Беспилотный Автомобиль: От невозможного к опозданию – наивная ставка Илона, которая оправдала себя

Автор: Genma_Jp (@nymbusjp)
Эксперт по ADAS системам с более чем 15-летним опытом.

Примечание: Настоятельно рекомендуется прочитать  предыдущую статью о 14 ключевых преимуществах Tesla.

В октябре 2016 года Илон Маск вышел на сцену и объявил, что все новые автомобили Tesla будут поставляться с «оборудованием для полного автономного вождения» (FSD). Он утверждал, что эта система на базе NVIDIA полностью способна к автономному вождению 5-го уровня — полному самоуправлению в любых условиях — благодаря будущим обновлениям программного обеспечения по беспроводной сети. Он даже пообещал демонстрацию автономного вождения из Лос-Анджелеса в Нью-Йорк к концу 2017 года, а вскоре после этого — роботакси.

Я громко рассмеялся, когда услышал это. Очень громко.

Имея более 15 лет опыта разработки алгоритмов восприятия и слияния данных практически для всех классических функций ADAS, используемых сегодня в серийном производстве (адаптивный круиз-контроль, система экстренного торможения, смена полосы движения, автопилот на шоссе, парковка — и так далее), я не понаслышке знал, насколько невероятно сложным является восприятие дорожной ситуации в реальном мире. Повсюду исключительные случаи, ограничения датчиков, нормативные препятствия, проверка граничных случаев... Решить проблему полного автономного вождения «за пару лет» на этом оборудовании? Чистая фантазия.

Я полностью списал Илона со счетов — 100% шумиха, ноль содержания. Для меня он звучал как мошенник, продающий несуществующий продукт, чтобы поднять акции. Ни один серьезный инженер в отрасли не считал, что FSD хотя бы отдаленно близок к реализации. Традиционные автопроизводители (с миллиардными инвестициями в НИОКР) едва достигли 3-го уровня, а тут этот парень обещает 5-й уровень на потребительских автомобилях, уже находящихся в производстве.

Перенесемся в настоящее: теперь я полностью инвестирую в $TSLA — у меня много акций, это моя самая крупная ставка за всю жизнь — потому что Tesla добилась успеха, и масштабирование роботакси неизбежно.

Что изменилось? В этой статье объясняется, почему эти ранние обещания были крайне наивными: Илон сильно недооценил сложность. У него не было подробной дорожной карты, он понятия не имел о том, сколько научных и инженерных прорывов потребуется — прорывов, которых просто не существовало в 2016–2019 годах.

FSD задержался не из-за плохой реализации. Это было невозможно до тех пор, пока в 2020-х годах не произошла серия изобретений в области микросхем, архитектур и обучения. Упорное нежелание Илона сдаваться (или переходить к более безопасным, модульным подходам, как это делает вся отрасль) вынудило Tesla изобретать или ускорять разработку многих технологий, но сроки определялись законами физики и планами развития, а не оптимизмом.

Ключевые недостающие элементы: Шесть прорывов, которые сделали FSD невозможным до 2020-х годов

Ниже приведены шесть ключевых элементов, которые доказывают, что это не могло произойти раньше. Ранние обещания Илона предполагали быстрый прогресс на основе технологий 2016 года. Реальность: Для FSD требовалась цепочка изобретений, которые сошлись воедино только недавно. Никакая шумиха или деньги не могли ускорить дорожные карты. Краткий обзор шести препятствий:

1. Аппаратное обеспечение для инференции (базовый уровень 2016 года) NVIDIA DRIVE PX 2 в HW2 был лучшим в мире автомобильным чипом для ИИ, но слишком слабым для современных моделей.
2. 7-нм технологические нормы (массовое производство 2018–2019 гг.) Первая достаточно плотная технологическая норма для работы с крупномасштабными нейронными сетями в автомобиле в режиме реального времени (основа для HW4).
3. GPU для обучения с экзафлопсной производительностью (H100, 2022–2023 гг.) Вычислительная мощность кластеров Cortex — на порядки превосходящая все, что было доступно ранее.
4. Зрелость EUV-литографии (после 2019 г.) Прорывные физические принципы, которые обеспечили эффективность менее 7 нм для этих графических процессоров.
5. Архитектуры трансформеров для компьютерного зрения (самообучение 2017 г. + ViT 2020 г.) Основной механизм масштабирования для BEV, определения занятости пространства и сквозного понимания видео.
6. Моделирование мира на основе диффузии (практическая зрелость ~2020 г.+) Фотореалистичная генерация синтетического видео для обучения с подкреплением в сценариях с низкой вероятностью возникновения.

