„Der Markt befindet sich in den Händen einer Minderheit.“
Unternehmen, die Pkw autonom fahren lassen, lassen sich derzeit grob in drei Kategorien einteilen. Die erste Kategorie umfasst geschlossene Systeme, ähnlich wie Apple (NASDAQ: AAPL). Die Schlüsselkomponenten wie Chips und Algorithmen werden vom Hersteller selbst entwickelt. Tesla (NASDAQ: TSLA) verfolgt diesen Ansatz. Auch einige Hersteller von Elektrofahrzeugen wollen diesen Weg schrittweise beschreiten. Die zweite Kategorie beinhaltet offene Systeme, ähnlich wie Android. Manche Hersteller entwickeln intelligente Plattformen, andere bauen die Fahrzeuge selbst. Huawei und Baidu (NASDAQ: BIDU) beispielsweise verfolgen diesbezügliche Ziele. Die dritte Kategorie umfasst Roboter (fahrerlose Taxis), wie sie von Unternehmen wie Waymo eingesetzt werden.
Dieser Artikel analysiert hauptsächlich die Machbarkeit dieser drei Wege aus technologischer und wirtschaftlicher Sicht und erörtert die Zukunft einiger neuer Hersteller von Elektrofahrzeugen und Unternehmen im Bereich des autonomen Fahrens. Technologie sollte nicht unterschätzt werden. Für das autonome Fahren ist sie essenziell, und der technologische Schlüsselweg ist gleichzeitig der strategische Weg. Daher befasst sich dieser Artikel auch mit den verschiedenen Strategien für autonomes Fahren.
Im Bereich intelligenter Fahrzeuge, insbesondere des autonomen Fahrens, kann die Übernahme von Apples Closed-Loop-Modell es Herstellern erleichtern, die Leistung zu optimieren und zu verbessern sowie schnell auf Kundenbedürfnisse zu reagieren.
Lassen Sie mich zunächst über Leistung sprechen. Leistung ist für autonomes Fahren unerlässlich. Seymour Cray, der Vater der Supercomputer, sagte einmal etwas sehr Interessantes: „Jeder kann eine schnelle CPU bauen. Die Kunst besteht darin, ein schnelles System zu bauen.“
Da das Mooresche Gesetz allmählich an seine Grenzen stößt, lässt sich die Leistung nicht mehr einfach durch eine Erhöhung der Transistoranzahl pro Flächeneinheit steigern. Aufgrund der begrenzten Fläche und des hohen Energieverbrauchs ist auch die Chipgröße begrenzt. Die aktuelle Tesla FSD HW3.0 (FSD steht für Full Self-Driving) basiert zwar nur auf einem 14-nm-Prozess, bietet aber noch Verbesserungspotenzial.
Aktuell basieren die meisten digitalen Chips auf der Von-Neumann-Architektur mit getrenntem Speicher und Rechenwerk, die das gesamte System von Computern (einschließlich Smartphones) prägt. Von Software über Betriebssysteme bis hin zu Chips ist die Architektur tiefgreifend. Allerdings ist die Von-Neumann-Architektur für das Deep Learning, auf dem autonomes Fahren beruht, nicht optimal geeignet und bedarf Verbesserungen oder gar eines Durchbruchs.
Es gibt beispielsweise eine „Speichergrenze“, an der der Rechner schneller arbeitet als der Speicher, was zu Leistungsproblemen führen kann. Die Entwicklung gehirnähnlicher Chips stellt zwar einen architektonischen Durchbruch dar, doch die Umsetzung dieser Entwicklung dürfte nicht so schnell erfolgen. Darüber hinaus lassen sich Bild-Faltungsnetzwerke in Matrixoperationen umwandeln, die für gehirnähnliche Chips möglicherweise nicht optimal geeignet sind.
Da sowohl das Mooresche Gesetz als auch die Von-Neumann-Architektur an ihre Grenzen stoßen, müssen zukünftige Leistungssteigerungen hauptsächlich durch domänenspezifische Architekturen (DSA, d. h. dedizierte Prozessoren) erzielt werden. DSA wurde von den Turing-Preisträgern John Hennessy und David Patterson vorgeschlagen. Es handelt sich um eine Innovation, die bereits in ferner Zukunft liegt und sich sofort in die Praxis umsetzen lässt.
