Szembemegy a fenntarthatósággal az MI

Minden autógyártó más megoldást alkalmaz. A Volvo például valós adatokat gyűjt a csatlakoztatott járművekről, hogy a fejlett vezetéstámogató funkciókat irányító algoritmusokat betanítsa. A General Motors megosztotta, hogyan használja a fizikán alapuló mesterségesintelligencia-előrejelzéseket az aerodinamikával kapcsolatos kutatás-fejlesztési döntések meghozatalához.

Mindezek a nagy teljesítményű szoftverek azonban a számítás építőköveinek növelését igénylik, beleértve a feldolgozási teljesítményt, a memóriát és a tárolást. Ezeket az erőforrásokat nevezzük számításnak, amelyek sok villamos energiát is igényelnek.

Az autóiparnak még nem kell átfogóan foglalkoznia azzal, hogy a járművekben a mesterséges intelligenciához kapcsolódó növekvő számítási követelmények hogyan befolyásolhatják a vállalat fenntarthatósági céljait. Az is kérdéses, hogy ennek a sok energiának az elterelése hogyan ütközik az elektromos járművek akkumulátorának hatótávolságával.

Egyre nagyobb teret igényel a számítástechnika

Ahogy az autógyártók igyekeznek a mesterséges intelligenciát az összes folyamatukban alkalmazni, három területen további számítási követelmények merülnek fel.

Először is, az autógyártók több számítástechnikát használnak a járműveket irányító szoftverek és hardverek előállításához. A járművek tervezéséhez mesterséges intelligenciát alkalmazó vállalatok például algoritmusokat képeznek ki a légellenállást és az aerodinamikát szabályozó fizikai törvények felismerésére. Ehhez számítási teljesítményre van szükség.

Az automatizált vezetés alapjául szolgáló algoritmusok képzése még számításigényesebb. A robotaxikat működtető mesterséges intelligenciának például szimulációk és a jármű digitális ikertestvére segítségével meg kell tanulnia, hogy mindenféle lehetséges forgatókönyvre és változatra reagáljon. A forgatókönyvek generálása, szimulációban való megjelenítése és az algoritmus betanítása mind számítási igényű. Ezután a vállalatok a felhőben lévő számítási kapacitást használják az olyan műveletekhez, mint például a járművek frissítése a levegőben. A kereskedelmi flották kezeléséhez szintén a felhőben történik a számítás.

Végül pedig maguk a járművek is számítást igényelnek. Ezt nem lehet a felhőbe terhelni, mert a biztonságkritikus számítási műveleteknek azonnal rendelkezésre kell állniuk. A fejlett vezetéstámogató funkciók, amelyek magukban foglalják a környezet érzékelését, az érzékelés feldolgozását, valamint a vezérlés tervezését és végrehajtását, a fedélzeti számítás segítségével valósulnak meg. A jármű egyéb funkciói, például az infotainment, kisebb mértékben igényelik ezt.

Mérhetetlen adatok

Számos tényező befolyásolja a különböző autóipari feladatok számítási követelményeit, beleértve a feldolgozás sebességét, a felbontást és a pontosságot. 1965-től kezdődően az informatikai iparban az volt az ökölszabály, hogy a számítógépes hardverek száma kétévente megduplázódik a számítási követelmények növekedésének megfelelően. Az OpenAI 2018-ban közölte, hogy „a legnagyobb MI-tréningfutamokban használt számítási kapacitás mennyisége exponenciálisan nőtt, 3,4 hónapos megduplázódási idővel”. Ez még azelőtt volt, hogy az OpenAI 2022-ben kiadta volna a ChatGPT-t, amely megismertette a nyilvánossággal a generatív mesterséges intelligencia lehetőségeit.

Nehéz számszerűsíteni az autóipar számítási igényeinek növekedését. Először is, a cégek ezt az információt titokban tartják, mert a hálózati követelmények, a tárolás, a sebesség és a felbontás egyedi keveréke az egyik vállalatnak előnyt jelenthet a másikhoz képest.

A változók száma azt is biztosítja, hogy még nincs szabványos mérés. A számos autonóm járműszimulátor alapjául szolgáló hardver – az Nvidia platformjai – nyolc év alatt ezerszeresére növelték a számítási kapacitásukat.

A hatékonyságnövelés módszere

Jensen Huang, az Nvidia vezérigazgatója elmondta, hogy a vállalatot a hardver fizikai korlátai gátolják, ezért az Nvidia a számítási kapacitást az energiahatékonyság javításával növelte. Az autógyártóknak ezt a hatékonyságot és a kapcsolódó tényezőket, például a hőterhelést, a tervezési és gyártási folyamat során végig figyelembe kell venniük. A mesterséges intelligencia még a könnyebb számítási terhelési feladatokat is áthatja, például a hangalapú asszisztenseket, amelyeket nyelvi képzéssel tanítanak, hogy jobban tudjanak válaszolni az utasok és a járművezetők kérdéseire.

Alwin Bakkenes, a Volvo Cars szoftvermérnöki részlegének vezetője elmondta, hogy a vállalat energiatakarékos üzemmódokat épít be a funkciókba, és a számítási kapacitást új funkciók számára tartalékolja, amint azok felmerülnek. De miközben az olyan vállalatok, mint az Nvidia és az egyes autógyártók igyekeznek fenntartani a hatékonyságot, az MI-alapú munkaterhelések valószínűleg növekedni fognak.

Ben Ellencweig, a McKinsey & Co. tanácsadó cég vezető partnere szerint nehéz megjósolni, hogy a hardverek, például a chipek és a szimulátorokat is magában foglaló szoftverek energiahatékonysága lépést tud-e tartani a növekvő mesterséges munkaterheléssel és adatmennyiséggel – írja az Autonews.