[Перевод] Tesla Autonomy Investor Day. Разработка Full Self-Driving Computer (расшифровка)

Перевод первой части презентации Tesla Autonomy Investor Day, посвященной разработке компьютера Tesla Full Self-Driving Computer (FSDC) для автопилота Tesla. Восполняем пробел между тезисными обзорами на презентацию и её содержанием.
Текст презентации переведен близко к оригиналу. Вопросы к докладчику — избирательно с сокращениями.

Извините за опоздание. Хост: Всем привет. Я надеюсь, мы сможем делать это более регулярно, чтобы держать вас в курсе наших разработок. Добро пожаловать на наш первый день автономного вождения.

Я тогда сказал, что самый большой пробел в разговорах с инвесторами, между тем, что я вижу внутри компании и каково её внешнее восприятие, это наш прогресс в автономном вождении. Около трех месяцев назад мы готовились к отчету о доходах за четвертый квартал с Илоном и другими руководителями. На самом деле, многое происходило на заднем плане. И это понятно, последние пару лет мы говорили о наращивании производства Model 3, вокруг чего было много споров.

Мы подумали, что это хорошая идея — просто открыть завесу, пригласить всех и рассказать обо всем, что мы делали в течение последних двух лет. Мы работали над новым чипом для автопилота, полностью переработали нейронную сеть машинного зрения, и наконец, начали выпускать Full Self-Driving Computer (FSDC).

Мы обнаружили, что нет чипа, который был разработан с нуля для нейронных сетей. Около трех лет назад мы хотели использовать, хотели найти лучший чип для автономного вождения. У него около 35 лет опыта в разработке чипов. Поэтому мы пригласили моего коллегу Пита Бэннона, вице-президента по разработке интегральных схем, разработать такой чип для нас. A. В том числе 12 лет в компании P. Он работал над десятками различных архитектур и реализаций, и был главным дизайнером Apple iPhone 5, незадолго до присоединения к Tesla. Semi, которая позднее была приобретена Apple. Спасибо. К нам также присоединяется на Илон Маск.

Это честь, что ты и твоя команда в Tesla. Илон: Вообще-то, я собирался представить Пита, но раз это уже сделали, я добавлю что он просто лучший архитектор систем и интегральных схем в мире, которого я знаю. Пожалуйста, просто расскажи про невероятную работу, которую вы выполнили.

Мне приятно быть здесь сегодня утром и по-настоящему приятно рассказать вам обо всей работе, которую мои коллеги и я выполнили здесь, в Tesla, за последние три года. Пит: Спасибо Илон. Мы углубимся в сам чип и рассмотрим некоторые из деталей. Я расскажу вам немного о том, как все это началось, а затем познакомлю вас с компьютером FSDC и расскажу немного, как он работает. Я опишу, как работает специализированный ускоритель нейронной сети, который мы спроектировали, а затем покажу некоторые результаты, и, надеюсь, к тому времени вы еще не уснете.

Я спросил Илона, готов ли он потратить столько, сколько потребуется для создания этой специализированной системы, он спросил: «Мы победим?», я ответил: «Ну, да, конечно», тогда он сказал «Я в деле» и так все началось. Я был принят на работу в феврале 2016 года. Мы потратили восемнадцать месяцев на разработку первой версии, и в августе 2017 года выпустили его для производства. Мы наняли кучу людей и начали думать о том, как будет выглядеть чип, разработанный специально для полностью автономного вождения. В апреле 2018 года мы внесли несколько изменений и выпустили версию B zero Rev. Мы получили чип в декабре, он заработал, и на самом деле заработал очень хорошо с первой попытки. В декабре 2018 года стек автономного вождения заработал на новом оборудовании, и мы смогли приступить к переоборудованию служебных автомобилей и тестированию в реальном мире. В июле 2018 года чип был сертифицирован, и мы приступили к полномасштабному производству. мы начали установку нового компьютера в модели S и X, а в апреле — в Model 3. В марте 2019г.

Это, пожалуй, самая быстрая программа разработки системы, в которой я когда-либо участвовал. Итак, вся программа, от найма первых сотрудников до полного запуска во всех трех моделях наших автомобилей, заняла чуть более трех лет. И это на самом деле говорит о преимуществах высокой вертикальной интеграции, позволяющей вам выполнять параллельное проектирование и ускорять развертывание.

Если у вас один-единственный клиент, вам не нужно беспокоиться о других. С точки зрения целей, мы были полностью сосредоточены исключительно на требованиях Tesla, и это значительно облегчает жизнь. Мы также хотели снизить стоимость, чтобы обеспечить избыточность для большей безопасности. Одной из целей было сохранение мощности ниже 100 Вт, чтобы мы могли переоборудовать существующие машины.

