne en mode fantôme en ce moment. Nous irons à la flotte ce trimestre et je parlerai du mode fantôme dans une seconde. Donc quand vous voulez démarrer une fonctionnalité comme celle-ci pour la navigation sur pilote automatique sur le système d'autoroute, vous pouvez commencer par apprendre à partir des données. Et vous pouvez juste regarder comment les humains font les choses aujourd'hui. Quel est leur profil d'assurance ? Comment changent-ils de voie ? Qu'est-ce qui les fait soit absorber soit changer leurs manœuvres ? Et vous pouvez voir des choses qui ne sont pas immédiatement évidentes, comme, oh oui, la fusion simultanée est rare, mais très compliquée et très importante. Et vous pouvez commencer à former des opinions sur différents scénarios, comme un véhicule qui dépasse rapidement. Donc c'est ce que nous faisons quand nous avons initialement certains algorithmes que nous voulons essayer. Nous pouvons les mettre sur la flotte et nous pouvons voir ce qu'ils auraient fait dans un scénario du monde réel, comme cette voiture qui nous dépasse très rapidement. Ceci est tiré de notre environnement de simulation réel montrant différents, différents chemins que nous avons envisagé de prendre et comment ceux-ci se superposent au comportement du monde réel d'un utilisateur. Quand vous avez bien réglé ces algorithmes et que vous vous sentez bien à leur sujet spécifiquement, et c'est vraiment prendre cette sortie du réseau de neurones, la mettre dans cet espace vectoriel, et construire et régler ces paramètres par-dessus. Au final une chose que nous pouvons faire grâce à de plus en plus d'apprentissage automatique. Vous entrez dans un déploiement contrôlé, ce qui pour nous est notre programme d'accès anticipé. Et ensuite vous le sortez à quelques milliers de personnes qui sont vraiment excitées de vous donner des retours très vigilants mais utiles sur la façon dont cela se comporte non en boucle ouverte, mais en boucle fermée
manière en boucle fermée dans le monde réel.
Et vous regardez leurs interventions. Et nous avons parlé de ceci comme quand quelqu'un prend le contrôle, nous pouvons réellement obtenir ce clip, essayer de comprendre ce qui se passe. Et une chose que nous pouvons vraiment faire est que nous pouvons réellement rejouer cela dans une manière en boucle ouverte et demander en construisant notre logiciel, nous rapprochons-nous ou nous éloignons-nous de comment les humains se comportent dans le monde réel ? Et une chose qui est vraiment cool, avec les ordinateurs de conduite autonome complète, nous construisons réellement nos propres racks et infrastructure de sorte que nous pouvons essentiellement adapter quatre de nos ordinateurs de conduite autonome complète entièrement rackés, les intégrer dans notre propre cluster, et exécuter réellement cette infrastructure de données très sophistiquée pour comprendre au fil du temps, à mesure que nous accordons et corrigeons ces algorithmes, nous rapprochons-nous de plus en plus de la façon dont les humains se comportent ? Et ultimement pouvons-nous dépasser leurs capacités ? Et donc une fois que nous avions ceci, nous nous sentions vraiment bien à ce sujet. Nous voulions faire notre déploiement général, mais pour commencer, nous avons réellement demandé à tout le monde de confirmer le comportement de la voiture via la confirmation d'actions. Et donc nous avons commencé à faire des tas et des tas de prédictions sur la façon dont nous devrions naviguer l'autoroute. Nous avons demandé aux gens de nous dire, c'est correct ou c'est faux. Et c'est encore une chance de tourner ce moteur de données. Et nous avons repéré certaines queues vraiment délicates et intéressantes, dans ce cas, je pense qu'un exemple vraiment amusant comme ces cas très intéressants de fusion simultanée où vous commencez à aller et puis quelqu'un bouge soit derrière soit avant vous sans vous remarquer. Et quel est le comportement approprié de l'approche ici et quels sont les réglages du réseau de neurones que nous devons faire pour être super précis sur les comportements appropriés ? Ici nous avons travaillé, nous avons réglé ceux-ci en arrière-plan, nous les avons améliorés, et au fil du temps nous avons obtenu 9 millions de changements de voie acceptés avec succès. Et nous utilisons ceux-ci à nouveau avec notre infrastructure d'intégration continue pour réellement comprendre si nous pensons que nous sommes prêts. Et c'est une chose où la conduite autonome complète est aussi vraiment excitante pour moi. Puisque nous possédons toute la pile logicielle directement du patching du noyau jusqu'à l'ISO comme l'accord sur le processeur de signal d'image, nous pouvons commencer à collecter encore plus de données qui sont encore plus précises. Et cela nous permet de faire un réglage encore meilleur et meilleur ces cycles d'itération plus rapides. Et donc plus tôt ce mois-ci nous avions pensé que nous étions prêts à déployer une version encore plus transparente de Navigate sur pilote automatique sur le système d'autoroute. Et cette version transparente ne nécessite pas une confirmation d'actions. Donc vous pouvez vous asseoir, vous détendre, mettre votre main sur le volant et simplement surveiller ce que fait la voiture. Et dans ce cas, nous voyons réellement plus de 100 000 changements de voie automatisés chaque jour sur le système d'autoroute. Et c'est quelque chose qui est vraiment cool pour nous de déployer à grande échelle. Et la chose dont je suis kind of plus enthousiasmé par tout cela est le cycle de vie réel de ceci et comment nous sommes réellement capable de tourner cette manivelle du moteur de données plus vite et plus vite et plus vite avec le temps. Et je pense qu'une chose qui devient vraiment, vraiment très claire est la combinaison de l'infrastructure que nous avons construite, les outils que nous avons construits sur cela, et la puissance combinée de l'ordinateur de conduite autonome complète, je crois que nous pouvons faire cela encore plus vite alors que nous déplaçons la navigation sur pilote automatique du système d'autoroute aux rues de la ville. Et donc oui, avec ça je vais passer à Elon.
Oui, je veux dire à ma connaissance, tous ces changements de voie se sont produits sans aucun accident.
