揭開道場的秘密

Dojo 是由 Tesla 內部設計的專用超級電腦，用於訓練每輛 Tesla 車輛中安裝的全自動駕駛（FSD）系統。

Dojo 可以取代特斯拉目前基於 A100 的數據中心，該數據中心擁有 14,000 個 A100 芯片，並且是世界第七大數據中心。

埃隆·馬斯克在 2019 年的 AI 日首次提到道場。Dojo 旨在解決培訓大量視頻數據的問題。作為一種稱為 ExaPod 的數據中心的形式，它具有 3,000 D1 芯片和 1.1 電子 FLOP 的單精度計算能力。

預計將在 2023 財政年度出貨 40,000 至 50,000 個 D1 芯片。第一台 ExaPod 於 2023 年 7 月投入運行，預計六個 ExaPod（具有 7.7eFLOP）將在短時間內部署到帕洛阿爾托數據中心。2024 年第四季度的目標是為道場實現 100 個電話時的電腦運算能力，相當於大約 91 個叢集。

D1 專門設計用於支持 FSD 的視覺神經網絡，Tesla 開發了包括低級軟件和編譯器的全堆疊軟件包。結果：

一個. 道場的訓練效率高於 DGX A100，並且由 25 個 D1 芯片組成的磁磚提供了比 24 A100 快 30 倍的推論速度。消防處的訓練時間可由一個月縮短至一星期內。

B. 與 Nvidia 的 A100 相比，Dojo 以相同的成本提高了四倍的性能，降低了 1.3 倍的功耗，小五倍的尺寸，並提高了網絡培訓速度 4 倍，自動註釋速度提高了 3.2 倍。

C.道場的成本只有 A100 的 1/6。要達到 100 個電子浮動產品，將需要約 30 萬個 A100 籌碼，成本約為 75 億美元。另一方面，如果部署了 91 個 Exapods，則成本約為 1.25 億美元，從而節省了 50 億美元。

特斯拉的自動駕駛技術主要依賴於「相機 + 傳感器」視覺技術路線，這需要大量數據才能訓練 FSD 系統。所需的資料越多，所需的運算能力就越多。如果要實現完全自動駕駛，則需要更多的計算能力來支持大規模數據培訓。但是，特斯拉在計算能力方面遇到了困難：

答：無法購買。在 AI 爆發之後，所有科技公司都在努力購買 Nvidia GPU。由於台積公司的容量限制，Nvidia 的 GPU 供應不足，因此難以滿足特斯拉的計算能力需求。

B. 無法負擔。由於高需求和供應限制，Nvidia GPU 的價格飆升，增加了採購成本。

C. 不具成本效益。與 Nvidia 的通用芯片相比，使用 D1 等專用芯片進行 FSD 視頻數據培訓將更有效率和更快。特斯拉目前的需求很明確，那麼為什麼要花錢購買未使用的功能呢？

答：降低成本並提高效率，但目前沒有準確的數據來驗證這一點。

B. 有利於加快自動駕駛技術的發展，大大加快特斯拉邁向完全自主的時間表，並顯著提高軟件業務（例如 FSD 訂閱和授權）和共享旅行業（如 Robotaxi）的支付率和 ARPU。

馬斯克的其他公司將受益於道場（如 X，SpaceX 等）。

D. 未來，Tesla 可能會推出類似於亞馬遜的雲端租賃服務，向非 Tesla 客戶開放 Dojo 並為其充電。

E. 其他獲得消防處授權的汽車製造商自然需要部署 Dojo 以提高訓練效率。如果隨後驗證 Dojo 系統的模型訓練效率優於其他計算系統（包括 NVDA），Tesla 可能會成為市場上最好的機器視覺訓練系統供應商。

F. 涉及複雜視覺感知任務的其他場景也可以使用 Dojo（例如機器人，航空，安全等）。