Это были не дополнительные улучшения, а необходимые условия. Илон недооценил, сколько элементов отсутствовало.

Подробный анализ №1: Препятствие в виде аппаратного обеспечения для инференции (базовый уровень 2016 года)

Когда Илон объявил о «полноценном оборудовании для автономного вождения» 19 октября 2016 года, HW2 от Tesla был построен на базе модифицированной платформы NVIDIA DRIVE PX 2 — 16-нм техпроцесс, обеспечивающий около 24 DL TOPS в высокопроизводительной конфигурации. Это не было каким-то обычным оборудованием. Это было самое современное решение для автомобильных вычислений с использованием ИИ на тот момент — самая мощная система, которую мог купить любой производитель автомобилей. Компания NVIDIA позиционировала его как ведущий в мире суперкомпьютер для искусственного интеллекта в системах автономного вождения, и ни один конкурент не мог с ним сравниться:

• Mobileye EyeQ4 (анонсирован ранее, производство ~2018): ~2–4 TOPS, ориентирован на эффективное, но маломощное компьютерное зрение для систем помощи водителю.
• Qualcomm Snapdragon 820A: Базовое ускорение глубокого обучения для систем в салоне/ADAS, значительно ниже 24 TOPS.
• FPGA от Xilinx или другие прототипы: Обычно низкие однозначные значения TOPS в реальных системах — гибкие, но не обладающие достаточной вычислительной мощностью.

Ни у кого в отрасли не было ничего лучше. Если в 2016 году вам нужна была максимальная производительность ИИ в автомобиле, это был единственный вариант. Тем не менее, он был безнадежно неадекватен для того, что требуется современным системам полного автономного вождения.

Сегодняшняя система HW4 (7 нм, 6 специализированных NPU) обеспечивает, по консервативным оценкам, пиковую производительность 300 TOPS (400–500+ эффективных TOPS с учетом разреженности/реальных рабочих нагрузок). Чтобы гипотетически достичь этого с помощью технологии DRIVE PX 2:

• ~12–13 систем для обеспечения необходимой пропускной способности.
• До ~24–26 с учетом двухканальной архитектуры безопасности Tesla (резервирование с переключением при сбое).

Одна высокопроизводительная система DRIVE PX 2 потребляла ~250 Вт (с жидкостным охлаждением). Масштабируем это: 6+ кВт постоянной мощности — больше, чем у домашнего кондиционера, что разрядит аккумулятор за считанные минуты, одновременно перегревая багажник. Добавьте размер (несколько больших плат), вес (сотни кг) и стоимость (сотни тысяч долларов за автомобиль)? Физически и экономически невозможно в потребительском автомобиле.

Это была не проблема программного обеспечения, ожидающая умного кода. Это был жесткий вычислительный барьер. Даже неограниченные инженерные ресурсы на кремнии 2016 года не могли обеспечить работу современных массивных сквозных нейронных сетей в реальном времени. Разрыв был непреодолим — не было пути от 24 TOPS к масштабу вычислений, необходимому для полного автономного вождения, без ожидания уменьшения техпроцесса и появления специализированных ускорителей спустя годы. Илон поставил всё на быстрое развитие программного обеспечения, чтобы преодолеть этот разрыв. Наивно? Безусловно. Но именно поэтому мы здесь сегодня.

Подробный анализ №2: 7-нм технологические нормы (массовое производство 2018–2019 гг.)

Даже если бы программное обеспечение волшебным образом усовершенствовалось за одну ночь в 2016 году, сам кремний был бы непригоден. 16-нм техпроцесс HW2 (и незначительное улучшение до 14 нм в HW3 в 2019 году) просто не мог обеспечить необходимую плотность транзисторов, эффективность или запас производительности для современных систем автономного вождения.