C'est correct. Oui, je regarde chaque accident.
Donc. Donc c'est conservateur évidemment, mais c'est d'avoir des centaines de milliers allant à des millions de changements de voie et zéro accidents est je pense un grand accomplissement par l'équipe Tesla.
Cool. Donc voyons, vous savez, quelques autres choses qui valent peut-être la peine d'être mentionnées. Le pour avoir une voiture autonome ou un robo taxi, vous avez vraiment besoin de redondance dans tout le véhicule au niveau du matériel. Donc à partir de peut-être octobre 2016, toutes les voitures fabriquées par Tesla ont une direction assistée redondante. Donc nous avons des moteurs redondants sur la direction assistée. Donc tout défaut d'un des moteurs, la voiture peut toujours diriger tous les câbles d'alimentation et de données ont la redondance afin que vous puissiez couper n'importe quelle ligne d'alimentation ou n'importe quelle ligne de données et la voiture continuerait à conduire le système d'alimentation auxiliaire même si vous perdez complètement la puissance du pack principal. La voiture est capable de diriger et freiner en utilisant le système d'alimentation auxiliaire, afin que vous puissiez complètement perdre le pack principal et la voiture soit en sécurité. L'ensemble du système du point de vue du matériel a été conçu pour être un RoboTaxi depuis essentiellement octobre 2016. Donc quand nous avons déployé la version matérielle 2 du pilote automatique, nous ne nous attendons pas à améliorer les voitures fabriquées avant cela. Nous pensons qu'il coûterait réellement plus cher de faire une nouvelle voiture que de mettre à niveau les voitures. Juste pour vous donner une idée de la difficulté de faire cela. À moins que ce ne soit conçu, ce n'en vaut pas la peine. Donc nous avons passé par l'avenir de la conduite autonome où c'est clair c'est du matériel, c'est de la vision et puis il y a beaucoup de logiciels et le problème logiciel ici ne devrait pas être minimisé. C'est un problème logiciel massif qui
gérer de vastes quantités de données formation contre les données. Comment contrôlez-vous la voiture en fonction de la vision ? C'est un problème logiciel très difficile. Donc en allant après avoir examiné le plan directeur de Tesla, évidemment nous avons fait un tas de déclarations prospectives comme ils l'appellent. Mais passons en revue certaines de nos autres déclarations prospectives que nous avons faites. Il y a longtemps quand nous avons créé la compagnie, nous avons dit que nous construirions le Tesla Roadster. Ils ont dit que c'était impossible et même si nous l'avions construit, personne ne l'achèterait. C'est comme l'opinion universelle était que la construction d'une voiture électrique était extrêmement stupide et échouerait. Je suis d'accord avec eux que la probabilité d'échec était élevée, mais que c'était important. Donc nous avons construit la production du Tesla Roadster en 2008 et l'expédition de cette voiture, c'est maintenant un article de collection. Nous construisons une voiture plus abordable avec la Model S. Nous l'avons fait à nouveau. On nous a dit que c'était impossible. J'ai été appelé un fraudeur et un menteur. Ce n'était pas va arriver. Tout cela est faux. D'accord, des dernières paroles célèbres maintenant, nous avons commencé la production du Model S en 2012, dépassant toutes les attentes. Il n'y a toujours pas en 2019 de voiture qui puisse concurrencer le Model S de 2012. C'est sept ans plus tard, toujours en attente. Donc nous construirions une voiture abordable, peut-être très abordable. C'est abordable. Plus abordable avec la Model 3. Nous avons acheté le Model 3, nous sommes en production. J'ai dit que nous obtiendrions plus de 5 000 voitures par semaine pour le Model 3. À ce stade, 5 000 voitures par semaine est une promenade dans le parc pour nous. C'est même pas difficile. Donc nous faisons une énergie solaire à grande échelle, ce que nous avons fait par l'acquisition de solar city et que nous développons et déployons le toit solaire qui va vraiment bien. Nous sommes maintenant à la version trois du toit en tuile solaire et nous nous attendons à ce que la production du toit en tuile solaire augmente significativement plus tard cette année. Je l'ai sur ma maison et c'est génial. Et je fais en quelque sorte le Powerwall et le Power Pack. Nous avons fait le mur de puissance et le paquet de puissance. En fait, le pack de puissance est maintenant déployé dans des systèmes d'utilité massive à grande échelle au-delà du monde, y compris les plus grands projets de batterie en exploitation dans le monde qu'au-dessus de 100 mégawatts. Et dans le prochain ou probablement le prochain, l'année prochaine, deux ans au maximum, nous nous attendons à avoir un projet de batterie à l'échelle du gigawatt complété. Donc toutes ces choses, j'ai dit que nous les ferions, nous l'avons fait. Dit que nous le ferions, nous l'avons fait. Nous allons aussi faire la chose du robotaxi. Seule critique et c'est une juste et parfois je ne suis pas à temps, mais je la termine et l'équipe Tesla la termine. Donc ce que nous allons faire cette année est que nous allons atteindre une production combinée de 10 000 par semaine entre SX et 3. Feeling très confiant à ce sujet et nous nous sentons très confidents d'être à l'avenir complet avec la conduite autonome. L'année prochaine, nous élargirons la gamme de produits avec le Model Y et le semi et nous nous attendons à avoir les premiers robotaxis fonctionnels l'année prochaine sans personne dedans l'année prochaine. C'est toujours difficile d'aimer quand les choses sont à une exponentielle, à un taux d'amélioration exponentiel. C'est très difficile de se l'imaginer parce que nous avons l'habitude d'extrapoler sur une base linéaire. Mais quand vous avez des quantités massives comme le matériel, des quantités massives de matériel sur la route, les données cumulatives augmentent exponentiellement. Le logiciel s'améliore à un taux exponentiel. Je me sens très confiant de prédire les robots taxis autonomes pour Tesla l'année prochaine. Pas un état plus ancien, pas dans tous les domaines de compétence car nous n'aurons pas l'approbation réglementaire partout. Mais je suis confiant que nous aurons au moins l'approbation réglementaire quelque part littéralement l'année prochaine. Donc tous les clients pourront ajouter ou retirer leur voiture du réseau Tesla. Donc attendez-vous à ce que cela fonctionne comme une combinaison du modèle Uber et Airbnb. Donc si vous possédez la voiture, vous pouvez l'ajouter ou l'soustraire au réseau Tesla, et Tesla prendrait 25 ou 30% des revenus. Et puis dans les endroits où il n'y a pas assez de gens qui partagent leurs voitures, nous aurions juste des véhicules Tesla dédiés. Donc quand vous utilisez la voiture, nous vous montrerons notre application de covoiturage. Donc vous êtes capable d'appeler la voiture du parking, d'y entrer et de faire un tour. C'est vraiment simple. Donc vous prenez juste la même application Tesla que vous avez actuellement. Nous