各領域發起破壞性創新的能源公司：特斯拉(Tesla)發展的分析系列文章 — 人工智慧篇

Energy companies launching disruptive innovations in various fields: A series of articles analyzing the development of Tesla - Artificial Intelligence

Last update: May 12024

Update 1: Mar. 30 2024: 新增篇章架構展開圖
Update 2: Apr. 11 2024: 新增FSD 邊緣案例(軟體演算法建構的解讀)
Update 3: Apr. 24 2024: 更新競爭對手比較(乘用車)、新增競爭對手比較(商用車)、新增2024Q1財報內容
Update 4: May 1 2024: 新增章節分類、新增Chapter 9-剖析重要事件影響、新增4/29訪華內容

本篇文章同步發表於Medium，文章連結
礙於本篇文章架構過於龐大，僅在VOCUS提供架構，詳細內容請前往Medium閱讀

先說結論

全自動駕駛是人類發展歷史中，最史詩級的創新技術，且這個「通用人工智慧應用」是Tesla最高含金量的價值所在，當Tesla將全自動駕駛應用在開放場景(一般市區道路)且能”幾乎”完全應對固定或突發狀況，安全到達目的地。後續完全可複製這套系統到無人駕駛計程車、無人駕駛貨卡物流、無人公共運輸車輛、工廠/家用/災難現場/不適合人類工作場合的功能型人型機器人、或自動駕駛系統授權給車廠使用等，不僅將這系統應用於不同的領域中，且這些非限定條件範圍的應用，對於Tesla的產品賦予非常高附加價值，不僅是公司成長的源源動能，也能是電動車品項到達產業天花板時，能分支轉換的第二生長曲線生長方向。不只Tesla本身業務項目，可能連周邊產業(如資料中心的存儲轉型、物聯網(IoT)、邊緣運算、影子模式學習等)都可能帶動快速裂變增長。

在車輛硬體的硬體運算電腦(HW)、車輛軟體的Tesla Vision、Full-Self Driving System(FSD)、基礎設施的資料中心、AI運算伺服器(Dojo Accelerator ExaPOD)，每一段都是與對手拉開差距的技術護城河，且當Tesla車車輛的市占率越高及銷售越多，所蒐集的數量級的資料越是能快速訓練、修正與重新部屬，尤其在新市場的開發，運用當地駕駛數據加上AI編程，能迅速建立地圖資訊、號誌標示、適應當地駕駛文化民情的FSD，這樣指數級推進的速度會在AI運算伺服器、FSD v12形成大規模應用時突破閾值(Threshold)，屆時將會把兢爭對手狠甩在後頭。

Tesla如同產業破壞者般的打破原有產業的平衡，讓競爭對手已經不是從原本賽道的追趕者急起直追，反而像是半路插隊進來的新進參賽者，就已經對於原賽道王者構成威脅。Tesla的發展在未來非常有可能取代蘋果成為新一代的龍頭企業，未來是否有這樣的一天，拭目以待。

篇章架構

為方便了解，將這篇章架構展開如圖，高解析完整圖請參照連結。

目錄

Chapter 0 - 引言
Chapter 1 - 硬體的更新迭代歷史
Chapter 1-1 - 以硬體感測器為例
Chapter 1-2 - 以硬體運算設備為例
Chapter 1-2-1 - HW1
Chapter 1-2-2 - HW2
Chapter 1-2-3 - HW3
Chapter 1-2-4 - HW4
Chapter 1-2-4 - HW5
Chapter 2 - 軟體演算法建構的解讀
Chapter 3 - 影子模式的駕駛學習
Chapter3-1 - Tesla Vision(HydraNet) by Andrej Karpathy
Chapter3-2 - Tesla Vision by Ashok Elluswamy
Chapter3-3 - Tesla FSD Test Video
Chapter 4 - 資料運算中心(數據引擎)的應用與模擬訓練
Chapter 4-1 - 物件標註(Labeling Objects)：
Chapter 4-1-1 - 2D Image Labeling by Manual
Chapter 4-1-2 - 4D Space + Time Labeling by Manual
Chapter 4-1-3 - Auto 3D Labeling
Chapter 4-1-4 - Auto 3D Labeling + (Multi-trip Reconstruction) Video Module by Automatic
Chapter 4-2 - 虛擬場景建立(Creating a Visual Scene)
Chapter 4-3 - 模擬訓練(Training Simulation)
Chapter 4-3-1 - 創造情境訓練(Create Scenario for Training)
Chapter 4-3-2 - 現況除錯修正訓練(Bug Fixing Training)
Chapter 4-4 - 基礎設施(Data Center & AI Training Server, Dojo)
Chapter 4-4-1 - D1 Chip晶片
Chapter 4-4-2 - Training Tile
Chapter 4-4-3 - Dojo Cabinet/Dojo ExaPOD
Chapter 4-4-4 - Dojo Interface Processors (DIP)
Chapter 4-4-5 - 電壓調節模組Voltage Regulator Module(VRM)
Chapter 4-4-6 - 冷卻系統Cooling System
Chapter 4-4-7 - Tesla Dojo Software Layer
Chapter 4-4-8 - Dojo System Network
Chapter 5 - 後續可延伸的發展方向
Chapter 6 - 競爭對手比較等面向(乘用車)
Chapter 6-1 - 競爭者比較分析
Chapter 6-2 - Rivian
Chapter 6-3 - Ford
Chapter 6-4 - GM
Chapter 6-5 - Mercedes-Benz
Chapter 6-6 - BMW
Chapter 6-7 - Volkswagen
Chapter 6-8 - NIO(蔚來)
Chapter 6-9 - XPeng Motors(小鵬汽車)
Chapter 6-10 -Li Auto (理想汽車)
Chapter 6-11 - BYD(比亞迪)
Chapter 6-12 - 上汽通用五菱汽車
Chapter 7 - 競爭對手比較等面向(商用車)
Chapter 7-1 - 競爭者比較分析
Chapter 7-2 - Waymo
Chapter 7-3 - Cruise
Chapter 7-4 - Zoox
Chapter 7-5 - Pony.ai(小馬智行)
Chapter 7-6 - Apollo(百度)
Chapter 7-7 - 美國加州車輛管理局(DMV)測試報告分析
Chapter 7-8 - 分析各類交通工具單位成本
Chapter 7-9 - 估算以Tesla作為計程車輛的收益分析
Chapter 7-10 - Tesla Robotaxi可能造成的影響
Chapter 8 - 結論
Chapter 9 - 剖析重要事件影響
2024/3/6
2024/4/24
2024/5/1
2024/5/24 Vote for Elon Musk, and look forward to Robotaxi
備註
參考文獻
文章聲明

希望本篇文章對於讀者您而言，能作為了解Tesla全自動駕駛架構的工具知識內容，有甚麼想了解，或想認識FSD的族群都能時刻用來翻閱理解。Tesla系列文章將會定期更新最新資訊。

文章聲明

非經取得作者授權，不得任意轉載或公開傳輸。

免責聲明

本資料僅做為個人研究紀錄用並不構成任何投資意見，亦不應被視為任何投資或贖回的招引。投資附帶風險，過往業績並非未來表現的指標。在進行投資決策時，務必自行審慎評估，並自負投資風險及盈虧，如依本平台提供的資料使交易致生損失，本人不負擔任何賠償及法律責任。