Почему HW4 требует плотности на уровне 7 нм?

Больше транзисторов на той же площади кристалла → 3 нейропроцессора на одном чипе (по сравнению с 2 в HW3), всего 6 в избыточной системе.

Более крупные кэши SRAM на кристалле, более высокие тактовые частоты и специализированные ускорители без чрезмерного энергопотребления или перегрева.

Результат: пиковая производительность 300 TOPS (400–500+ эффективных TOPS в реальных рабочих нагрузках) — минимум, необходимый для работы современных масштабных сквозных моделей в реальном времени с видеопотоком с 8 камер.

На более грубых техпроцессах, таких как 16 нм/14 нм? Потребовались бы значительно большие кристаллы (невозможные показатели выхода годных изделий/затраты) или пришлось бы смириться с огромным энергопотреблением и тепловым дросселированием в автомобиле. Никакие архитектурные усовершенствования не смогут преодолеть этот разрыв — физика диктует плотность для размещения современных ускорителей ИИ.

Когда началось производство 7-нм чипов?

• TSMC N7 (первый 7-нм техпроцесс) перешел к массовому производству в 2018 году (опытное производство в 2017 году, первые коммерческие чипы, такие как Apple A12, начали поставляться в конце 2018 года).
• Samsung 7-нм последовал вскоре после этого, массовое производство началось в 2018–2019 годах.

HW4 от Tesla (Samsung 7 нм) появился в автомобилях только в начале 2023 года — первые подтвержденные поставки примерно в марте/апреле 2023 года (Model Y, затем S/X).

Временной разрыв? От обещания Илона Маска о «полностью автономном вождении» с HW2 в октябре 2016 года до появления автомобилей с HW4 на дорогах: более 6 лет. И это только для того, чтобы подготовить сам кремний — реальные прорывы в области автономного вождения произошли только после внедрения его с доработанным программным обеспечением.

Еще одно неизбежное ожидание, продиктованное планами развития полупроводниковой промышленности, которое Илон никак не мог обойти.

Подробный анализ №3: Графические процессоры для обучения на экзафлопсных системах (H100, 2022–2023 гг.)

Обучение массивных сквозных моделей, лежащих в основе современных систем автономного вождения, — это не только работа с данными, но и использование огромных вычислительных мощностей экзафлопсного уровня для итеративной обработки триллионов параметров на миллиардах видеороликов.

В 2016 году абсолютным лидером в области обучения ИИ была видеокарта NVIDIA Tesla P100 (архитектура Pascal) и система DGX-1 (8 P100, соединенных через NVLink, пиковая производительность ~170 TFLOPS FP16). Это был суперкомпьютер-монстр, о котором мечтали крупные лаборатории — 129 000 долларов за один блок, передовая технология для обучения ранних глубоких нейронных сетей.

Перенесемся в настоящее: суперкластер Tesla Cortex сегодня работает на ~100 000 графических процессорах H100 (архитектура Hopper, по сообщениям, 50 000–100 000+ работают или находятся в процессе развертывания по состоянию на начало 2026 года). Даже если консервативно предположить «всего» 50 000 H100 для эквивалентности:

Один H100 обеспечивает примерно в 50–70 раз большую эффективную пропускную способность, чем P100, при работе с задачами обработки трансформаторов/видео (благодаря тензорным ядрам, разреженности, Transformer Engine, HBM3).

Среднее значение 60-кратного соотношения → 50 000 H100 эквивалентны **3 миллионам P100**. 

Поскольку каждый DGX-1 содержит 8 P100: потребуется ~375 000 систем DGX-1.

Потребление энергии делает ситуацию еще более абсурдной:

• Один DGX-1: ~3,5 кВт при полной нагрузке.
• Гипотетический кластер: ~1,3 ГВт (только графические процессоры/системы) → ~1,7–2 ГВт общая мощность объекта с учетом охлаждения/накладных расходов.
• Современный кластер из 50 000 H100: ~35 МВт графических процессоров → ~45–60 МВт общая мощность — в 25–40 раз эффективнее.