mettrons à jour l'application et ajouterons un appel, appeler Tesla, ou engager votre voiture à la flotte. Donc c'est soit appeler votre voiture soit appeler un Tesla soit ajouter ou soustraire votre voiture de la flotte. Vous serez capable de faire cela de votre téléphone. Donc nous voyons le potentiel pour lisser la courbe de distribution de la demande. Et avoir une voiture fonctionne à une utilité beaucoup plus élevée qu'une voiture normale. Donc généralement l'utilisation d'une voiture est d'environ 10 à 12 heures par semaine. Donc la plupart des gens conduisent une heure et demie à deux heures par jour, généralement 10 à 12 heures par semaine de conduite totale. Mais si vous avez une voiture qui peut fonctionner de manière autonome, alors très probablement vous pourriez probablement. Très probablement, vous auriez cette voiture fonctionnant pendant un tiers de la semaine ou plus. Donc il y a 168 heures dans une semaine. Donc probablement vous avez quelque chose de l'ordre de 55, 60 heures par semaine de fonctionnement, peut-être un peu plus long. Donc l'utilité fondamentale d'un véhicule augmente d'un facteur de cinq. Donc vous pouvez regarder cela d'un point de vue macroéconomique et dire, simplement si c'était comme quelque chose. Si nous exploitions une grande simulation, si vous pouviez améliorer votre simulation pour augmenter l'utilité des voitures d'un facteur de cinq, ce serait une augmentation massive de l'efficacité économique de la simulation. Juste gigantesque. Donc nous ferons des modèles 3s3 et des taxis excédentaires. Mais nous avons apporté un changement important à nos baux. Donc si vous louez un Model 3, vous n'avez pas l'option de l'acheter à la fin du bail. Nous les voulons en retour. Si vous achetez la voiture, vous pouvez la garder, mais si vous la louez, vous devez la rendre. Et comme je l'ai dit, dans tous les endroits où il n'y a pas assez d'offre pour le partage, Tesla fabrique simplement ses propres voitures et les ajoute au réseau à cet endroit. Donc le coût actuel du Model 3 Robo Taxi est inférieur à 38 000 $. Nous nous attendons à ce que ce nombre s'améliore au fil du temps et que nous redesignions. Les voitures, les voitures actuellement construites sont tous conçues pour un million de miles d'exploitation. Les unités d'entraînement conçues, testées et validées pour un million de miles d'exploitation. Le bloc de batterie actuel est d'environ 300 à 500 000 miles. Le nouveau bloc de batterie qui entrera probablement en production l'année prochaine est conçu explicitement pour un million de miles d'exploitation. L'ensemble du bloc de batterie du véhicule, il est conçu pour fonctionner un million de miles avec un entretien minimal. Donc nous ajusterons réellement la conception des pneus et optimiserons vraiment la voiture pour un robotaxi hyper efficace. Et à un moment donné, vous n'aurez pas besoin de volants ou de pédales et nous les supprimerons simplement. Donc alors que ces choses deviennent moins et moins importantes, nous supprimmons simplement des pièces. Ils n'y seront tout simplement pas. Si vous dites probablement dans deux ans, nous fabriquez une voiture qui n'a pas de volants ou de pédales et si nous avons besoin d'accélérer ce délai, nous pouvons toujours simplement supprimer des pièces. Facile. Oui, probablement dire à long terme, trois ans Robotaxis avec des pièces éliminées, peut-être que cela finit par être 25 000 $ ou moins. Et nous voulons une voiture super efficace. Donc la consommation d'électricité est très faible. Donc nous sommes actuellement à quatre miles et demi par kilowatt heure. Mais nous pouvons, nous l'améliorerons à cinq et plus. Et il n'y a vraiment aucune compagnie qui ait l'intégration de pile complète. Nous avons la conception et la fabrication des véhicules, mais l'équipement informatique en interne. Nous avons le développement de logiciels interne et l'IA et nous avons de loin la plus grande flotte. C'est extrêmement difficile, pas impossible peut-être, mais extrêmement difficile de rattraper quand Tesla a 100 fois plus de miles par jour que tous les autres réunis. C'est le coût d'exploitation d'une voiture à essence ou une. Le coût moyen d'exploitation d'une voiture aux États-Unis est tiré de AAA. Donc c'est actuellement environ 62 cents le mile. 13 mille et demi miles de 15 millions de véhicules s'élèvent à 2 trillions par an. Ceux-ci sont littéralement juste pris du site Web de AAA. Le coût du partage de trajet selon Uber et Lyft est de 2 à 3 $ par mile. Le coût pour exploiter un Robotaxi est selon nous inférieur à 18 cents le mile. Et baisse. Cela serait actuel. C'est le coût actuel. Les coûts futurs seront plus bas, dites-vous. Quel serait le bénéfice brut probable d'un seul Robotaxi ? Nous pensons probablement quelque chose de l'ordre de 30 000 $ par an. Et nous nous attendons à cela. Nous concevons littéralement, nous concevons les voitures de la même manière que les semi-remorques commerciales, les semi-camions sont conçus. Les semi-camions commerciaux sont tous conçus pour une vie de million de miles et nous concevons également les voitures pour une vie de million de miles. Donc en dollars nominaux, ce serait, vous savez, un peu plus de 300 000 $. Au cours de 11 ans, il pourrait être plus élevé. Je pense que ces consommations sont en fait relativement conservatrices. Et ceci suppose que 50% des miles parcourus sont. Il n'y a rien qui n'est pas utile. Donc ceci n'est qu'à 50% d'utilité. Au milieu de l'année prochaine, nous aurons plus d'un million de voitures Tesla sur la route avec la fonction matérielle de conduite autonome complète à un niveau de fiabilité que nous considérons que personne n'a besoin de faire attention. Ce qui signifie que vous pourriez aller dormir. De notre point de vue, si vous avancez d'un an, peut-être un an, peut-être un an et trois mois. Mais l'année prochaine sûrement, nous aurons plus d'un million de robotaxis sur la route. La flotte se réveille avec une mise à jour en vrac. C'est tout ce qu'il faut. Vous dites quelle est la valeur actuelle nette d'un robotaxi ? Probablement de l'ordre de quelques centaines de milliers de dollars. Donc acheter un Model 3 est une bonne affaire. Des questions ? Eh bien, je veux dire dans notre propre flotte, je ne sais pas, je suppose à long terme que nous avons probablement environ 10 millions de véhicules. Je veux dire nos taux de production en général. Si vous regardez notre taux de production annuel composé depuis 2012 qui est comme le. C'est notre première année complète de production du modèle S. Nous sommes passés de 23 000 véhicules produits en 2013 à environ 250 000 véhicules produits l'année dernière. Donc au cours de cinq ans, nous avons augmenté la production d'un facteur, facteur de 10. Je m'attendrais à ce que quelque chose de similaire se produise au cours des cinq ou six prochaines années. Quant au partage, partage vs je ne sais pas. La belle chose est que essentiellement les clients nous avancent l'argent pour la voiture. C'est super.
