소식

저자│화웨이

반년 안에 완료될 것으로 예상됩니다.테슬라 fsd가 공식적으로 중국에 진출할 예정이다. 지난 9월 5일, tesla는 fsd가 2025년 1분기에 중국과 유럽에 출시될 것이라고 발표했습니다.

얼마 전 tesla의 엔드투엔드 fsd v12 버전이 출시된 후 업계는 물론 업계 외부로부터 많은 찬사를 받았습니다. 테슬라와 공개적으로 '다툼'을 여러 번 했던 이들도엑스펭 모터스허샤오펑(he xiaopeng) 회장은 또한 tesla의 자율주행이 "매우 잘 수행된다"고 썼으며 "2025년은 완전 자율주행을 위한 chatgpt 순간이 될 것입니다!"라고 흥분하게 말했습니다.

gpt로 대표되는 대형 모델은 전례 없는 혁신 속도와 기술 아키텍처로 자율주행 분야의 프로그램 연구개발 모델에 지대한 영향을 미치고 있으며, 글로벌 업계는 이러한 열풍에 발빠르게 대응하고 있다. 현재 국내 자동차 업체들이 주목하고 있는 것으로 보면 엔드투엔드(end-to-end)도 차세대 자율주행 기술 루트가 됐다.

huawei, xpeng, pony.ai, momenta, jiji technology, horizon 등 승용차 자율주행 기업들이 적극적으로 이를 따르고 양산을 위한 엔드투엔드 자율주행 솔루션과 모델을 출시했습니다. 상용차 측면에서도 제로원자동차는 엔드투엔드 대형 모델을 해당 차량에 출시하기 위한 명확한 시기 계획도 발표했다.이상적인 자동차창립자 겸 ceo인 li xiang은 또한 li auto가 엔드투엔드 및 월드 모델을 기반으로 3년 내에 l4 자율 주행을 달성할 것이라고 공개적으로 주장했습니다.

앞서 '한파'에 시달렸던 l4 자율주행 시장마저도 엔드투엔드(end-to-end) 기술의 등장으로 회복됐다. 이러한 기술적 개념을 바탕으로 10억 달러의 자금을 조달한 wayve가 좋은 예입니다. chentao capital의 투자 관리자인 liu yudong은 "엔드 투 엔드는 l4 상용화를 위한 두 번째 성장 곡선을 열어줍니다"라고 말했습니다.

엔드투엔드 역량으로 fsd 역량을 한 단계 도약한 테슬라도 10월 10일 로보택시 모델을 출시한다고 발표했다. he xiaopeng은 또한 xpeng motors가 2026년에 robotaxi를 출시할 것이라고 공개적으로 밝혔습니다. 그러나 엔드투엔드 솔루션을 통해 l4의 대량 생산을 달성하려는 자동차 회사와 자율주행 제조업체의 최근 행동과 기대는 많은 자율주행 실무자들에게 엔드투엔드가 지나치게 "신화"되어 있지는 않은지 의문을 제기하게 만들었습니다.

스마트 드라이빙계에서 엔드투엔드가 '톱 클래스'가 되는 이유는 무엇일까?

엔드투엔드(end-to-end)는 지난 2년 사이에 등장한 것이 아닙니다. 이미 2017년부터 많은 기업이 이 기술 경로의 가능성을 모색하고 있었습니다. 올해 '엔드 투 엔드(end-to-end)'는 자율주행계에서 인기를 끌며 업계에서 킬러 기술로 평가받고 있다. chatgpt 등 대형 언어 모델이 가져온 혁신과 더불어 자체 기술과도 뗄래야 뗄 수 없는 기술이다. 매력".

