特斯拉自主研发的AI内核“超乎寻常的简单”，超越了半导体制造商的常识

美国特斯拉为电动汽车Model 3等配备了新的集成ECU（电子控制单元）“ FSD（全自动驾驶）计算机”。其特点是，通过使用自己的半导体芯片，可以大大提高AI（人工智能）的处理性能。当我们分析AI半导体时，我们可以看到一些令人惊讶的结果。

“特斯拉的AI半导体具有令人震惊的简单电路配置。”匈牙利的AI motive分析了特斯拉的AI半导体并指出这一点。 AI Motive正在研究用于自动驾驶的AI半导体，并分析了Tesla芯片作为其产品的基准目标。

特斯拉开发的“ FSD芯片”具有CPU内核，GPU内核和AI加速器“ NNA（Neural Network Accelerator神经网络加速器）”，后者是用于加速AI处理的专用电路。

NNA是可以增强FSD芯片AI处理性能的``心脏''电路，特斯拉专门设计了这部分。但是，AI Motive指出NNA非常简单。 SRAM电路块放在MAC（乘积和运算单元）电路块周围。 MAC和SRAM之间的数据传输速率可能会成为瓶颈，他说：“如果是半导体制造商，不会进行这种简单的设计”。

在诸如图像识别之类的AI处理中，对于来自传感器的输入，会重复多次MAC乘积运算。计算结果被临时存储在SRAM中，并且数据被用于下一次计算。因此，如果MAC和SRAM之间的数据传输速率很慢，则运算单元将在访问存储器期间等待，导致资源浪费。

根据AI Motive的试验，在AI处理期间NNA计算单元运行的比率（计算单元使用效率）可能保持在30％左右。 FSD计算机总共有四个NNA，并且具有最高144 TOPS（每秒144万亿次）的计算性能，但是如果计算单元的使用效率为30％，则实际上只能提供43 TOPS的性能。当运算单元的使用效率低时，就功耗和芯片面积（芯片成本）而言是浪费资源的。

通过这种方式，AI Motive分析说特斯拉采用了一种看似不利的电路配置，“这是优先考虑开发周期（上市时间）的结果吗？”这是因为半导体行业已经知道如何显着提高MAC与SRAM之间的数据传输速率。例如，通过并列配置大量MAC和SRAM一体化的电路块的方法，“ MAC和SRAM之间的数据传输速率可以提高到当前NNA的100倍左右”。在这种情况下，计算单元的使用效率将提高到70％到90％。

但是，另一方面，电路设计变得复杂。该公司表示：“与特斯拉的简单NNA相比，开发需要6年半的时间。” AI Motive说，知道了缺点之后，特斯拉“愿意选择一种可以轻松缩短开发周期的简单电路配置”。

通过使用不一定是最新技术的技术来缩短开发周期的方法，曾经在苹果公司的“ iPhone”中也看到过。特斯拉不是将最新的激光雷达（LIDAR）用作自动驾驶传感器，而是使用了技术成熟的摄像头和毫米波雷达。对于半导体，AI Motive认为，特斯拉有意不引入最新技术，因此缩短了开发周期。

通常，半导体制造商希望通过新技术来尽可能减少芯片面积并降低成本。由于这个原因，很难在明知会有劣势的情况下也采用这种方案的想法。但是对于像特斯拉这样的高端电动汽车制造商来说，更快地进入市场比减少半导体芯片面积更为重要。特斯拉的AI芯片很可能是汽车制造商的“合理”半导体。

在半导体行业中，有一些动向旨在将特斯拉的FSD芯片和NNA进行进一步的改进。其中之一是，上述的分散集成MAC和SRAM一体化电路块的方法。除了AI Motive，美国Gyrfalcon Technology也将使用此架构。当然，特斯拉可以在下一代NNA中使用这种结构。

此外在日本市场，AI的应用也逐渐扩展到了各种领域。不仅自动驾驶，AI对于日本的制造业和医疗行业也是必须的。我们HACARUS通过AI来进行图像和时间序列数据的分析，来实现工业产品外观检测的自动化以及用于医疗领域的疾病诊断和药物研发。

关于HACARUS

HACARUS的AI技术基于Sparse Modeling，该算法擅长从少量数据中抽取关键的特征量并具有高度的可解释性。

目前作为AI技术主流的深层学习，需要大量的数据支持，并且推论过程仍处于黑盒状态，同时在训练阶段需要大量的运算资源，导致Edge端AI在实现上变得更加困难。我们以独创的AI技术解决解決这些课题。