Das Konzept der DSA lässt sich aus einer Makroperspektive verstehen. Moderne High-End-Chips enthalten in der Regel Milliarden bis Dutzende Milliarden Transistoren. Die Verteilung, Vernetzung und Kombination dieser enormen Anzahl an Transistoren hat einen großen Einfluss auf die Leistungsfähigkeit einer bestimmten Anwendung. Zukünftig ist es daher notwendig, ein „schnelles System“ zu entwickeln, das Software und Hardware als Ganzes betrachtet und auf der Optimierung und Anpassung der Struktur basiert.
Der "Android-Modus" ist im Bereich der intelligenten Autos keine gute Lösung.
Viele glauben, dass es im Zeitalter des autonomen Fahrens neben Apple (geschlossenes System) und Android (offenes System) im Smartphone-Bereich auch weiterhin große Softwareanbieter wie Google geben wird. Meine Antwort ist einfach: Der Android-Ansatz wird beim autonomen Fahren nicht funktionieren, da er nicht den zukünftigen Entwicklungsrichtungen intelligenter Fahrzeugtechnologien entspricht.
Der "Android-Modus" ist im Bereich der intelligenten Autos keine gute Lösung.
Viele glauben, dass es im Zeitalter des autonomen Fahrens neben Apple (geschlossenes System) und Android (offenes System) auch im Bereich der Smartphones große Softwareanbieter wie Google geben wird. Meine Antwort ist einfach: Der Android-Ansatz wird beim autonomen Fahren nicht funktionieren, da er nicht den Anforderungen der zukünftigen Entwicklung intelligenter Fahrzeugtechnologien gerecht wird. Smartphones und intelligente Autos unterscheiden sich architektonisch. Der Fokus von Smartphones liegt auf dem Ökosystem. Ein Ökosystem bedeutet die Bereitstellung verschiedener Anwendungen auf Basis von ARM und den Betriebssystemen iOS oder Android. Android-Smartphones lassen sich daher als Kombination einer Reihe gängiger Standardkomponenten verstehen. Der Chipstandard ist ARM, darauf läuft das Android-Betriebssystem, und darüber hinaus gibt es diverse Apps aus dem Internet. Dank dieser Standardisierung kann jeder einzelne Bestandteil – ob Chip, Android-System oder App – leicht zu einem eigenständigen Geschäftsfeld werden.
Im Fokus intelligenter Fahrzeuge stehen der Algorithmus sowie die ihn unterstützenden Daten und Hardware. Der Algorithmus erfordert höchste Leistungsfähigkeit, unabhängig davon, ob er in der Cloud trainiert oder auf dem Endgerät ausgeführt wird. Die Hardware intelligenter Fahrzeuge muss für spezifische Anwendungen und Algorithmen umfassend optimiert werden. Daher werden langfristig nur Algorithmen, Chips oder Betriebssysteme mit Optimierungsproblemen konfrontiert sein. Nur wenn jede Komponente einzeln entwickelt wird, lässt sie sich optimal gestalten. Die Trennung von Software und Hardware führt zu einer nicht optimierbaren Leistung.
Man kann es so vergleichen: NVIDIA Xavier verfügt über 9 Milliarden Transistoren, Tesla FSD HW 3.0 über 6 Milliarden, doch der Rechenleistungsindex von Xavier ist niedriger als der von HW 3.0. Es heißt, die nächste Generation der FSD-Hardware biete eine siebenfache Leistungssteigerung gegenüber der aktuellen. Das liegt entweder daran, dass Tesla-Chipdesigner Peter Bannon und sein Team kompetenter sind als die Entwickler von NVIDIA, oder an Teslas besserer Methodik der Software-Hardware-Kombination. Wir gehen davon aus, dass die Kombination von Software und Hardware ein wichtiger Grund für die Leistungssteigerung des Chips ist. Die Trennung von Algorithmen und Daten ist nicht zielführend. Sie erschwert schnelles Feedback zu Kundenbedürfnissen und rasche Iterationen.
Im Bereich des autonomen Fahrens ist es daher langfristig kein gutes Geschäft, Algorithmen oder Chips zu zerlegen und separat zu verkaufen.