포니닷에이아이(pony.ai) 공동 창업자이자 최고기술책임자(cto)인 루 티앤청(lou tiancheng)은 “엔드투엔드 모델의 탄생은 자율주행 기술이 대규모 상용화로 이어질 수 있는 유일한 길”이라고 말했다. 엔드투엔드 모델의 핵심은 일반화가 가능해 자율주행 상용화 속도를 높이고 자율주행 대중화를 앞당길 수 있다는 점이다.

zero one automobile의 지능형 운전 책임자인 wang panqu에 따르면 기존의 비엔드 투 엔드 자율 주행 시스템은 엔드 투 엔드보다 일반화가 불량할 뿐만 아니라 새로운 시나리오로 확장할 때 이전에 많은 규칙을 사용했습니다. 기반 솔루션이 실패할 경우 새로 추가된 코드로 인해 시스템의 유지 관리성이 악화되어 한계 비용이 증가하게 됩니다.

또한 기존의 자율주행 시스템에도 두 가지 단점이 있습니다. 첫 번째는 아키텍처의 복잡성입니다. 다중 모듈 시스템의 개발 비용은 더 높을 뿐만 아니라 각 모듈에 더 적은 컴퓨팅 리소스가 할당되기 때문에 성능 상한도 상대적으로 낮으며 모듈 간의 통신도 많은 이점을 가져올 것입니다. 엔지니어링 문제. 두 번째는 복잡한 아키텍처로 인해 발생하는 높은 비용 문제입니다. 각 모듈에는 개발, 유지 관리, 프로젝트 관리 및 통합이 필요합니다. 이는 기존 자율 주행 회사의 팀 규모가 매우 큰 이유이기도 합니다.

"제 생각에는 엔드투엔드가 이러한 문제를 매우 잘 해결할 수 있습니다." wang panqu는 아키텍처 관점에서 볼 때 엔드투엔드에는 복잡한 아키텍처 문제를 잘 해결할 수 있는 단 하나의 모듈만 있다고 말했습니다. 비용을 절감하고 효율성을 높일 수 있는 능력. 데이터와 지식을 기반으로 한 엔드 투 엔드 일반화는 매우 강력하며 대량 생산에 신속하게 구현될 가능성이 높습니다. 이는 l2가 다양한 모델에 적응하는 비용을 줄일 수 있을 뿐만 아니라 l4가 적응 시간을 줄이는 데도 도움이 됩니다. 다른 시나리오에.

또한 lou tiancheng은 엔드 투 엔드의 가장 큰 이점은 서로 다른 모듈과 기능 간의 정보 손실을 방지하는 것이라고 지적했습니다. jiji technology의 엔지니어링 담당 부사장인 mao jiming도 이 측면에 대해 이야기하며 모듈 간의 효과적인 정보 전송 문제는 업스트림 및 다운스트림 모듈의 인터페이스가 정보 전송의 상한을 정의한다고 설명했습니다. 하지만 아무리 인터페이스 디자인이 정교해도 정보 손실은 있을 수 있습니다. 엔드투엔드 통합 모듈 솔루션은 이러한 정보 손실을 겪지 않아 최종 알고리즘 효과를 향상시키는 데 도움이 됩니다.

동시에 mao jiming은 엔드투엔드 아키텍처의 다른 장점에 대해서도 이야기했습니다. 첫째, 모듈 오류 측면에서는 end-to-end가 하나의 모듈에 속하기 때문에 여러 모듈의 오류 증폭 효과가 없으며, 전체 지능형 주행 알고리즘의 성능 상한선을 극대화할 수 있다. 둘째, 다중 모듈 아키텍처에서 각 모듈에는 고유한 r&d 리듬과 최적화 목표가 있습니다. 이는 전체 지능형 주행 시스템의 글로벌 최적화 목표와 항상 엄격하게 일치할 수 없으므로 잠재적으로 비효율적인 최적화와 r&d 자원에 대한 투자 낭비가 발생합니다. 터미널의 엔드투엔드 아키텍처에는 모듈이 하나만 있고 최적화 목표가 명확하고 통합되어 있어 이러한 내부 마찰 최적화 프로세스를 효과적으로 피할 수 있습니다.

