今天小編分享的汽車經驗：144 Tops，特斯拉如何低成本實現了城市NOA？，歡迎閱讀。
圖片來源 @視覺中國
文｜HiEV 大蒜粒車研所，作者 | 樹人，編輯 | 德新
根據特斯拉 2022 年 Q4 的财務檔案披露：FSD Beta 已有将近 40 萬用戶。
這是目前全世界部署規模最大的城市 NOA 系統。
而特斯拉實現這樣一套系統，在車端幾乎僅用了 8 個攝像頭和 144 Tops 算力的 FSD 計算平台。這種性能壓榨和成本控制能力讓業界羨慕不已。
理想汽車 CEO 李想就直言：特斯拉 Autopilot 的 硬體 BOM 成本在差不多 1500 美元，而（理想、小鵬等）使用雙 OrinX 的方案成本基本都在 4000 美金以上。
特斯拉如何用大幅低于業界的成本實現了城市 NOA。這篇文章，我們就來重點看看：
FSD 的 BOM 成本；
特斯拉把基于視覺的單模态感知發揮到了極致；
車端算力有限，但雲端算力無限；
HW 4.0 的動向和趨勢。
硬體成本：FSD < 業界主流方案的一半
目前新勢力主流支持到城市 NOA 的智駕方案，理想和小鵬采用雙 OrinX 作為計算單元，蔚來甚至豪橫地用了 4 個。
我們以理想 AD Max 舉個例：
1 x 激光雷達；
11 x 攝像頭，含 6 x 800 萬像素、4 x 200 萬像素環視、1 x 200 萬像素後視；
1 x 毫米波雷達；
12 x 超聲波；
2 x OrinX；
單 OrinX 的成本大概在 400 美元，單顆激光雷達的成本大概在 500 美元級。李想披露，理想帶雙 OrinX 的智駕方案成本約為 4000 美元，而特斯拉的僅為 1500 美元左右。
原特斯拉 Autopilot Machine Learning Lead，現大卓智能 CEO 谷俊麗在接受采訪時也談到：「特斯拉造一台 Model 3 的 BOM 成本是 16 萬，ADAS 系統成本是 7000 塊。」7000/16 萬，其占到 總 BOM 成本的約 4.4%。
綜合來看，特斯拉 FSD 的成本大致在 1 萬元人民币上下。
作為對比，華為 ADS 方案的代表車型問界 M5 後驅智駕版，跟 M5 後驅标準版差價 2 萬元；小鵬 G9 的 Pro 和 Max 版，差價剛好也是 2 萬元（因為 Pro 版帶有一塊 OrinX，所以這個差價是單 OrinX 和雙激光雷達的差價）。
李想認為，特斯拉 FSD 雖然只有 144 Tops，但計算效率大約是 GPU 的 3 倍，所以實際跟雙 OrinX 的性能是差不多的。
在數百萬級的銷量規模下，特斯拉把自研 FSD 的效率、成本優勢發揮得淋漓盡致。
自研芯片加純視覺方案，特斯拉低算力的秘密
特斯拉 FSD 一大明顯的技術差異是将純視覺路線走到極致， 去掉全部雷達。
2021 年 5 月開始不用毫米波雷達；
2022 年 10 月開始，所有為北美、歐洲、中東制造的 Model 3 和 Model Y 都不再配備超聲波雷達；
2023 年起交付的 Model X 及 Model S 也不再配備超聲波雷達。
在這點上，國内的理想也很大方地坦陳跟随特斯拉的路線，其中一個變化就是理想 L9 上由原來理想 ONE 時期的 3 個毫米波雷達配置減少為 1 個毫米波雷達。
回到 FSD，其核心的感知能力是由 Tesla Vision 提供的，包括支持主動安全功能、Autopilot 功能以及 FSD Beta 功能。
需要注意的是，特斯拉采用的 攝像頭為 120 萬像素，而國内車企大多采用 800 萬像素的高清攝像頭。攝像頭分辨率較低，也會比激光雷達以及高清攝像頭的方案更節省算力，但對 AI 模型和算法精度會有更大的挑戰。