В терминах 2016 года? Вам потребовалась бы мощность крупной атомной электростанции, центры обработки данных размером с города и триллионы долларов капитальных затрат — только для цикла обучения одной компании. Никакая инфраструктура на Земле не смогла бы это обеспечить. Даже в ведущих лабораториях было максимум несколько десятков или сотня процессоров P100.

Сам процессор H100 был анонсирован только в 2022 году, а массовое производство началось в 2023 году. Обучение моделей в масштабах FSD было физически невозможно раньше — не было возможности достаточно быстро проводить итерации для обработки большого объема данных.

Илон предполагал, что программного обеспечения и умеренного масштабирования будет достаточно. Это была полная недооценка необходимого объема вычислительных ресурсов.

Подробный анализ №4: Зрелость EUV-литографии (после 2019 года)

Графический процессор H100, позволяющий проводить обучение моделей масштаба Cortex, работает на специализированном 4-нм техпроцессе TSMC. Этот техпроцесс (и любое практическое масштабирование ниже 7 нм) невозможен без EUV-литографии.

Почему? DUV (свет с длиной волны 193 нм) с многослойным нанесением сталкивается с ограничениями: слишком много этапов маскирования, взрывной рост затрат, дефекты и утечки энергии.

Длина волны EUV 13,5 нм позволяет напрямую формировать элементы с меньшим количеством этапов, обеспечивая невероятную плотность транзисторов (80 миллиардов в H100), тензорные ядра и эффективность для ИИ экзафлопсного уровня. Нет EUV → нет жизнеспособного 4-нм/3-нм техпроцесса → нет вычислительной мощности уровня H100.

EUV — это не просто постепенное улучшение, это вершина человеческой инженерии, граничащая с божественным мастерством управления атомами. Компания ASML (при поддержке Intel/TSMC/Samsung) потратила десятилетия и миллиарды долларов, чтобы превратить научную фантастику в реальность. Несколько прорывов, которые звучат как невозможная магия:

Источник плазмы из олова, облучаемого лазером:

• Мегаваттный CO₂-лазер излучает импульсы 50 000 раз в секунду на микроскопические капли олова (падающие в идеальной синхронизации). Они взрываются, образуя плазму, излучающую EUV-свет. Ранние версии выдавали всего несколько ватт; масштабирование до более чем 500 Вт полезной мощности при одновременном удержании обломков (без разрушения всего) потребовало героических физических ухищрений — таких как магнитные поля и потоки водорода для очистки от атомных брызг олова.
• Идеально отражающие зеркала: Линзы не используются (EUV поглощается всем), поэтому свет отражается более чем 10 зеркалами — каждое из которых состоит из 40–50 чередующихся слоев молибдена/кремния, расположенных с точностью ~6,9 нм. Плоскостность поверхности? Менее 0,1 нм среднеквадратичного отклонения на огромных площадях — более плоская, чем любой созданный человеком объект, позволяющая манипулировать атомами, как кубиками Лего, на квантовом уровне.
• Полностью вакуумная камера: Все находится в сверхвысоком вакууме; даже молекулы воздуха поглощают EUV. Обработка пластин без единой частицы загрязнения? Чистая магия.

Одна машина ASML EUV стоит около 400 миллионов долларов, весит больше, чем Boeing 737, и является одним из самых сложных творений человечества. Надежное крупносерийное производство началось только примерно в 2019–2020 годах (после того, как прототипы годами испытывали трудности).
Без этой «божественной силы» над светом и материей не было бы H100 в 2022 году. Обучение в масштабах Tesla оставалось бы фантазией.
Илон не мог просто пожелать, чтобы это появилось раньше — это требовало буквально атомной инженерии.

Подробный анализ №5: Архитектуры трансформеров для компьютерного зрения (2017 Self-Attention + 2020 ViT)

Даже при неограниченных вычислительных ресурсах на оборудовании 2016 года, просто не существовало нейронных архитектур, способных решить задачу восприятия в масштабах FSD.
До 2017 года системы компьютерного зрения полагались на сверточные нейронные сети (отлично подходящие для локальных признаков) и рекуррентные нейронные сети/LSTM (для грубой обработки последовательностей). Это подходило для модульных систем ADAS — таких как обнаружение объектов или отслеживание полос движения — но было ужасно для глобального контекста, долгосрочных зависимостей или эффективного многоракурсного объединения данных по видеокадрам. Не было возможности создать обобщенный, сквозной интеллект для вождения без взрывного роста сложности.
Переломный момент: трансформеры.