또 다른 요점은 모듈식 아키텍처의 구성 요소가 자연스럽게 여러 규칙 중심의 "도메인"을 쉽게 형성한다는 것입니다. 이는 일련의 유지 관리 문제와 코너 케이스 해결 딜레마를 가져오고, 일반적인 완전한 데이터 중심 아키텍처로서 엔드 투 엔드를 가져옵니다. 개발자는 보다 적극적으로 행동하고 데이터 중심 및 모델 중심 사고 패러다임에서 문제를 고려하고 해결하기 시작하여 전체 알고리즘 팀의 인지 수준을 향상시킵니다.

"전반적으로 엔드투엔드 시스템의 개발 효율성은 더 높고 리소스 소비는 적습니다." liu yudong은 엔드투엔드 순수 데이터 기반 개발 패러다임이 무거운 시스템에 대한 원래 투자를 많이 줄일 것이라고 말했습니다. 엔지니어링 자원 및 회사의 자원 초점 전환 데이터 중심 측면에서 높은 인재 밀도로 전환하고 데이터 축적에 투자합니다.

엔드투엔드(end-to-end)가 가져다주는 사용자 가치도 많은 주목을 받았다는 점도 주목할 만하다. liu yudong은 첫째, 롱테일 시나리오 처리 측면에서 엔드투엔드 시스템이 상식 처리 기능 등 원래 시스템보다 더 극단적인 시나리오를 처리할 수 있다고 지적했습니다. 둘째, 자율주행 시스템의 행동은 더욱 의인화되었으며, 소비자와 시스템 사이에 더 강한 신뢰를 구축할 수 있으며, 엔드투엔드(end-to-end)는 강력한 게임 플레이가 있는 시나리오에서 인간 운전자에 더 가깝습니다.

상한은 높고 하한은 낮습니다. 자율주행의 '끝'은 아직인가요?

엔드투엔드(end-to-end) 기술적인 장점이 상당하고, 많은 자동차 회사와 자율주행차 업체들이 적극적으로 엔드투엔드 적용을 추진하고 있지만, 이른바 '엔드게임 모델'에 대해서는 업계 내에서도 여전히 의견이 엇갈린다. ."

wang panqu와 같은 충실한 사람들은 "엔드 투 엔드(end-to-end)는 자율 주행을 실현하는 최종 형태임에 틀림없다고 생각합니다. 그러나 엔드 투 엔드는 단지 기술적인 프레임워크일 뿐이지만 실제로는 구체적인 구현 방법에 대한 옵션이 많이 있습니다. 업계는 아직 합의에 이르지 못했다"고 말했다.

마오지밍(mao jiming)과 같은 합리주의자들은 엔드 투 엔드 솔루션이 "상한은 높지만 하한은 낮은" 특성을 가지고 있다고 지적했습니다. 평신도의 관점에서 보면, 잘 수행하면 좋은 결과를 얻을 수 있지만 잘못 수행하면 기존 솔루션보다 나빠질 것입니다. mao jiming의 견해에 따르면 엔드투엔드 솔루션을 선택할지 여부는 특정 애플리케이션 시나리오에 따라 달라집니다. l5 자율 주행의 경우 엔드 투 엔드가 유일한 솔루션이지만 l2 및 l3의 경우 엔드 투 엔드는 실현 가능한 솔루션 중 하나일 뿐입니다. 또한 엔드투엔드 애플리케이션은 다른 기술 솔루션과 결합되어야 합니다.

"end-to-end는 자율주행의 빠르고 대규모 대중화를 위한 좋은 기술 경로를 제공합니다. 최종 게임인지 여부는 시간이 지나서 검증되어야 합니다." 자율주행은 이미 실현되고 있지만, 구현 품질과 구현 범위에 따라 기술에 대한 요구 사항과 표준이 다릅니다.

