今天小编分享的汽车经验：144 Tops，特斯拉如何低成本实现了城市NOA？，欢迎阅读。
图片来源 @视觉中国
文｜HiEV 大蒜粒车研所，作者 | 树人，编辑 | 德新
根据特斯拉 2022 年 Q4 的财务檔案披露：FSD Beta 已有将近 40 万用户。
这是目前全世界部署规模最大的城市 NOA 系统。
而特斯拉实现这样一套系统，在车端几乎仅用了 8 个摄像头和 144 Tops 算力的 FSD 计算平台。这种性能压榨和成本控制能力让业界羡慕不已。
理想汽车 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、小鹏等）使用双 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业界的成本实现了城市 NOA。这篇文章，我们就来重点看看：
FSD 的 BOM 成本；
特斯拉把基于视觉的单模态感知发挥到了极致；
车端算力有限，但云端算力无限；
HW 4.0 的动向和趋势。
硬體成本：FSD < 业界主流方案的一半
目前新势力主流支持到城市 NOA 的智驾方案，理想和小鹏采用双 OrinX 作为计算单元，蔚来甚至豪横地用了 4 个。
我们以理想 AD Max 举个例：
1 x 激光雷达；
11 x 摄像头，含 6 x 800 万像素、4 x 200 万像素环视、1 x 200 万像素后视；
1 x 毫米波雷达；
12 x 超声波；
2 x OrinX；
单 OrinX 的成本大概在 400 美元，单颗激光雷达的成本大概在 500 美元级。李想披露，理想带双 OrinX 的智驾方案成本约为 4000 美元，而特斯拉的仅为 1500 美元左右。
原特斯拉 Autopilot Machine Learning Lead，现大卓智能 CEO 谷俊丽在接受采访时也谈到：「特斯拉造一台 Model 3 的 BOM 成本是 16 万，ADAS 系统成本是 7000 块。」7000/16 万，其占到 总 BOM 成本的约 4.4%。
综合来看，特斯拉 FSD 的成本大致在 1 万元人民币上下。
作为对比，华为 ADS 方案的代表车型问界 M5 后驱智驾版，跟 M5 后驱标准版差价 2 万元；小鹏 G9 的 Pro 和 Max 版，差价刚好也是 2 万元（因为 Pro 版带有一块 OrinX，所以这个差价是单 OrinX 和双激光雷达的差价）。
李想认为，特斯拉 FSD 虽然只有 144 Tops，但计算效率大约是 GPU 的 3 倍，所以实际跟双 OrinX 的性能是差不多的。
在数百万级的销量规模下，特斯拉把自研 FSD 的效率、成本优势发挥得淋漓尽致。
自研芯片加纯视觉方案，特斯拉低算力的秘密
特斯拉 FSD 一大明显的技术差异是将纯视觉路线走到极致， 去掉全部雷达。
2021 年 5 月开始不用毫米波雷达；
2022 年 10 月开始，所有为北美、欧洲、中东制造的 Model 3 和 Model Y 都不再配备超声波雷达；
2023 年起交付的 Model X 及 Model S 也不再配备超声波雷达。
在这点上，国内的理想也很大方地坦陈跟随特斯拉的路线，其中一个变化就是理想 L9 上由原来理想 ONE 时期的 3 个毫米波雷达配置减少为 1 个毫米波雷达。
回到 FSD，其核心的感知能力是由 Tesla Vision 提供的，包括支持主动安全功能、Autopilot 功能以及 FSD Beta 功能。
需要注意的是，特斯拉采用的 摄像头为 120 万像素，而国内车企大多采用 800 万像素的高清摄像头。摄像头分辨率较低，也会比激光雷达以及高清摄像头的方案更节省算力，但对 AI 模型和算法精度会有更大的挑战。
去年 10 月的 AI Day 上，特斯拉稍稍对外展示了一下 Vision 是如何运作的：
第一步是系统将 8 个摄像头获取到的影像，生成一个类似于游戏引擎的实时 3D 画面——占据网络（Occupancy Network），对车辆周围场景进行复原；
第二步是给每个物体标注语义信息。特斯拉本身大规模地搭载会产生的海量数据，特斯拉还研发了自动标注（Autolabeling）工具，最后生成标注过的空间信息，得到一个矢量地图（Lanes Network），之后 FSD 就能使用这些信息来辅助导航。
毫末智行技术副总裁艾锐曾经分析表示，「特斯拉的自动驾驶感知采用的单模态，而不是多模态。核心原因它有数据自由和算力自由两个能力，把单模态的天花板极大地提升了。针对 L2 的产品来说，单模态足以给大家提供比较好的自动驾驶体验了，而且成本显然会更低。」
特斯拉 Autopilot 軟體总监 Ashok Elluswamy 在领英上描述了这个团队的职责，其中大多数与海量数据的发掘利用有关：
搭建大规模的真值生产线，利用海量、多元、高质量的数据，来训练神经网络；
利用车队学习的方法，优化当前算法中脆弱、有缺陷的部分；
利用机器学习和工程方法，来建立系统对地理环境和场景语义，准确、详实的理解；
在超大的数据规模下，对视觉算法的极限压榨，是特斯拉 FSD 公开的秘密。
特斯拉的云端算力
自动驾驶落地需要两块核心芯片，一块是车端推理芯片，另一块是云端训练芯片。大多数时候，我们在谈论算力时，一般只提到车端推理芯片的算力，而忽略了云端。
上文毫末智行艾锐提到的「算力自由」，指的更多就是云端算力的自由（因为车端算力自由基本不太可能实现）。
2021 年 6 月，在当时的 CVPR 上，时任特斯拉 AI 高级总监的 Andrej Karpathy 披露，特斯拉正在搭建一个超大规模的训练机群，将 5760 个英伟达 A100 以 720 个节点链接起来，总计算能力达到 1.8 exaflops。
就 AI 算力排序，这可能是当时世界第五大超级计算机。
到当年底，英伟达汽车业务负责人 Ali Kani 披露，特斯拉已经采用了将近 10000 块英伟达 GPU 来建设 L2+ 的基础设施。
同一年，特斯拉发布了自研的云端训练芯片 D1 以及超级计算机 Dojo。3000 个 D1 芯片，构成 120 块训练块，再组成 20 个机柜，形成 1 个 ExaPOD 集群，这个集群的算力相当于 1.09 EFLOPS。马斯克在当年的财报会上表示：自研 D1 芯片主要是出于成本、效率的考量，因为对特斯拉来说，英伟达的通用 GPU 不是效率最高的。
根据特斯拉的计划，Dojo 应该已经在 2022 年投入运营使用。
纯视觉、低分辨率传感器，加上业界偏低的算力配置，通过自研芯片提高车端和云端的计算效率，通过超大规模的车队和数据量提升算法性能，特斯拉跑通了城市 NOA 在北美大规模开放的路径。
新的消息是， 特斯拉很快将在国内开展 FSD 的路测。
FSD 的下一步是 HW4.0 的更新（目前是 HW3.0），有部分北美用户称其已交付的 Model X 上搭载了 HW4.0。
（关于 HW4.0 的更多信息，也可参见我们此前的文章 HiEV 洞察 | 特斯拉 HW4.0 再爆猛料，高精定位、雷达均有变动）
特斯拉将在今年推出 Model 3 的改款车型，项目代号 Project Highland。目前已知 Project Highland 针对前脸、内饰、空间均有小幅的改良，HW4.0 是否会在新款上搭载。
Model 3 改款、HW4.0 更新、FSD 入华，能否将特斯拉推上新的高地。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体 App