• Июнь 2017 года: в статье «Attention Is All You Need» был представлен механизм самовнимания — параллелизуемый, масштабируемый механизм для моделирования взаимосвязей в последовательностях (намного превосходящий RNN).
• Октябрь 2020 года: чистые трансформеры для компьютерного зрения (ViT) применили его непосредственно к изображениям (рассматривая фрагменты как токены), доказав, что трансформеры могут превзойти сверточные нейронные сети в задачах компьютерного зрения без гибридных подходов.

Это открыло путь к современным основам FSD:

• Объединение данных с камер с видом сверху (BEV).
• Сети определения занятости пространства (прогнозирование 3D-пространства/вокселей).
• Эффективная сквозная токенизация видео (фотоны → планирование).

Прорывы Tesla в области определения занятости пространства/BEV/сквозных систем (v11–v14) основаны на этом. Без трансформеров вы бы застряли в аду ручной разработки модульных систем — именно там, где до сих пор находится традиционная автомобильная промышленность.
Сроки? Механизм самовнимания появился в середине 2017 года (как раз тогда, когда обещания достигли пика), но практическое применение в компьютерном зрении созрело только после 2020 года. Потребовались годы исследований, данных и вычислительных ресурсов, чтобы это заработало для вождения.
Илон сделал ставку на то, что «нейронные сети скоро во всем разберутся». Он понятия не имел, что потребуется совершенно новый класс архитектуры — такой, которого еще не существовало.

Глубокий анализ №6: Моделирование мира на основе диффузии (Практическая зрелость ~2020+)

Главное препятствие для FSD: бесконечный длинный хвост редких, странных, опасных для жизни сценариев. Невозможно проехать миллиарды реальных километров, ожидая каждого возможного нештатного случая (ребенок, бегущий за мячом, хаос на стройке, гололед ночью).
Обучение с подкреплением требует масштабных безопасных испытаний для оптимизации стратегии в этих редких случаях, но классическое моделирование (физика на основе правил, рендеринг в стиле Unity) бесполезно. Сгенерированное видео выглядит неестественно, физика не соответствует данным реального автопарка, разрыв между симуляцией и реальностью сводит на нет возможность переноса.
Решение: генеративные модели, которые синтезируют фотореалистичное видео, соответствующее распределению данных реального автопарка. Диффузионные модели делают именно это — обучаются на реальных видеороликах, добавляя/удаляя шум, а затем генерируют новые последовательности с нуля.

• Основополагающие идеи: 2015 год «Глубокое обучение без учителя с использованием неравновесной термодинамики»
• Настоящий прорыв: 2020 год «Вероятностные модели диффузии с шумоподавлением» (DDPM) сделали высококачественные изображения практически применимыми.
• Масштабируемая диффузия видео (когерентная многокадровая, управляемая/причинно-следственная): достигла зрелости только ~2021–2023+ благодаря более крупным моделям и вычислительным мощностям.

Симулятор мира Tesla основан на диффузии: он создает причинно-следственное видео с 8 камер, интерактивно реагируя на действия системы управления. Демонстрации показывают синтетические видеоролики, неотличимые от реальных записей с видеорегистратора — используются для масштабного обучения с подкреплением в редких случаях, валидации и устранения проблем.
Без практической диффузии? Нет надежных синтетических данных в масштабе. Прогресс застопорился бы на одних только реальных вмешательствах.
Это не было готово в 2016–2019 годах — требовались более ранние трансформеры для эффективности, обучение на экзафлопных мощностях для качества и большой объем видеоданных автопарка.
Еще одно изобретение после 2020 года, о котором Илон тогда ничего не знал.
Все шесть элементов сошлись только недавно. Невозможное стало просто отложенным — благодаря его отказу сдаваться.