l2 수준 자율 주행의 경우 현재 엔드 투 엔드 기술이 l4 수준 자율 주행의 더 나은 경로입니다. 엔드 투 엔드는 새로운 영역을 빠르게 여는 데 도움이 될 수 있습니다. 하지만 l4는 인간 운전자보다 10배 이상 안전 요구 사항이 높아야 하기 때문에 엔드투엔드를 사용하는 것 외에도 운전 의도와 응용 시나리오를 기반으로 한 높은 결정성 지침도 통합해야 합니다. 교통 규제, 운전 선호도 등

liu yudong은 보다 신중한 결론을 내렸습니다. "현재는 end-to-end가 미래 자율주행의 종말이 예상되지만, 장기적인 기술 발전의 가능성은 다양합니다. 3년 전 우리가 그랬던 것처럼, 뜻밖에도 chatgpt와 같은 기술이 등장할 것이며, 2~3년 안에 현재의 chatgpt를 전복시킬 새로운 기술 아키텍처가 등장할 수도 있습니다.”

아직 100% end-to-end가 나오지 않은데, "모범 사례"란 무엇입니까?

엔드투엔드가 자율주행을 위한 최종 솔루션인지 여부는 아직 명확하지 않지만, 실제 적용은 지능형 주행 산업에서 합의된 솔루션이 된 것은 분명합니다. 하지만 업계에서는 엔드투엔드 자율주행 기술 경로의 선택을 둘러싸고 여전히 많은 논란이 존재한다.

현재 zero one automotive는 다중 모드 대형 언어 모델을 기반으로 엔드투엔드 경로를 따라 전진하고 있으며 일부 공개 데이터 세트뿐만 아니라 상하이 인공 지능 연구소(shanghai artificial intelligence laboratory)가 진행하는 자율 주행에서도 성과를 거두었습니다. 올해 cvpr 등과 공동으로 순수 시각적 자율주행 솔루션으로 인터내셔널 챌린지(international challenge)에서 엔드투엔드 자율주행 트랙에서 143개 국제 팀 중 2위를 차지했습니다.

wang panqu는 모듈식 엔드투엔드가 탐색의 초기 단계와 동일하며 현재 학계와 업계에서도 비교적 성숙한 솔루션을 보유하고 있다고 믿습니다. 다중 모드 대형 모델을 기반으로 하는 엔드투엔드 기술 경로의 채택은 자율 주행을 수익성 있는 비즈니스로 전환할 수 있는 잠재력을 가지며, 강력한 일반화가 가능한 기본 모델만이 해당 분야에 필요한 지식 주입 및 통합을 가져올 수 있습니다. 자율주행.

간단히 말해서, 대형 모델의 강력한 일반화는 전체 엔드투엔드 시스템에 성능 이점을 가져다 줄 것이며, 향후 대규모 대량 생산에서 수익성 있는 하이엔드 자율 주행을 달성하는 것도 가능하게 할 것입니다. 더욱이, 미래에는 다중 모드 대형 모델과 월드 모델을 기반으로 하는 이 두 가지 엔드투엔드 기술 경로를 서로 재사용할 수 있습니다.

liu yudong은 원칙적으로 한 모델이 다른 분야에서는 agi 형태에 더 가까운 반면, world 모델은 현재 주로 데이터 생성을 위한 도구이므로 자율주행 시스템으로 사용될 수 있는지 확인하는 데 시간이 더 걸릴 것이라고 말했습니다. . 향후 2년 동안 엔드투엔드 솔루션에는 두 가지 주요 유형이 있습니다. 하나는 모듈식 엔드투엔드이고, 대표적인 대표자는 상하이 인공 지능 연구소(shanghai artificial intelligence laboratory)의 uniad입니다. .wayve의 lingo-2 및 lili가 최근 출시한 drivevlm과 같은 엔드투엔드 모델입니다.