Donc en ce qui concerne une chose est le Snake Charger, je suis curieux à ce sujet.
Et aussi comment avez-vous déterminé les prix ?
Il semble que vous réduisiez le coût de la course Lift ou Uber moyenne d'environ 50%. Donc je suis curieux si vous pouviez parler
un peu sur la stratégie de prix.
Bien sûr. Nous nous attendons à la résolution. Résoudre pour le Snake Charger est assez direct du point de vue d'une vision. C'est comme une situation connue. Toute situation connue avec la Vision est comme un port de charge. C'est trivial. Donc. Donc oui, la voiture s'était juste automatiquement garée et branchée automatiquement. Il n'y aurait personne, aucune supervision humaine requise. Ouais. Donc désolé, qu'était la tarification ? Nous avons juste jeté quelques chiffres là-dessus. Je veux dire je pense définitivement brancher. Quel que soit le prix que vous pensez être judicieux. Nous avons juste sorte de dire au hasard, d'accord, peut-être un dollar. Et la chose est qu'il y a comme environ 2 milliards de voitures et de camions dans le monde. Donc les Robotaxis seront en très forte demande pendant très longtemps. Et mon observation jusqu'à présent est que l'industrie automobile s'adapte très lentement. Je veux dire, comme je l'ai dit, il n'y a toujours pas une voiture sur la route que vous pouvez acheter aujourd'hui qui est aussi bonne que le Model s était en 2012. Cela suggère donc un taux d'adaptation assez lent pour l'industrie automobile. Et donc probablement un dollar est conservateur pour les dix prochaines années car les gens pensent en quelque sorte qu'il n'y a pas assez d'appréciation pour la difficulté de la fabrication. La fabrication est incroyablement difficile. Mais beaucoup de gens à qui je parle pensent que si vous avez juste le bon design, vous pouvez instantanément fabriquer autant de cette chose que le monde le veut. C'est pas vrai. C'est extrêmement difficile de concevoir un nouveau système de fabrication pour une nouvelle technologie. Je veux dire, Audi a de gros problèmes de fabrication du E Tron et ils sont extrêmement bons à la fabrication. Et s'ils ont des problèmes, qu'en est-il des autres ? Donc le, vous savez, environ 2 milliards de voitures et de camions dans le monde, environ 100 millions d'unités par an de capacité de production de véhicules, mais seulement de l'ancien design. Il faudra très longtemps pour convertir tout cela en voitures entièrement autonomes. Et ils doivent vraiment être électriques car le coût d'exploitation d'une voiture à essence diesel est beaucoup plus élevé qu'une voiture électrique. Donc aucun, aucun, aucun impôt robo qui n'est pas électrique ne sera absolument pas compétitif.
Elon, c'est Colin Rush d'Oppenheimer ici. Vous savez, évidemment nous apprécions que les clients avancent une partie de l'argent pour cette accumulation de flotte, mais cela semble être un engagement massif du bilan de l'organisation au fil du temps. Pouvez-vous parler un peu de
à quoi cela ressemble, vos attentes
sont en termes de financement au cours de la
prochain, disons trois ans, trois, quatre
ans pour construire cette flotte et commencer à la monétiser avec votre base de clients ?
Eh bien, nous visons à être approximativement neutres en trésorerie pendant la phase de buildup de la flotte. Et ensuite je m'attendrais à être extrêmement positif en trésorerie une fois que les robo taxis sont activés. Mais je ne veux pas parler de financement. Il serait difficile de parler de financement dans ce lieu. Mais je pense que nous ferons les bons mouvements. Je pense que nous ferons les mouvements que vous pensez que nous devrions faire.
Analyst
J'ai une question. Si je suis Uber, pourquoi n'achèterais-je pas simplement toutes tes voitures ? Vous savez, pourquoi vous laisserais-je me mettre hors commerce ?
Il y a, il y a une clause que nous avons mise dans nos voitures. Je pense que c'était il y a environ trois ou quatre ans. Ils ne peuvent être utilisés que dans le réseau Tesla.
Analyst
Donc même une personne privée, comme si je sortais et achète 10 model threes, je ne peux pas, je peux fonctionner sur le réseau. C'est un business maintenant. Droite.
Votre seul droit est d'utiliser le réseau Tesla.