Поэтому мы хотели получить, по крайней мере столько, а лучше больше. В то время, когда мы тыкали пальцем в небо, я утверждал, что для управления автомобилем потребуется производительность нейронной сети не менее 50 триллионов операций в секунду. Например, у TPU Google размер пакета 256, и вам нужно ждать, пока у вас не наберется 256 элементов для обработки, прежде чем вы сможете начать работу. Размеры пакета (batch) определяют количество элементов, с которыми вы работаете одновременно. Как только изображение появляется, мы немедленно обрабатываем его, чтобы минимизировать задержку и увеличить безопасность. Мы не хотели ждать и разработали наш движок с размером пакета один.

Поначалу она занимала довольно много, но мы предполагали, что со временем её станет меньше, поскольку нейронные сети становятся все лучше и лучше. Нам требовался графический процессор для выполнения некоторой постобработки. Мы рисковали, поместив в дизайн довольно скромный графический процессор, и это оказалось хорошей идеей. И это действительно произошло.

Поэтому большое внимание уделяется защищенности и, конечно же, безопасности. Защищенность очень важна, если у вас нет защищенного автомобиля, у вас не может быть безопасного автомобиля.

Все просто добавляли инструкции к своим CPU, GPU или DSP. С точки зрения архитектуры чипа, как упоминал ранее Илон, в 2016 году не было ускорителя изначально созданного для нейронных сетей. Поэтому мы решили сделать это сами. Никто не делал разработку с 0. Для других компонентов мы приобрели стандартные IP промышленных CPU и GPU, что позволило нам сократить время разработки и риски.

У Tesla были отличные команды разработчиков блоков питания, анализа целостности сигналов, проектирования корпусов, прошивок, системного программного обеспечения, разработки плат и действительно хорошая программа валидации систем. Еще одна вещь, которая была немного неожиданной для меня, это возможность использовать существующие команды в Tesla. Все это мы смогли использовать для ускорения программы.

Справа вы видите разъемы для видео, поступающего с камер автомобиля. Вот как он выглядит. Я люблю когда решение сводится к его основным элементам. Два компьютера автономного вождения в центре платы, слева — блок питания и коннекторы управления. Вот предыдущее решение Hardware 2. У вас есть видео, вычислитель и питание, просто и понятно. Вот новый дизайн для компьютера FSD. 5, в которое вошел компьютер, и которое мы устанавливали последние два года. Это, конечно, обусловлено ограничениями программы модернизации автомобилей. Они очень схожи. Он помещается позади бардачка, а не занимает половину багажника. Я хотел бы отметить, что на самом деле это довольно маленький компьютер.

Они выделены синим и зеленым. Как я говорил ранее, на плате есть два полностью независимых компьютера. Внизу слева вы видите FLASH-чипы, которые представляют файловую систему. По сторонам каждого SoC вы можете видеть чипы DRAM. Здесь два независимых компьютера, которые загружаются и работают под собственной операционной системой.

Выходит из строя камера, цепь питания, один из компьютерных чипов Tesla — машина продолжает движение. Илон: Общий принцип состоит в том, что если какая-то часть выйдет из строя, машина сможет продолжить движение. Это ключевой показатель, по крайней мере, на порядок. Вероятность сбоя этого компьютера существенно ниже, чем вероятность что водитель потеряет сознание.

Первый чип работает на одном источнике питания, а второй на другом. Пит: Да, поэтому одна из вещей, которые мы делаем для поддержания работы компютера, это избыточность источников питания. Оба чипа получают все видео и обрабатывают его независимо. То же самое для камер, половина камер работает на блоке питания отмеченным синим, другая половина — на зеленом.

У нас есть угол поворота рулевого колеса, мы знаем, каким должно быть ускорение автомобиля. С точки зрения вождения, последовательность состоит в том, чтобы собирать много информации из окружающего вас мира, у нас есть не только камеры, но и радар, GPS, карты, гиростабилизатор (IMU), ультразвуковые датчики вокруг автомобиля. Когда план готов, два компьютера обмениваются своими версиями плана, чтобы убедиться, что они совпадает. Все это объединяется, чтобы сформировать план.

Теперь, когда вы движетесь с новым управлением, вы, конечно, хотите его проверить. Предполагая, что план совпал, мы выдаем управляющие сигналы и ведем машину. Датчики используются, чтобы убедиться, что управление происходит в действительности. Мы проверяем, что переданные сигналы управления совпадают с тем, что мы намеревались передать исполнительным механизмам в автомобиле. Существует значительная избыточность и дублирование как наших данных, так и наших возможностей мониторинга данных. Если вы попросите автомобиль разогнаться, или тормозить, или повернуть направо или налево, вы можете посмотреть на акселерометры и убедиться, что это действительно происходит.

Он упакован в 37. Переходим к разговору о чипе. Если снять крышку, вы можете видеть подложку и кристалл в центре. 5 мм BGA с 1600 контактов, большинство из которых это питание и земля. Ниже находятся двенадцать металлических слоев интегральной схемы. Если отделить кристалл и перевернуть его вы увидите 13 000 контактов (bumps) С4 разбросанных по поверхности. Для сравнения обычный чип сотового телефона это около 100 мм.кв. Это 14-нанометровый процесс FinFET CMOS размером 260 мм.кв., это небольшая схема. Так что мы как бы посередине. А высокопроизводительный графический процессор будет около 600-800 мм.кв. Здесь 250 млн. Я бы назвал это золотой серединой, это удобный размер для сборки. транзисторов, которые, хотя я и работаю над этим все это время, меня просто поражают. логических элементов и 6 млрд. Чип изготовлен и испытан в соответствии с автомобильным стандартом AEC Q100.