월드 모델에 대해 마오지밍은 다른 견해를 갖고 있다. 그는 월드 모델이 합리적인 엔드투엔드 솔루션이라고 믿습니다. 지능형 주행 알고리즘은 월드 모델을 기반으로 현장을 이해하고 미래에 대해 합리적인 예측을 하며, 이 정보를 바탕으로 의사결정을 내리는 능력을 갖추고 있어 인간의 사고 논리에 더욱 부합하는 솔루션이다.

jiji technology의 공동 창립자이자 수석 과학자인 zhu zheng은 하나의 모델을 교육하는 데 리소스와 시간이 많이 소요되며 데이터의 규모와 품질에 대한 요구 사항이 매우 높다고 덧붙였습니다. 엔드투엔드 방법은 모델 예측 기능을 사용하여 장면 인식 및 운전 행동 결정을 내리며, 이는 인간의 운전 행동 및 습관과 더욱 일치합니다. 그의 소개에 따르면 지지는 현재 월드 모델을 기반으로 한 엔드투엔드 기본 프로토타입 시스템을 보유하고 있으며, 자동차 제조사와 공동으로 검증 중이며 일부 진전이 곧 공개될 예정이다.

지난해 8월 pony.ai는 인식, 예측, 제어라는 세 가지 기존 모듈을 하나의 모델 엔드투엔드 자율주행 모델로 통합했으며, 현재 l4 자율주행 택시와 l2 보조운전 승용차에 동시에 설치되었습니다. . lou tiancheng에 따르면 모듈식 엔드투엔드 모델과 단일 모델 모두 현재 초기 단계에 있으며 아직 대량 생산 및 납품에 대한 검증이 이루어지지 않았습니다. 향후 1~2년 내에는 엔드투엔드 기술 루트가 불일치에서 합의로 전환될 것으로 예상됩니다.

마오 지밍은 "장기적으로 엔드 투 엔드는 결국 하나의 모델 형태로 들어갈 것"이라고 말했다. , xiaopeng 및 기타 회사는 여전히 준엔드 투 엔드 구현이거나 완전한 상태가 아닌 엔드 투 엔드 전환 상태에 있습니다.

요전,극심한자동차 ceo xia yiping은 또한 공개적으로 "시장에 있는 어느 누구도 진정한 엔드투엔드가 아니며 모두 마케팅 수법입니다"라고 말했습니다. jiyue의 현재 엔드투엔드 스마트 운전 솔루션도 '2단계'를 사용하는 것으로 이해됩니다. "기술적 아키텍처.

"블랙박스" 속성은 오해로 회색박스나 흰색박스와 유사하게 만들 수 있습니다.

엔드투엔드 솔루션의 일련의 장점은 여러 모듈을 통합하는 아키텍처에서 비롯되지만 이 설계는 시스템을 원래 이해할 수 있는 "화이트 박스"보다 "블랙 박스"에 더 가깝게 만듭니다. ".

lou tiancheng은 설명 불가능성이 엔드투엔드 시스템의 자연스러운 결함이라고 믿지만 이것이 엔드투엔드 자율주행 기술의 발전을 제한할지 여부는 상황에 따라 다릅니다. l2의 경우 해석 불가능성은 엔드 투 엔드 애플리케이션에 영향을 미치지 않습니다. 예를 들어 모듈식 엔드 투 엔드는 여전히 각 주요 기능 모듈을 유지하며 중간 출력 기능을 해석 가능한 데이터로 추가로 추출할 수 있습니다.

l4의 경우 보안 및 확실성에 대한 요구 사항이 l2보다 훨씬 높습니다. 따라서 엔드투엔드 자율주행 모델이 운전 의도를 더 잘 이해할 수 있도록 교통 규제, 운전 선호도 등 정기적인 지시 사항을 모델에 반영할 필요가 있습니다. 동시에, 해석 가능성을 더욱 향상시키기 위해 추진 의도를 외부 세계로 출력하도록 모델 기능도 업그레이드되어야 합니다.

zhu zheng의 관점에서는 엔드투엔드가 실제로 제품 수준 및 최종 r&d 형태의 블랙박스이지만 사용자를 포함한 엔지니어 및 제품 디자이너의 관점에서는 엔드투엔드가 그레이박스와 유사하게 이루어질 수 있습니다. 상자 또는 흰색 상자.