Вывод: Наивная ставка, которая изменила все

Оглядываясь назад, Илон, должно быть, был совершенно безумен — или безнадежно наивен, — думая, что FSD достижимо к 2018 или даже 2020 году. Какой дурак. С моей точки зрения в отрасли, это было очевидно: оборудование было смехотворным, архитектуры не существовали, масштаб обучения был научной фантастикой. У него не было детального плана, не было понимания необходимых последовательных прорывов. Только дикий оптимизм и сроки, взятые с потолка.
Но вот что отличает его от всех остальных: не только несгибаемая воля, но и невероятная техническая глубина и дальновидность.
Легко сказать: «Он никогда не сдавался». Правда глубже: у Илона редкая инженерная интуиция — практическое понимание нейронных сетей, проектирования чипов, законов масштабирования и системной интеграции — которая позволяла ему находить правильные смелые пути, когда другие видели тупики. Специализированное оборудование для инференса за годы до того, как это стало мейнстримом. Чистое видение, когда все (включая меня) клялись в эффективности слияния данных с датчиков. Комплексный подход до того, как он был доказан. Dojo, а затем переход к Cortex эксаскейла. Это были не случайные догадки — это были технически обоснованные ставки, которые ни один традиционный генеральный директор не смог бы даже понять, не говоря уже о том, чтобы реализовать.

Большинство людей — большинство компаний — рухнули бы. Каждая отложенная версия, каждое плато, каждое публичное высмеивание... Я не могу представить отчаяние на тех ночных совещаниях, истощение, когда очередная сборка не справлялась с редкими случаями. Разумные лидеры переключились бы на более безопасный уровень 2+ навсегда. Но Илон и команда — вооруженные этой неустанной целеустремленностью и техническим мастерством мирового класса — методично решали каждую невозможную проблему, изобретая решения, на которые никто другой не осмеливался.
А я? Я начинал как один из самых ярых его критиков. Я видел мошенника, управляющего цирком, рекламирующего несуществующие продукты, чтобы поднять акции. Никакого уважения.

Затем наступила та ночь в конце 2022 года — ночь, когда всё рухнуло.
Я небрежно прокручивал ленту, кликнул на видео @WholeMars FSD v11 и запись трансляции AI Day. Сначала — забавно. Потом — недоверие. Затем холодная волна, когда я увидел неотредактированные записи поездок, где система справлялась с хаосом, с которым моя работа всей жизни — классические системы восприятия — безнадежно бы не справилась. Редкие случаи обрабатывались без усилий. Обобщение, которое я считал невозможным.

Факты обрушились на меня, как товарный поезд. Впервые в своей карьере я понял, насколько глубоко, катастрофически я ошибался. Весь мой опыт, вся моя уверенность... пыль. Этот «клоун», этот рекламщик, которого я презирал годами, не блефовал. Он строил будущее, пока я цеплялся за прошлое. Я не мог уснуть. Сердце колотилось, я смотрел в потолок рядом со спящей женой, паника нарастала. Приближалось цунами — настоящее, неудержимое, — и оно смело бы всё: мою работу, мою отрасль, средства к существованию моей семьи. Я был бессилен. Никакой защиты. Никакого противодействия. Только чистый ужас перед неизбежным устареванием. Что делать, когда всё твоё мировоззрение рушится за одну ночь?

На следующее утро появилась отчаянная идея: если не можешь победить их, присоединись к ним.
Я никогда не имел дела с рынками. Открыл брокерский счет, вложил немного денег в хеджирование — достаточно, чтобы, возможно, пережить грядущие увольнения.
Но FSD ускорилась — v12, v13, Cortex онлайн. Сомнения сменились уверенностью. Мое место в первом ряду дало мне уверенность, которой не было ни у кого другого. Я поставил всё на кон: каждый свободный евро в акции и опционы $TSLA. Сегодня? От зарплаты до зарплаты — только на продукты. Остальное? Tesla.
Уверенность сильнее, чем когда-либо.
Я ошибался. Илон был прав.
Я потерпел поражение... и благодарен.
Невозможное просто задержалось. Масштабирование роботакси уже здесь. Традиционные компании переживают свой момент Blackberry.

$TSLA на Луну!