Autonome voertuigen krijgen ongeveer een hartslag aan tijd om de weg te lezen, te bepalen wat er gebeurt en te reageren. Dat flinterdunne tijdsvenster is precies waarom Waymo een aangepaste AI-chip heeft gebouwd die is ontworpen om de verwerking van sensoren terug te brengen tot zo min mogelijk milliseconden. Het door Alphabet gesteunde robotaxibedrijf beschreef de chip deze week in een blogpost, de eerste keer dat het publiekelijk uiteenzet welke hardware er in de kofferbak van elk van zijn zelfrijdende auto’s zit.
Summary
Belangrijkste punten
- Waymo heeft zijn eigen AI-ASIC ontworpen, geproduceerd op TSMC’s 5-nanometerproces, om sensorgegevens sneller te verwerken dan de standaardhardware waarop het eerder vertrouwde.
- Het ontwerp van de chip is gebaseerd op meer dan 200 miljoen mijl aan echte autonome rijgegevens en kan zowel convolutionele neurale netwerken als transformermodellen draaien.
- Waymo zegt dat de ASIC meer dan 1.000 TOPS aan AI-prestaties levert, waarschijnlijk gemeten op INT8-nauwkeurigheid, al blijft het exacte stroomverbruik onduidelijk.
- Het bedrijf leunt nog steeds op externe leveranciers, waaronder AMD, Micron, Samsung, Sandisk en Nvidia, voor niet-machinelearningtaken zoals datalogging en orkestratie.
- Waymo gebruikte eerder Intel-FPGA’s voor sensorverwerking voordat het overstapte op eigen chips, en voegde zich daarmee bij Tesla in de race om aangepaste chips voor autonoom rijden te bouwen.
Waymo’s aangepaste AI-chip gebouwd voor beslissingen in een fractie van een seconde
Waymo’s nieuwe chip is bedoeld om een stortvloed aan ruwe camera-, radar- en lidargegevens om te zetten in een rijbeslissing voordat een gevaarlijk moment zich volledig kan ontvouwen. Het bedrijf beschrijft hem als de frontlinie van zijn computestack, die binnenkomende sensorstromen opschoont en razendsnelle AI-controles uitvoert op het moment dat informatie binnenkomt, in plaats van rommelige ruwe data rechtstreeks naar het hoofdrekenbrein van de auto te sturen.
Gebouwd op TSMC’s 5-nanometerproces
De chip wordt geproduceerd met behulp van TSMC’s 5-nanometerprocestechnologie, waardoor Waymo zich schaart naast grote chipfabrikanten die voor geavanceerde chips vertrouwen op de Taiwanese foundrygigant. De keuze voor een modern process node is belangrijk omdat Waymo zo meer rekenkracht kan onderbrengen in een kleiner, energiezuiniger pakket dat moet overleven in een rijdend voertuig in plaats van in een geconditioneerd datacenter.
Net zo belangrijk als ruwe dichtheid is flexibiliteit. De ASIC is gebouwd om zowel convolutionele neurale netwerken als vergelijkbare transformer-gebaseerde architecturen te draaien, die zowel conventionele machinelearningbenaderingen als hedendaagse modellen vertegenwoordigen die de huidige AI-chatbots en beeldgeneratoren aandrijven. Die dubbele capaciteit stelt Waymo in staat zijn perceptiesoftware in de loop van de tijd te updaten zonder dat er volledig nieuwe hardware nodig is telkens wanneer de modellen evolueren.
Hoe de chip leerde van 200 miljoen mijl rijden
Waymo zegt dat de architectuur van de chip lessen weerspiegelt die zijn getrokken uit meer dan 200 miljoen mijl aan verzamelde autonome rijgegevens, waardoor het ontwerp een praktijkbasis krijgt die standaardchips niet gemakkelijk kunnen evenaren. Dat volume aan rijgeschiedenis bepaalde hoe de chip omgaat met responsiviteit, betrouwbaarheid en redundantie onder echte wegomstandigheden in plaats van labsimulaties.
Latentieminimalisatie als veiligheidsprioriteit
Het terugdringen van latentie was het centrale ontwerpdoel van de chip, omdat ongelukken zich kunnen voltrekken sneller dan een externe menselijke operator ooit zou kunnen ingrijpen. “Binnen die kritieke milliseconden bouwen geavanceerde ML-modellen een hoogwaardig begrip van de omgeving op om het veiligste pad vooruit te bepalen,” legde het bedrijf uit, waarbij het beschreef hoe het systeem realtime temporele ruisonderdrukking uitvoert om de zichtbaarheid bij weinig licht te verscherpen.
Waymo’s technische leiders schetsten de uitdaging in vergelijkbaar urgente bewoordingen. Satish Jeyachandran, VP Engineering, en Daniel Rosenband, Compute Lead, schreven dat het bedrijf “een state-of-the-art systeem ontwerpt dat indrukwekkend zou worden gevonden voor een datacenter, met de extra complexiteit van een operationeel domein in het voertuig en realtime-eisen,” aldus The Verge. Zij beschreven de computestack als geleid door drie niet-onderhandelbare principes: responsief, versterkt (rugdized) en redundant.
Al die responsiviteit vereist serieuze pk’s. Waymo beweert dat zijn speciale front-endchip meer dan 1.000 TOPS aan AI-prestaties levert, al heeft het bedrijf het nauwkeurigheidsniveau of stroomverbruik achter dat cijfer niet bekendgemaakt. Zonder die details blijven directe vergelijkingen met concurrerende hardware voor autonome voertuigen en robotica lastig, al wordt de TOPS-waarde waarschijnlijk gemeten op INT8-nauwkeurigheid, wat hem in een vergelijkbare prestatieliga zou plaatsen als Nvidia’s Drive AGX Thor-platform.