첫째, 모듈식 조인트 엔드 투 엔드는 인식, 예측 및 계획의 세 가지 모듈을 세부적으로 구분합니다. 모든 계획 결과는 이전 중간 모듈과 연관될 수 있습니다. 둘째, 하나의 모델은 모듈화된 중간 결과를 출력할 수 있으며, 중간 감독을 위해 결과를 표시하면 하나의 모델이 더 잘 수렴될 수 있으며, 모델링된 중간 결과도 엔지니어나 사용자에게 표시될 수 있습니다. 셋째, 세계 모델에서 가장 중요한 것은 예측 능력이며, 예측 결과는 패턴화된 중간 결과와도 연관될 수 있습니다.

mao jiming은 현재 엔드투엔드 '블랙박스' 진술이 전체 모델의 훈련 추론 세부사항을 오해한 것이라고 말했습니다. r&d 인식이 외부적으로 설명될 수 있는 형태로 제시되는 한, 그것은 더 이상 블랙박스가 아닙니다.

wang panqu는 또한 설명 불가능성에 대한 제안이 기술에 대한 대중의 신뢰, 즉 기술 자체의 성능이 모든 사람이 수용할 수 있는 표준에 도달했는지 여부를 반영한다고 믿습니다. 데이터 기반, 알고리즘 설계, 대형 모델 보안 및 기타 관련 기술의 개발로 향후 1~2년 내에 엔드투엔드 성능과 안정성이 크게 도약할 것입니다. 대규모 성능 테스트와 전체 검증을 통해 해석성은 더 이상 중요한 문제가 되지 않습니다.

엔드투엔드 온보딩의 "피크"가 다가오고 있으며 상용차 출시가 더욱 빨라질 것입니다.

wang panqu는 "모듈형 엔드투엔드의 대규모 출시는 지난 1년 내에 이루어졌으며 대규모 언어 모델을 기반으로 한 엔드투엔드에는 1~2년이 더 걸릴 것"이라고 말했습니다. 대량생산이 가능한 고급 자율주행 시스템은 승용차보다 구현이 매우 어렵고, 상용차 시나리오가 승용차보다 더 빨라야 하기 때문이다. 시나리오는 상업적으로 루프를 닫는 것이 쉽고 장면 점근법을 수행하는 것도 편리합니다.

liu yudong은 내년에는 모듈식 엔드 투 엔드(modular end-to-end) 및 단일 모델 엔드 투 엔드(one-model end-to-end)가 더욱 집중적으로 추진되기 시작할 것이라고 믿으며 더욱 낙관적입니다. 또한 liu yudong은 기술 개발 및 인재 수집의 급진적인 정도, 기술 반복 속도 및 기술 적용의 어려움이라는 관점에서 엔드투엔드 상용차와 승용차의 실제 구현 시간은 비슷할 수 있다고 말했습니다. 그러나 승용차의 구현 범위는 상용차에 비해 크고, 상용차는 후기 단계에서 천천히 발전할 것이다.

“엔드 투 엔드 대량 생산에 앞서 이러한 장애물을 극복해야 합니다. 첫 번째는 차량 엔드 컴퓨팅 성능의 준비이고, 두 번째는 엔드 투 엔드 알고리즘의 반복이며, 세 번째는 클라우드 데이터의 규모입니다. 네 번째는 컴퓨팅 성능의 규모이고, 세 번째는 엔드투엔드 알고리즘의 반복입니다. 다섯 번째는 검증 계획입니다.”라고 mao jiming은 말했습니다.

그의 견해에 따르면 tesla와 wei xiaoli, huawei 등 국내 주요 oem 및 기업은 이미 차량 컴퓨팅 성능, 클라우드 데이터 규모, 클라우드 컴퓨팅 성능 규모의 세 가지 측면을 모두 갖추고 있습니다. 올해 말부터 내년 상반기까지 여러 주요 자동차 회사의 엔드투엔드 알고리즘이 내년 하반기부터 대규모로 출시될 수 있으며 업계는 이를 선도할 것입니다. 종단간 대량생산과 출시가 폭발적으로 이루어지고 있습니다.