Analyst
Droite. Mais si j'utilise le réseau Tesla, en théorie, je pourrais gérer une entreprise de robo taxi de partage de voitures avec mes 10 model threes.
Oui, mais c'est comme l'App Store. Vous ne pouvez les ajouter ou les supprimer que par le réseau Tesla et Tesla obtient une part des revenus.
Analyst
Mais similaire à Airbnb cependant, en ce sens que j'ai cette maison, ma voiture, et maintenant je peux juste les louer pour pouvoir gagner un revenu supplémentaire en possédant plusieurs voitures et les louer simplement. Comme j'ai un Model 3. Je rêve d'avoir ce roadster ici ensuite quand vous le construisez. Et je vais juste louer mon Model 3. Pourquoi te le redonnerais-je ? Tu sais,
Je suppose que vous pourriez exploiter une flotte de voitures de location, mais je pense que cela est très maladroit. Ouais, je ne sais pas. Semble facile. D'accord, essayez-le.
Analyst
Pour exploiter un réseau de robotaxi, il semble que vous deviez résoudre certains problèmes, par exemple, le pilote automatique d'aujourd'hui, si vous le surmenez, il vous laisse prendre le contrôle. Mais si c'est, vous savez, si c'est un produit de partage de trajet que quelqu'un d'autre monte dans le siège passager, comme bouger la direction, la direction ne peut pas laisser cette personne prendre le contrôle de la voiture, par exemple, parce qu'ils peuvent ne pas être même dans le siège du conducteur. Donc la quincaillerie est-elle déjà présente pour qu'elle soit un robo taxi ? Et il se peut que la voiture se retrouve dans des situations comme être arrêtée par un policier où un humain devrait intervenir, par exemple en utilisant une flotte centrale d'opérateurs qui interagiraient à distance avec les humains, ou je veux dire, toute cette infrastructure est-elle déjà intégrée dans chacune des voitures ?
Cela a-t-il du sens ? Je pense qu'il y aura une sorte de mécanisme d'appel à la maison où si la voiture se bloque, elle contacte simplement Tesla et demande une solution. Des choses comme être arrêté par la police à l'étranger. C'est facile pour nous de le programmer. Ce n'est pas un problème. Il sera possible pour quelqu'un de prendre le contrôle en utilisant le volant au moins pendant une certaine période. Et puis probablement à l'avenir, nous allons simplement mettre un bouchon sur le volant pour qu'il n'y ait pas de contrôle de direction. Nous allons simplement enlever le volant et mettre un bouchon à long terme. Donnez-le environ quelques années de matériel
Analyst
modification de la voiture pour que cela soit possible.
Ou oui, nous enlevons littéralement le volant et mettons un bouchon là où la poignée du volant est actuellement.
Analyst
Mais, mais cela, c'est comme une voiture future que vous mettriez en circulation. Mais qu'en est-il des voitures d'aujourd'hui où le volant est un mécanisme pour reprendre le pilote automatique, donc si c'est en mode robotaxi, quelqu'un pourrait-il prendre le contrôle en bougeant simplement le volant ?
Oui, je pense qu'il y aura une période de transition où les gens pourront reprendre le contrôle et devraient pouvoir reprendre le contrôle du robotaxi. Et une fois que les régulateurs sont à l'aise avec nous sans volant, nous allons simplement supprimer cela. Et pour les voitures qui sont dans la flotte, vous savez, évidemment avec la permission du propriétaire, si elle est possédée par quelqu'un d'autre, nous enlevons simplement le volant et mettons un bouchon là où le volant est actuellement attaché.
Analyst
Il se peut donc qu'il y ait deux phases de robotaxi. L'une où le service est fourni et vous venez en tant que conducteur, mais pourriez potentiellement prendre le contrôle. Et à l'avenir, il se peut qu'il n'y ait pas d'option conducteur. Est-ce ainsi que vous le voyez ?
bien ou comme à l'avenir ? Il y aura à l'avenir. La probabilité que le volant soit enlevé à l'avenir est de 100% chez les gens. Les consommateurs le demanderont.
Analyst
Mais, mais initialement vous appelleriez.
Ce n'est pas. Ceci, je vais clarifier, ne représente pas un jugement professionnel sur le monde. C'est moi qui prédis ce que les consommateurs demanderont. À l'avenir, les consommateurs exigeront que les gens ne soient pas autorisés à conduire ces machines mortelles de trois tonnes.
Analyst
Je suis totalement d'accord avec cela. Mais pour qu'une Model 3 d'aujourd'hui fasse partie du réseau Robotaxi, quand vous l'appelez, vous vous asseyez essentiellement sur le siège du conducteur parce que c'est simplement pour être sur la même.
D'accord, cela a du sens.
Exactement. C'est un peu comme, vous savez, il y avait des amphibiens, vous savez, mais alors les choses deviennent simplement comme des créatures terrestres. Il y aura une phase amphibienne.
Désolé. Je peux voir ce que le. D'accord.
La stratégie que nous avons entendue d'autres acteurs du secteur des robotaxis est de sélectionner une certaine zone municipale pour créer une conduite autonome géo-clôturée. De cette façon, vous utilisez une carte HD pour avoir une zone plus confinée avec un peu plus de sécurité.
Nous n'avons pas entendu grand-chose aujourd'hui sur l'importance des cartes HD. Dans quelle mesure une carte HD est-elle nécessaire pour vous ? Et deuxièmement, nous n'avons pas non plus entendu grand-chose sur le déploiement de ceci dans des municipalités spécifiques où vous travaillez avec la municipalité pour obtenir
Analyst
leur adhésion et vous êtes
aussi obtenir une zone plus définie. Alors, quelle est l'importance des cartes HD et dans quelle mesure envisagez-vous des municipalités spécifiques pour le déploiement ?