Redundantie, koeling en de rest van de hardwarestack
Rekenkracht alleen is niet genoeg wanneer de hardware zich in een auto bevindt die wordt blootgesteld aan constante trillingen, schokken van de weg en extreme temperatuurschommelingen waar geen enkele datacenterchip tegen hoeft te kunnen. Waymo pakt dat aan met meerdere lagen redundantie, waarbij in feite dubbele systemen draaien zodat een enkel defect de perceptie van het voertuig niet uitschakelt. De chips zelf worden vloeistofgekoeld en maken gebruik van hetzelfde koelsysteem dat de motor van het voertuig reguleert, zodat de chip op veilige bedrijfstemperaturen blijft ongeacht het weer buiten.
Hier wordt de verschuiving van Waymo weg van de eerdere opzet duidelijk. Voordat het zijn eigen ASIC uitrolde, vertrouwde het bedrijf op Intel-FPGA’s voor sensorverwerking. FPGA’s zijn goed geschikt voor werk met lage latentie, wat een van de redenen is dat high-frequency tradingfirma’s ze vaak gebruiken, maar ze zijn berucht moeilijk te programmeren en kunnen niet tippen aan de rekendichtheid van speciaal gebouwde chips.
Partners die niet-ML-taken afhandelen
Waymo bouwt niet elk onderdeel van zijn computestack vanaf nul. Het bedrijf blijft vertrouwen op externe leveranciers voor niet-machinelearningfuncties zoals orkestratie, databeweging en logging, en noemt AMD, Micron, Samsung, Sandisk en Nvidia als partners die die componenten leveren, waarbij Socionext door The Verge ook wordt genoemd onder de betrokken hardwareleveranciers. Waymo heeft aangegeven dat het verschillende extra aangepaste chips en systemen ontwikkelt, wat betekent dat de huidige ASIC slechts één onderdeel is van een bredere interne siliconstrategie en geen volledige vervanging van hardware van derden.
Die heterogene aanpak weerspiegelt een bewuste afweging. In plaats van te proberen een volledig computersysteem intern te bouwen, concentreert Waymo zijn technische inspanningen op realtime sensorfusie en front-end machine learning, de gebieden waar aangepaste chips het grootste latentievoordeel bieden, terwijl het voor de rest leunt op gevestigde chipfabrikanten.
Waymo vs Tesla: een bredere chiprace in robotaxi’s
Waymo is niet het enige bedrijf dat inzet op aangepaste chips om de robotaxirace te winnen. Tesla werkt al jaren aan eigen chips voor autonoom rijden en heeft onlangs een beperkte Robotaxi-dienst in Austin gelanceerd na herhaalde vertragingen. De twee bedrijven verschillen ook sterk in filosofie: Tesla-CEO Elon Musk heeft lidar afgedaan als een “kruk” en “een dwaze missie” en stelt dat het samenvoegen van data van meerdere sensortypen gevaarlijke ambiguïteit introduceert wanneer signalen elkaar tegenspreken.
Waymo’s aanpak gaat precies de andere kant op en zet erop in dat het combineren van camera’s, radar en lidar via speciale chips het systeem juist betrouwbaarder maakt, niet minder, en dat aangepaste chips zijn wat het bedrijf in staat stelt op betekenisvolle schaal uit te rollen. Het bedrijf is van plan volgende week meer details over zijn machinelearningversnellers te delen op de Hot Chips-conferentie aan Stanford, een podium dat mogelijk de duidelijkste blik tot nu toe biedt op hoe zijn siliconstrategie zich verhoudt tot rivalen die naar hetzelfde doel racen.
FAQ
Wat is de primaire functie van Waymo’s aangepaste AI-chip?
Hij verwerkt ruwe sensorgegevens van autonome voertuigen snel en zet die om in rijreacties met minimale latentie.
Welke productietechnologie wordt gebruikt voor Waymo’s chip?
De chip wordt geproduceerd met TSMC’s 5-nanometerprocestechnologie.
Welke machinelearningmodellen kan Waymo’s chip draaien?
Hij kan zowel traditionele modellen zoals convolutionele neurale netwerken als moderne transformermodellen draaien.
Hoe waarborgt Waymo de betrouwbaarheid van zijn aangepaste chips in voertuigen?
Waymo gebruikt meerlaagse redundantie en vloeistofkoelsystemen om de prestaties van de chip in zware omstandigheden te behouden.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Wat is de primaire functie van Waymo’s aangepaste AI-chip?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Hij verwerkt ruwe sensorgegevens van autonome voertuigen snel en zet die om in rijreacties met minimale latentie.”}},{“@type”:”Question”,”name”:”Welke productietechnologie wordt gebruikt voor Waymo’s chip?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”De chip wordt geproduceerd met TSMC’s 5-nanometerprocestechnologie.”}},{“@type”:”Question”,”name”:”Welke machinelearningmodellen kan Waymo’s chip draaien?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Hij kan zowel traditionele modellen zoals convolutionele neurale netwerken als moderne transformermodellen draaien.”}},{“@type”:”Question”,”name”:”Hoe waarborgt Waymo de betrouwbaarheid van zijn aangepaste chips in voertuigen?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Waymo gebruikt meerlaagse redundantie en vloeistofkoelsystemen om de prestaties van de chip in zware omstandigheden te behouden.”}}]}
Artikel geproduceerd met behulp van kunstmatige intelligentie en beoordeeld door de redactie.