끝에서 끝까지 간다는 것은 "다시 시작한다"는 뜻인가요?

엔드투엔드 시스템의 개발과 채택은 의심할 여지 없이 전반적인 스마트 드라이빙 솔루션에 기술 혁명을 가져올 것입니다. 그렇다면 엔드투엔드(end-to-end) 시장에 진입하기 위해선 기존 기술을 뒤집을 필요가 있을까?

liu yudong은 원래의 자율주행 기술이 완전히 전복되지는 않을 것이며 특정 알고리즘과 소프트웨어 축적을 엔드투엔드와 공유할 것이라고 믿습니다.

첫 번째는 인식 부분입니다. 현재 많은 엔드투엔드 프런트엔드 카메라 정보 처리 부분이 백본이나 인코더와 같은 bev 방식을 사용합니다. 두 번째는 규제 및 제어 부분입니다. 규제 및 제어에 대한 원래 노하우 중 일부를 엔드투엔드 시스템으로 마이그레이션할 수 있습니다. 세 번째는 데이터 인프라입니다. 이는 기업이 향후 엔드투엔드 운영에 필요한 중요한 기능입니다. bev 솔루션을 구현할 수 있는 기업도 상대적으로 강력한 데이터 인프라를 갖추고 있습니다.

마오지밍의 견해로는 전복 여부는 이전의 기술 솔루션이 무엇이었느냐에 달려 있다. 그는 엔드투엔드 코어가 순수한 데이터 기반 다중 모드 대형 모델이라고 말했습니다. 특정 스마트 드라이빙 회사의 이전 기술 솔루션에 많은 규칙이 있으면 이전 기술 솔루션이 이미 있으면 이러한 규칙이 뒤집힐 것입니다. 대부분 모델 중심으로 변경되었기 때문에 이 부분의 코드는 어떤 형태로든 재사용될 가능성이 높습니다.

end-to-end 알고리즘이 가져오는 r&d 모델의 변화는 모든 oem과 자율주행 기업의 화두이자 가장 고통스러운 부분이라는 점을 강조할 필요가 있다.

wang panqu는 또한 모델 종료 외에도 더 많은 데이터 작업을 엔드 투 엔드로 수행해야 한다고 말했습니다. 첫째, 데이터 폐쇄 루프 시스템과 그 반복 효율성을 재구성해야 하고, 두 번째로 엔드 투 엔드를 수행해야 합니다. 테스트 및 검증, 전체 시뮬레이션 플랫폼의 센서 입력은 매우 현실적이어야 하며 이는 현재 매우 어려운 기술적 문제입니다. 그러나 인건비 측면에서는 엔드투엔드 지능형 주행 시스템의 전체 비용이 비엔드투엔드에 비해 낮다. 엔드투엔드 시스템에는 모듈 수가 적기 때문이다. 20~30명의 엔지니어로 구성된 핵심 팀이면 충분합니다.

또한 mao jiming은 전통적인 모듈식 아키텍처에서 엔드투엔드 모델로 스마트 드라이빙 솔루션의 비용 구조도 변화할 것이라고 지적했습니다. 다양한 규칙을 작성하는 수많은 r&d 전문가의 인건비가 데이터 측면. 이는 대량 생산 능력을 갖춘 oem에게는 좋은 일입니다. 데이터 획득 비용이 저렴하기 때문에 스마트 드라이빙 솔루션의 전체 비용은 실제로 훨씬 더 낮아질 것입니다.

컴퓨팅 성능 투자 측면에서 lou tiancheng은 단기적으로는 대형 컴퓨팅 성능 칩을 구입하면 실제로 현재 비용이 증가할 것이라고 말했습니다. 그러나 장기적으로 end-to-end 기술이 성숙되어 적용되면 초기 투자 비용은 점차 희석될 것입니다.

순수한 엔드투엔드 컴퓨팅 성능 투자는 연간 최소 1억~2억 달러인 모듈식 아키텍처보다 적습니다.