Je pense que les cartes HD sont une erreur. Nous avions effectivement des cartes HD pendant un certain temps. En fait, on ne peut pas continuer parce que vous avez soit besoin de cartes HD, auquel cas si quelque chose change dans l'environnement, la voiture tombera en panne, soit vous n'avez pas besoin de cartes HD, auquel cas pourquoi perdez-vous votre temps à faire des cartes HD ? Donc la chose des cartes HD, comme les deux principaux béquilles qui ne devraient pas être utilisées et qui seront rétrospectivement clairement faux et stupides sont LIDAR et les cartes HD. Marquez mes paroles.
Si vous avez besoin d'une zone géoclôturée, vous n'avez pas une véritable conduite autonome.
Il semble juste que l'approvisionnement en batterie pourrait être le seul goulot d'étranglement restant vers cette vision. Et pourriez-vous aussi clarifier comment vous faites durer les batteries un million de miles ?
Je pense que les cellules seront une contrainte. C'est un sujet pour un tout autre. C'est un sujet entièrement séparé. Et je pense que nous voulons effectivement promouvoir notre batterie standard plus que notre batterie longue portée parce que la teneur énergétique du pack longue portée est 50 % supérieure en kilowatts-heures. Donc essentiellement, vous pouvez faire, vous savez, un tiers plus de voitures si vous, si vous simplement. Si elles sont toutes standard plus au lieu du pack longue portée. Donc l'une est environ 50 kilowatts-heures, l'autre est environ 75 kilowatts-heures. Donc nous allons probablement orienter intentionnellement nos ventes vers le pack de batterie plus petit pour avoir un volume plus élevé de ce que vous voulez fondamentalement, la chose évidente à faire est de maximiser le nombre d'unités autonomes ou le nombre de maximiser la sortie qui aboutira au plus grand flux autonome à l'avenir. Donc nous faisons un certain nombre de choses à cet égard, mais ce n'est tout simplement pas pour la réunion d'aujourd'hui. La durée de vie d'un million de miles concerne essentiellement simplement l'obtention de la durée de vie des cycles du pack, vous savez, vous avez besoin essentiellement de l'ordre. Disons que vous avez une arithmétique basique, si vous avez un pack de 250 miles d'autonomie, vous savez que vous allez avoir besoin de 4 000 cycles. Donc très réalisable. Nous le faisons déjà avec notre stockage fixe. Certaines de nos solutions de stockage fixe comme le power pack, nous sommes prêts à déployer le power pack avec une capacité de durée de vie de 4 000 cycles.
Analyst
Puis-je demander. Désolé, ouais, je voulais.
C'est comme du ventriloquisme.
Analyst
Non, c'est évidemment significatif. Des implications de marge très constructives dans la mesure où vous pouvez augmenter considérablement les taux d'adoption de l'option de conduite autonome complète. Je serais juste curieux si vous pouvez clarifier où vous en êtes en termes de ces taux d'adoption et comment vous prévoyez d'éduquer les consommateurs sur le scénario Robotaxi pour que les taux d'adoption s'améliorent matériellement au fil du temps.
Désolé, c'est un peu difficile d'entendre votre question.
Analyst
Ouais, juste curieux de savoir où nous en sommes aujourd'hui en termes de taux d'adoption de la conduite autonome complète en termes d'implications financières. Je pense que c'est énormément bénéfique si ces taux d'adoption augmentent matériellement à cause de la plus grande marge brute qui en découle. Dans la mesure où les gens s'inscrivent pour FSD complet, je suis juste curieux de comment vous voyez cela augmenter
ou quels sont les taux d'adoption
Analyst
sont aujourd'hui par rapport à, vous savez, quand attendez-vous. Comment prévoyez-vous d'éduquer les consommateurs et de les sensibiliser au fait qu'ils devraient ajouter FSD à leurs achats de véhicules ?
Nous allons augmenter cela considérablement après aujourd'hui. Ouais, je veux dire le message fondamental, vraiment fondamental que les consommateurs devraient retenir aujourd'hui est qu'il est financièrement insensé d'acheter autre chose qu'une Tesla. Ce sera comme posséder un cheval dans trois ans. Je veux dire, c'est bien si vous voulez posséder un cheval, mais vous devriez entrer dans cela avec cette attente. Si vous achetez une voiture qui n'a pas le matériel nécessaire pour la conduite autonome complète, c'est comme acheter un cheval et la seule voiture qui a le matériel nécessaire pour la conduite autonome complète est une Tesla. Comme les gens devraient vraiment réfléchir à leur achat d'un autre véhicule. C'est fondamentalement fou d'acheter une autre voiture que Tesla. Nous devons faire passer cet argument clairement et nous le ferons après aujourd'hui.
Analyst
Parfait. Merci d'avoir apporté l'avenir au présent, c'est un moment très informatif aujourd'hui. Je me demandais comme vous n'aviez pas parlé beaucoup du pick-up Tesla et laissez-moi donner un contexte pour cela. Je pourrais me tromper mais la façon dont je regarde le Tesla Network, c'était comme un adopter précoce et quelque chose comme un pain de test. Je pense que le pick-up Tesla pourrait être la première phase du placement des véhicules en réseau car l'utilité du pick-up Tesla serait à peu près les gens qui chargent beaucoup de choses ou qui sont dans le métier de la construction ou ici et là des articles étranges comme prendre des trucs chez Home Depot. Je dirais que, vous savez, peut-être qu'il doit y avoir un processus à deux étapes des camions de chargement exclusivement pour Tesla Network comme point de départ. Ensuite, des gens comme moi peuvent les acheter plus tard. Mais quelles sont vos pensées à ce sujet ?
Eh bien, aujourd'hui était vraiment juste sur l'autonomie. Il y a, il y a beaucoup de choses dont nous pourrions parler comme la production de cellules, les camions de chargement et les véhicules futurs. Mais aujourd'hui, c'était juste se concentrer sur l'autonomie. Mais je suis d'accord, c'est une grande chose. Je suis très enthousiaste pour la présentation du pick-up Tesla plus tard cette année. Ça va être formidable.
Colin Lang et UBS Juste pour que nous comprenions les définitions, quand vous faites référence à la conduite autonome complète en fonctionnalités, il semble que vous parliez du niveau cinq, pas de géoclôture. Est-ce ce qui est attendu d'ici la fin de l'année ?
