在 Hot Chips 會議期間，特斯拉展示了內部研發的第三代車載電腦。作為自動駕駛 AI 的大腦，新款的執行速度已是舊版本的 21 倍。

除了速度，安全也是該該公司一直以來的重要關注點。儘管晶片的設計工作很是困難，但特斯拉一直積極投身於自動駕駛汽車領域的發展。今年四月，公司 CEO 伊隆·馬斯克及其同事就已經宣佈了第三代硬體。

在今天的 Hot Chips 會議上，晶片設計人員介紹了特斯拉是如何答覆最佳化提升這款定製 AI 晶片的效能的。與舊款英偉達晶片相比，其提升已達 21 倍、且成本僅為前者的 80% 。

為了實現全自動駕駛的目標，該公司顯然需要更好更強大的硬體，不然只能停留在路況簡單的高速巡航、以及停車標誌和交通訊號燈的識別層面。

晶片設計師之一、前 AMD 僱員 Ganesh Venkataramanan 表示：“我們深知，要在功率和形狀因素的限制下達到設計所需的效能產品，就必須親自動手”。

這項重大努力，反映在了龐大的電晶體數量上（60 億）。特斯拉為其投入了許多專屬知識技能，涵蓋從處理器、軟體、到電池製造、以及充電樁在內的所有內容。

New Street 分析師 Pierre Ferragu 曾在 8 月表示：作為該公司的一個核心優勢，其它汽車製造商顯然難以參與這方面的競爭，因為商業模式不允許使用昂貴的車載配件。

如此一來，傳統車企在技術層面上就要大打折扣，因其過分依賴供應商、無法緊密地整合軟硬體和操控。換言之，是特斯拉幫助大眾汽車市場設立了一個行業標準。

值得一提的是，為了提高安全性，特斯拉為車載計算機採用了兩組 AI 晶片的冗餘設計，晶片的供電和資料輸入元件也考慮了冗餘。即便是攝像頭，也都掛接在兩組獨立的電源上，以避免發生故障。

Venkataramanan 表示，冗餘設計可確保感測器、攝像頭或電源等元件發生故障，避免系統異常導致的任何不良事件。

每顆晶片都會自行評估汽車下一步應該做些什麼，然後計算機會對兩種評估進行比較。如果判定一致，即可採取行動。若出現不一致，車載電腦就會拋棄那段影片資料並再次嘗試。

顯然，這就是特斯拉想要打造一款能夠處理如此巨量影片幀資料的強大 AI 晶片的原因之一。每顆 AI 晶片的執行頻率為 2GHz，每秒可執行 36 萬億次操作。

靈位特斯拉晶片設計師、前 AMD 僱員 Debjt Das Sarma 表示：為了實現如此高的運算量，特斯拉必須對其進行專屬的最佳化，於是放棄了更多的通用目的。

例如，晶片處理記錄為 8 位整數的資料，而不是在 AI 任務中更常見的 16 位浮點資料，但仍需要更多的運算能力。另一方面，晶片只能處理極其有限的指令集。

Das Sarma 指出：其在晶片上有一個巨大的 32 MB 高速 SRAM 快取，意味著它不需要從更慢的傳統動態隨機儲存器（DRAM）中獲取資料。

我們希望將大部分精力放在真正有用的設計上，而不是那些揮霍無度之處。比如儘管特斯拉設計了處理器的核心 AI 元素，但卻依賴於現成的元素來作圖形處理。

據悉，全新 AI 晶片耗費了該公司 14 個月的時間來設計，目前正在由三星來代工其處理器。新車主有望用上第三代車載電腦，但特斯拉老車主們也有機會獲得升級。

目前，Tesla 正在生產的所有車型均全面搭載了實現完全自動駕駛能力所需的第三代硬體——除了環繞車身搭載的8個攝像頭、12個超聲波感測器以及增強版前置雷達，還包括在“自動駕駛投資者日”上全新發布的完全自動駕駛計算機 Full Self-Driving Computer。

Tesla 採用“機器視覺”技術對攝像頭所拍攝的環境影象進行解析，以實現類似人類依靠視覺駕駛車輛的完全自動駕駛能力。因此，對於高速行駛的車輛來說，擁有一顆能高效處理影象的強大晶片顯得極為關鍵。Tesla 完全自動駕駛晶片容納了60億個電晶體，並擁有強大的神經網路處理器，每秒可處理高達2300幀的影象——是之前硬體運算速度的21倍，而常見的CPU與GPU分別只能達到每秒1.5幀與17幀。

Tesla 採用類似人類大腦執行邏輯的深度神經網路以實現完全自動駕駛能力。當車輛配備的攝像頭採集環境影象資訊後，會透過完全自動駕駛晶片進行處理，識別出車道線、周圍車輛、交通指示牌、紅綠燈等，並且對於道路的走向、其他車輛和行人的移動軌跡做出預測，從而計算出可以行駛的區域。

如同人類學習知識一樣，完全自動駕駛晶片也需要透過不斷地訓練和“學習”提升其判斷的精準性。Tesla 超過16億公里的Autopilot自動輔助駕駛行駛里程，為 Tesla 提供了豐富的經驗，不僅讓 Tesla “認識”了周圍的環境事物，還包括罕見情況下的交通行為。

Tesla 完全自動駕駛晶片可以“不知疲備”地學習、進步與完善著，在行駛中幫助 Tesla 車輛提出正確的路徑規劃與駕駛策略，例如變更車道、超車、駛出匝道等。而實現這一系列的指令，同樣需要車輛從示範中進行模仿學習，透過神經網路繪製過去和未來之間的相關性。此外，神經網路還會透過分析它所“看到”的影象和人類駕駛員所採取的行動之間的相關性，來學習預測人類駕駛員接下來的行為。

基於深度神經網路，Tesla 研發的視覺處理工具 Tesla Vision 能使用路徑預測來準確判斷前方道路將如何延伸，即使是無法看到的拐角處。

在實現效能飛躍的同時，Tesla 完全自動駕駛晶片還擁有更低的成本，能極大地幫助 Tesla 推進電動車的普及