Mehr als 50 Firmen forschen und arbeiten an speziellen Chips für künstliche Intelligenz und Deep Learning. Das nun auch Tesla seinen eigenen Halbleiter entwickelt hat und damit Nvidia verbannt, zeigt die immense Bedeutung der Halbleiter für das Automobil.
Der Markt für KI-Chipsets soll bis 2025 auf über 60 Milliarden US-Dollar ansteigen.
Andreas Burkert
Nun wagt Tesla auch diesen Schritt. Mit mehr als sechs Milliarden Transistoren, die auf einem nur 260 mm² großem Stück Silizium untergebracht wurden, will der US-amerikanische Automobilhersteller jetzt den Halbleitermarkt antreiben. Nach mehr als drei Jahren Entwicklung muss der sogenannte FSD-Chip seit diesem März seine Bewährungsprobe überstehen. Laut Elon Musk verfügen seit diesem Zeitpunkt alle Model S und Model X und seit April 2019 auch alle Model 3 über den neuen Halbleiter. Der sei im Übrigen günstiger und effizienter als die Nvidia-Hardware, wie sie bisher die automatisierten Fahrfunktionen dort gerechnet hat, so Musk anlässlich der Tesla Autonomy Days. Ersten Angaben zufolge erreicht der Chip eine Rechenleistung von 74 Teraops.
Gegenüber den 21 Teraops von Nvidias Drive Xavier ist das eine enorme Steigerung. Ein weitaus beachtlicherer Wert aber ist die geringere Energieaufnahme von nur 72 Watt. Denn je effizienter ein neuronales Netz die Fahrfunktionen rechnet, desto größer ist die Reichweite. Im Sinne der Ausfallsicherheit vertraut Tesla auf zwei Chips, die auf einer Platine mit doppelter Stromversorgung untergebracht sind. In Zeiten, in denen enorme Datenmengen für das Steuern autonomer Fahrfunktionen notwendig sind, erhofft sich Musk mit dem FSD-Halbleiter erhebliche Fortschritte bei hochautomatisierten Fahrzeugen. Dazu zählt er auch Robotertaxis, die der Firmenchef bereits für das kommende Jahr ankündigt.
Künstliche Intelligenz auf Silizium gebracht
Ob der Termin gehalten wird, hängt allerdings zwar noch von vielen anderen Faktoren ab. Sicher aber ist, dass die Leistung des neuen Halbleiters das autonome Fahren früher auf die Straße bringen wird. Denn lange Zeit waren 19 kDMIPS gesetzt, um autonome Fahrfunktion ab Level 2 Premium, also L 2+, hinreichend gut umzusetzen. Ein DMIP ist ein nach dem Dhrystone-Benchmark ermittelter MIPS-Wert. Und dieser gibt an, wie viele Millionen Instruktionen pro Sekunde ein System lösen kann. "Um Level 3/4-Systeme marktreif entwickeln zu wollen, müssen Rechnersysteme ins Fahrzeug implementiert werden, die mehr als 270 kDMIPS vorweisen können". Das rechnet Rob Cgsonor im Interview "Grafikprozessoren lösen CPUs im automatisierten Fahrzeug ab" aus der ATZelektronik 1-2/2019 vor.
Im Gespräch mit dem Magazin erklärt der Vice President of Autonomous Machines bei Nvidia, dass das äußerst komplexe und anspruchsvolle Problem des autonomen Fahrens seiner Ansicht nach nur mittels leistungsstarker und energieeffizienter Computersysteme gelöst werden kann, "die mehrere Arten von Prozessoren nutzen". Cgsonor verweist in diesem Zusammenhang vor allem auf Grafikprozessoren und Deep-Learning-Beschleuniger, die neben Central Processing Units (CPU) zum Einsatz kommen müssen. Die in Grafikkarten verwendeten Grafikprozessoren (GPU) werden im Übrigen auch bevorzugt für Anwendungen rund um die künstliche Intelligenz genutzt. Und damit rückt die Datentransferleistung in den Mittelpunkt der Entwickler.
Hohe Datentransferleistung
Eine Herausforderung, die das britische Unternehmen Graphcore mit seinen IPU (Intelligence Processing Unit) lösen will. Die Chip-Architektur wurde deshalb von vornherein so konzipiert, dass das gesamte Modell im Chip selbst gespeichert und trainiert werden kann. Externe Speicherzugriffe sollten nur noch sehr selten durchgeführt werden müssen. Experten erwarten im Übrigen, dass bereits mit der ersten Generation von IPUs, die unter dem Namen "Colossus" noch dieses Jahr vorgestellt werden soll, eine Geschwindigkeitsverbesserung um den Faktor 100 gegenüber den heute gängigen GPUs möglich ist.
Von welch großer Bedeutung die Halbleiter für das Einführen autonomer Fahrfunktionen hat, zeigt der Umstand, dass weltweit mittlerweile über 50 Firmen an speziellen Chips für künstliche Intelligenz und Deep Learning forschen und arbeiten. Vom Start-up bis zum Konzern, die in den USA ebenso beheimatet sind wie in China, werden enorme Summen in das Entwickeln KI-basierter Systeme investiert. Laut der Marktforschungsunternehmens CB Insights wurden alleine im vergangenen Jahr über 1.5 Milliarden US-Dollar in Start-ups investiert, die sich auf Chips mit künstlicher Intelligenz spezialisiert haben.