Juste pour que nous soyons tous.
Et puis le processus réglementaire, je veux dire
Avez-vous parlé aux régulateurs à ce sujet ? Cela semble être un calendrier assez agressif de
ce que d'autres personnes ont mis. Je veux dire, sont-ils, vous savez, quels sont les obstacles nécessaires et quel est le calendrier pour obtenir l'approbation ?
Et avez-vous besoin de choses comme dans
la Californie et ils suivent des miles que vous savez, avec un opérateur derrière cela ? Avez-vous besoin de ces choses ? À quoi ce processus ressemblera-t-il ?
Ouais, je veux dire que nous parlons aux régulateurs du monde entier tout le temps quand nous introduisons, vous savez, des fonctionnalités supplémentaires comme naviguer en pilote automatique. Cela nécessite une approbation réglementaire par juridiction. Donc, mais je pense que fondamentalement, les régulateurs dans mon expérience sont convaincus par les données. Donc, si vous avez une énorme quantité de données qui montre que l'autonomie est sûre, ils l'écoutent. Ils peuvent prendre du temps pour digérer l'information qu'ils traitent. Cela peut prendre un peu de temps, mais ils sont toujours arrivés à la bonne conclusion d'après ce que j'ai vu.
Oh, j'ai une question ici.
J'ai une licence et un pilier. D'accord.
Je voulais juste, juste, vous savez, certains des travaux que nous avons faits pour mieux comprendre le marché de la location de voitures. Il semble qu'il soit très concentré dans les grands centres urbains densément peuplés. Donc, est-ce la façon de penser à cela que les robotaxis se déploieraient probablement davantage dans cette zone et la conduite autonome complète supplémentaire pour les véhicules personnels serait dans les zones suburbaines ?
Je pense que probablement, ouais, les robotaxis appartenant à Tesla seraient dans les zones urbaines densément peuplées avec les véhicules des clients. Et puis à mesure que vous arrivez aux zones de densité moyenne et faible, ce serait plutôt que les gens possèdent la voiture et la prêtent occasionnellement. Ouais, il y a beaucoup de cas limites à Manhattan et disons le centre-ville de San Francisco, mais ceux-ci sont, vous savez, et il y a diverses villes autour du monde qui ont des environnements ouverts difficiles. Mais nous ne nous attendons pas à ce que ce soit un problème significatif. Et quand je dis future complète, je veux dire que cela fonctionnera au centre-ville de San Francisco et au centre-ville de Manhattan. Cette année.
Bonjour, j'ai une question sur l'architecture des réseaux de neurones. Utilisez-vous différents modèles pour, disons, la planification de trajectoire et la perception ou différents types d'IA et comment divisez-vous ce problème à travers les différents éléments de l'autonomie ?
Eh bien, essentiellement en ce moment, l'IA ou les réseaux de neurones sont vraiment utilisés pour la reconnaissance d'objets. Et nous l'utilisons toujours comme des images statiques, donc identifier les objets dans les images statiques et les lier ensemble dans une couche de planification de trajectoire de perception par la suite. Mais ce qui se passe, c'est que le réseau de neurones commence à s'infiltrer de plus en plus dans la base de code logicielle. Et donc au fil du temps, nous nous attendons à ce que le réseau de neurones fasse de plus en plus. Maintenant, d'un point de vue des coûts de calcul, il y a des choses qui sont très simples pour l'heuristique et très difficiles pour un réseau de neurones. Et donc, il est probablement logique de maintenir un certain niveau d'heuristiques dans le système car elles sont informatiquement mille fois plus faciles qu'un réseau de neurones. Comme un réseau de neurones est comme un missile de croisière, et si vous essayez de tuer une mouche, utilisez juste une tapette à mouches, pas un missile de croisière. Donc, mais au fil du temps, je m'attends à ce qu'il se déplace vraiment pour former sur la vidéo et puis la direction de voiture vidéo et les pédales, ou essentiellement la vidéo en accélération latérale et longitudinale en sortie presque entièrement. C'est ce que nous allons utiliser le système dojo pour. Il n'y a pas de système qui puisse actuellement faire cela.
En revenant simplement à la discussion de la suite de capteurs, Elon. Un domaine dont j'aimerais juste parler
est le manque de radars latéraux.
Et dans une situation où vous avez une intersection avec un panneau d'arrêt, où
il y a peut-être 35, 40 miles par
heure de trafic croisé, êtes-vous à l'aise avec
la suite de capteurs, les caméras latérales étant
Analyst
capable de gérer cela ?
Parlez juste un peu de cela ?
Ouais, pas de problème. Essentiellement, la voiture va faire à peu près ce qu'un humain ferait. Vous pouvez penser à un humain comme essentiellement une caméra sur un cardan lent. Et c'est remarquable que les gens puissent conduire la voiture de la manière dont ils le font, car vous ne pouvez pas regarder dans toutes les directions à la fois. La voiture peut littéralement regarder dans toutes les directions à la fois avec plusieurs caméras. Donc les humains peuvent conduire en regardant d'une manière, en regardant d'une autre manière. Ils sont en fait coincés sur leur siège conducteur. Ils ne peuvent pas vraiment sortir du siège du conducteur. C'est donc comme une sorte de caméra sur un cardan et capable de conduire. Un conducteur consciencieux peut conduire avec une très grande sécurité. Les caméras dans les voitures ont un meilleur point de vue que la personne. Donc ils sont comme en haut du pilier B ou devant le rétroviseur. Ils ont vraiment un excellent point de vue. Donc, si vous tournez sur une route qui a beaucoup de trafic à grande vitesse, vous pouvez faire ce qu'une personne fait. Tournez juste un peu. Ne vous engagez pas complètement sur la route. Laissez la caméra voir ce qui se passe. Et si les choses semblent bonnes et que les caméras arrière ne montrent aucune circulation à venir, allez-y. Et si cela semble douteux, vous pouvez juste reculer un peu. Tout comme une personne. Le comportement est comme remarquablement. Cela commence à devenir remarquablement réaliste. C'est plutôt étrange, en fait. La voiture commence juste à se comporter comme une personne ici. Allons-y alors.