"엔드 투 엔드 모델이 상대적으로 좋은 수준의 훈련을 달성하려면 연간 컴퓨팅 파워 투자에 최소 1억~2억이 필요하며 승용차 트랙의 수는 확실히 훨씬 더 인상적일 것입니다. ."

wang panqu에 따르면 엔드투엔드에 필요한 컴퓨팅 성능은 교육과 배포라는 두 가지 측면으로 나뉩니다. 배포는 구입해야 하는 도메인 컨트롤러 수와 동일합니다. 이 비용은 고정되어 있으며 단일 차량 비용과 관련하여 상대적으로 낮습니다. 가장 큰 비용은 교육 비용인데, 자체 제작 카드와 구매 카드, 클라우드 서비스 제공업체와의 협력 등 두 가지 유형으로 나눌 수 있습니다. 상대적으로 주문량이 많은 자동차 회사의 경우 자체 데이터 센터를 구축하는 것이 비용 효율적인 옵션이지만, 주문량이 적거나 연구 개발 초기 단계인 자동차 제조업체의 경우 클라우드 서비스 제공업체로부터 서버를 임대하는 것이 더 나은 선택입니다.

이전에 li auto의 지능형 운전 담당 부사장인 lang xianpeng은 li auto가 현재 매년 컴퓨팅 성능 교육에 10억 위안을 지출하고 있으며 앞으로 매년 10억 달러를 지출할 것으로 예상된다고 공개적으로 밝혔습니다. "연간 훈련비로 10억 달러를 쓸 수 없다면 미래 자율주행 대회에서 탈락할 수도 있습니다."

컴퓨팅 성능 규모 측면에서 lou tiancheng은 단순한 엔드 투 엔드 자율 주행 모델 훈련이라면 대규모 컴퓨팅 성능을 갖춘 수백 개의 gpu가 이를 지원할 수 있다고 믿습니다. 장기적인 투자가 필요하고 엔드투엔드 품질이 보장된다면 각 자율주행 기업의 훈련 컴퓨팅 파워 규모는 기본적으로 수천 칼로리 수준이며, 자동차 기업은 더 많은 투자를 하게 될 것이다.

mao jiming은 보다 구체적인 엔드투엔드 컴퓨팅 성능 요구 사항을 제시했습니다. 전체 시스템에는 최소 2개의 nvidia orin 또는 단일 nvidia thor가 필요합니다. 그는 순수 엔드 투 엔드 시스템의 컴퓨팅 성능 요구 사항은 모듈식 아키텍처의 전체 컴퓨팅 성능 요구 사항보다 적다고 말했습니다. 그러나 대량 생산 엔드 투 엔드에는 종종 바이패스 시스템이 있습니다. , 컴퓨팅 성능 요구 사항은 일반적으로 이전 모듈식 아키텍처와 동일합니다.

그러나 wang panqu는 차량 측 컴퓨팅 칩의 성능이 향상됨에 따라 컴퓨팅 성능이 향후 엔드투엔드 온보딩에 장애가 되지 않을 것이라고 믿습니다. lou tiancheng도 같은 견해를 가지고 있으며, 고전적인 아키텍처에서 엔드투엔드까지 전체 코드 수가 크게 줄어들 것이며, 엔드투엔드 신경망이 가져오는 컴퓨팅 리소스 소비가 반드시 크게 줄어들지는 않을 것이라고 말했습니다. bev 모델에 비해 개선됐다.

"더 높은 컴퓨팅 성능에 대한 욕구는 엔드투엔드 변환보다는 모델 매개변수 및 모델 성능의 개선에서 더 많이 나옵니다. 또한 엔드투엔드 랜딩 애플리케이션의 관점에서 볼 때, 관련 기업은 더 많이 생각해야 합니다. 가장 중요한 것은 기존 칩 컴퓨팅 리소스를 최대한 활용하여 활용 효율성을 높이는 방법입니다.