去年 10 月的 AI Day 上，特斯拉稍稍對外展示了一下 Vision 是如何運作的：
第一步是系統将 8 個攝像頭獲取到的影像，生成一個類似于遊戲引擎的實時 3D 畫面——占據網絡（Occupancy Network），對車輛周圍場景進行復原；
第二步是給每個物體标注語義信息。特斯拉本身大規模地搭載會產生的海量數據，特斯拉還研發了自動标注（Autolabeling）工具，最後生成标注過的空間信息，得到一個矢量地圖（Lanes Network），之後 FSD 就能使用這些信息來輔助導航。
毫末智行技術副總裁艾銳曾經分析表示，「特斯拉的自動駕駛感知采用的單模态，而不是多模态。核心原因它有數據自由和算力自由兩個能力，把單模态的天花板極大地提升了。針對 L2 的產品來說，單模态足以給大家提供比較好的自動駕駛體驗了，而且成本顯然會更低。」
特斯拉 Autopilot 軟體總監 Ashok Elluswamy 在領英上描述了這個團隊的職責，其中大多數與海量數據的發掘利用有關：
搭建大規模的真值生產線，利用海量、多元、高質量的數據，來訓練神經網絡；
利用車隊學習的方法，優化當前算法中脆弱、有缺陷的部分；
利用機器學習和工程方法，來建立系統對地理環境和場景語義，準确、詳實的理解；
在超大的數據規模下，對視覺算法的極限壓榨，是特斯拉 FSD 公開的秘密。
特斯拉的雲端算力
自動駕駛落地需要兩塊核心芯片，一塊是車端推理芯片，另一塊是雲端訓練芯片。大多數時候，我們在談論算力時，一般只提到車端推理芯片的算力，而忽略了雲端。
上文毫末智行艾銳提到的「算力自由」，指的更多就是雲端算力的自由（因為車端算力自由基本不太可能實現）。
2021 年 6 月，在當時的 CVPR 上，時任特斯拉 AI 高級總監的 Andrej Karpathy 披露，特斯拉正在搭建一個超大規模的訓練機群，将 5760 個英偉達 A100 以 720 個節點鏈接起來，總計算能力達到 1.8 exaflops。
就 AI 算力排序，這可能是當時世界第五大超級計算機。
到當年底，英偉達汽車業務負責人 Ali Kani 披露，特斯拉已經采用了将近 10000 塊英偉達 GPU 來建設 L2+ 的基礎設施。
同一年，特斯拉發布了自研的雲端訓練芯片 D1 以及超級計算機 Dojo。3000 個 D1 芯片，構成 120 塊訓練塊，再組成 20 個機櫃，形成 1 個 ExaPOD 集群，這個集群的算力相當于 1.09 EFLOPS。馬斯克在當年的财報會上表示：自研 D1 芯片主要是出于成本、效率的考量，因為對特斯拉來說，英偉達的通用 GPU 不是效率最高的。
根據特斯拉的計劃，Dojo 應該已經在 2022 年投入運營使用。
純視覺、低分辨率傳感器，加上業界偏低的算力配置，通過自研芯片提高車端和雲端的計算效率，通過超大規模的車隊和數據量提升算法性能，特斯拉跑通了城市 NOA 在北美大規模開放的路徑。
新的消息是， 特斯拉很快将在國内開展 FSD 的路測。
FSD 的下一步是 HW4.0 的更新（目前是 HW3.0），有部分北美用戶稱其已交付的 Model X 上搭載了 HW4.0。
（關于 HW4.0 的更多信息，也可參見我們此前的文章 HiEV 洞察 | 特斯拉 HW4.0 再爆猛料，高精定位、雷達均有變動）
特斯拉将在今年推出 Model 3 的改款車型，項目代号 Project Highland。目前已知 Project Highland 針對前臉、内飾、空間均有小幅的改良，HW4.0 是否會在新款上搭載。
Model 3 改款、HW4.0 更新、FSD 入華，能否将特斯拉推上新的高地。
更多精彩内容，關注钛媒體微信号（ID：taimeiti），或者下載钛媒體 App