Étant donné toute la valeur que vous créez dans votre secteur automobile en enveloppant toute cette technologie autour de vous, je suis curieux de savoir pourquoi vous prendriez toujours une partie de votre capacité cellulaire et la mettriez dans powerwall et power pack. Ne serait-il pas judicieux de mettre chaque unité que vous pouvez fabriquer dans cette partie de votre entreprise ?
Nous avons déjà volé presque toutes les chaînes de cellules qui étaient censées aller au powerwall et au power pack et les utiliser pour le model trois. Je veux dire, l'année dernière, pour fabriquer notre production Model 3 et ne pas être affamée, nous avons dû convertir toutes les lignes 2170 à la gigafactory pour les ventes de voitures. Donc notre production réelle en gigawatts-heures totaux de stockage fixe par rapport aux véhicules est d'un ordre de grandeur différent. Et pour le stockage fixe, nous pouvons essentiellement utiliser un tas de cellules variées. Donc nous pouvons simplement rassembler des cellules de plusieurs fournisseurs du monde entier, et vous n'avez pas de problème d'homologation ou de sécurité comme vous l'avez avec les voitures. Donc c'est essentiellement notre secteur des batteries fixes qui n'a fait que se nourrir de restes pendant un certain temps. Donc. Mais pensez vraiment à la production comme étant. Il y a beaucoup, beaucoup de contraintes d'un système de production massive. C'est comme le degré auquel la fabrication d'une chaîne d'approvisionnement est sous-estimée est incroyable. Il y a une série entière de contraintes. Et ce qui est une contrainte une semaine peut ne pas être une contrainte une autre semaine. C'est incroyablement difficile de faire une voiture, surtout une qui évolue rapidement. Donc.
Mais je vais juste poser quelques questions de plus et puis je pense que nous allons juste arrêter pour que vous puissiez essayer les voitures.
Bonjour, Elon, Adam, Jonas.
Quelles données pouvez-vous partager avec nous aujourd'hui ?
À quel point cette technologie est sûre, ce qui serait
être évidemment important dans une discussion réglementaire ou d'assurance.
Eh bien, nous publions les accidents par mile tous les trimestres. Et ce que nous voyons en ce moment, c'est que le pilote automatique est environ deux fois plus sûr qu'un conducteur normal, vous savez, normal en moyenne. Et nous nous attendons à ce que cela augmente considérablement au fil du temps. Comme je l'ai dit, à l'avenir, ce sera. Les consommateurs voudront interdire, et je dis qu'ils réussiront, et je n'étais pas en train de dire que je suis d'accord avec cette position, mais à l'avenir, les consommateurs voudront interdire aux gens de conduire leurs propres voitures parce que c'est dangereux. Si vous pensez à des ascenseurs, les ascenseurs étaient autrefois actionnés sur un gros levier, comme aller d'un étage à l'autre et il y a comme un grand relais et vous aviez des opérateurs d'ascenseurs, mais ensuite périodiquement ils se fatiguaient ou s'enivraient ou quelque chose et ensuite ils tournaient le levier au mauvais moment et coupaient quelqu'un en deux. Donc maintenant vous n'avez pas d'opérateurs d'ascenseurs. Et ce serait assez alarmant si vous entriez dans un ascenseur qui avait un gros levier qui pouvait juste se déplacer entre les étages arbitrairement.
Donc il n'y a que des boutons et à long terme, encore une fois, pas un jugement de valeur. Je ne dis pas que je veux que le monde soit de cette façon. Je dis que les consommateurs exigeront très probablement que les gens ne soient pas autorisés à conduire des voitures.
Et Elon, un suivi, pouvez-vous
partager avec nous combien Tesla dépense
sur Autopilot ou la technologie autonome par ordre de grandeur sur une base annuelle ? Merci.
C'est essentiellement toute notre structure de dépenses. Question sur l'économie du réseau Tesla. Juste pour que je comprenne, cela semblait. Donc vous récupérez un Model 3 en fin de location, 25 000 $ entrent, le bilan serait un atout, et puis vous. Cela générerait environ 30 000 $ par an en flux de trésorerie. Est-ce la façon de penser. Ouais, quelque chose comme ça, ouais.
Et puis juste en termes de financement
Analyst
de cela, il y a une question plus tôt que vous
mentionné que vous le feriez. Est-ce neutre en flux de trésorerie pour le programme Robotaxi ou neutre en flux de trésorerie pour
Analyst
Tesla dans son ensemble ?
Désolé, la neutralité des flux de trésorerie en termes de.
Il a posé une question sur le financement de la
robotaxi, mais il me semble
Analyst
qu'ils se financent eux-mêmes.
Mais vous avez mentionné qu'ils seraient essentiellement neutres en flux de trésorerie. Est-ce à cela que vous faites référence ? Je dis simplement qu'entre maintenant et quand les Robotaxis seront complètement déployés dans le monde entier, la chose sensée pour nous est de maximiser les tarifs et de conduire l'entreprise à la neutralité des flux de trésorerie. Une fois que la flotte Robotaxi est active, je m'attends à être extrêmement positif en flux de trésorerie. Et donc vous parliez de production, oui. Pour les produire tous.
Maximiser le nombre d'unités autonomes fabriquées.
D'accord, peut-être juste un. Une dernière question ici. Bonjour.
Si j'ajoute mon Tesla au réseau Robotaxi, qui.
Qui est responsable d'un accident ?
Analyst
Est-ce Tesla ou c'est moi ?
Si le véhicule a un accident et cause des dégâts.
Probablement Tesla. C'est probablement Tesla.
Ouais. Je pense que la bonne chose à faire est de s'assurer qu'il y a très, très peu d'accidents. D'accord, merci à tous. S'il vous plaît, profitez des trajets.
Speaker
Beaucoup. Sam. Sa. Sam. C'est. Sam.
Speaker
C'est. C'est. C'est. Sa. Sam. C'est. Ra.