Пойду в том же порядке, что и пиксель, поступающий с камеры. Я хотел бы просто обойти чип и объяснить все его части. Мы можем принимать 2,5 миллиарда пикселей в секунду, что более чем достаточно для всех имеющихся сенсоров. В левом верхнем углу вы можете увидеть интерфейс камеры. Мы используем стандартную LPDDR4, работающую со скоростью 4266 гигабит в секунду. Сеть, которая распределяет данные из системы памяти к контроллерам памяти на правом и левом краях чипа. Это довольно хорошая пропускная способностью, но не чрезмерная, мы пытаемся остаться в золотой середине. Это дает нам максимальную пропускную способность 68 гигабайт в секунду. Он выполняет продвинутый Tone mapping, что помогает лучше выделить детали и тени, также выполняется продвинутое шумоподавление, которое просто улучшает общее качество изображений, которые мы используем в нейронной сети. Процессор обработки изображения имеет 24-битный внутренний конвейер, который позволяет нам в полной мере использовать HDR-сенсоры, которые есть в автомобиле.

На чипе их два. Сам ускоритель нейронной сети. Это минимизирует объем данных, которые мы должны передавать на микросхему и обратно, что помогает снизить энергопотребление. Каждый из них имеет 32 мегабайта SRAM для хранения временных результатов. Есть выделенный ускоритель ReLU, ускоритель пулинга. В каждом расположен массив 96х96 умножителей с накоплением, что позволяет нам делать почти 10 000 операций MUL/ADD за такт. Два ускорителя на кристалле дают 72 триллиона операций в секунду, что заметно вышей цели в 50 триллионов. Каждый из них обеспечивает 36 триллионов операций в секунду работая на частоте 2 ГГц.

На чипе расположен довольно скромный графический процессор. Видеокодер, видео с которого мы используем в автомобиле для многих задач, включая вывод изображения с камеры заднего вида, видео-регистрацию, а также для записи данных в облако, об этом Стюарт и Андрей расскажут позже. Также 12 64-разрядных процессоров A72 общего назначения. Он поддерживает 32- и 16-битные числа с плавающей запятой. Система безопасности содержит два процессора, которые работают в режиме lockstep. Они работают на частоте 2,2 ГГц, что примерно в 2,5 раза превышает производительность предыдущего рещения решении. Это то место, где два плана оъединяются, и мы решаем, безопасно ли двигаться вперед. Эта система принимает окончательное решение, безопасно ли передавать управляющие сигналы на приводы автомобиля. И, наконец, система защиты, задача которой обеспечить, чтобы на этом чипе использовалось только программное обеспечение, криптографически подписанное Tesla.

Мы рассмотрим нейронную сеть с нашей (narrow) камеры. Я рассказал вам много разных показателей производительности, и я думаю, что было бы полезно, посмотреть на перспективу. операций. Она занимает 35 млрд. Совершенно не достаточно чтобы водить машину. Если мы используем все 12 CPU для обработки этой сети, мы можем делать 1,5 кадра в секунду, это очень медленно. Наш нейросетевой ускоритель может выдавать 2100 кадров в секунду. Если бы мы использовали GPU на 600 GFLOPs для той же сети, мы получили бы 17 кадров в секунду, что все еще недостаточно для управления автомобилем с 8 камерами. Вы видите, что объем вычислений в CPU и GPU пренебрежимо мал в сравнении с ускорителем нейронной сети.

Только водички попью. Перейдем к разговору о нейросетевом ускорителе. Данные поступают вверху и проходят через каждый из блоков. Слева здесь рисунок нейронной сети, чтобы дать вам представление о том, что вообще происходит. Зеленые блоки объединяют слои. Данные передаются вдоль стрелок к различным блокам, которые обычно представляют собой свертки или обратные свертки с активационными функциями (ReLU). Так что все эти временные данные создаются и уничтожаются при прохождении через сеть. Важно, что данные, полученные одним блоком, затем используются следующим блоком, и они вам больше не нужны — можете выбросить их. Поэтому мы храним их только в SRAM, и через несколько минут я объясню, почему это очень важно. Нет необходимости хранить их вне чипа в DRAM.

Поэтому, если вы разрабатываете ускоритель, вы фокусируетесь на реализации скалярных произведений, основанных на сложении с накоплением и оптимизируете их. Если вы посмотрите на правую сторону, вы увидите, что в этой сети из 35 миллиардов операций почти все являются свертками, по сути скалярные произведения, остальные — деконволюцией (обратными свертками), также основанными на скалярном произведении, а затем ReLU и пулинг — относительно простые операции. Внезапно операции ReLU и пулинга становятся весьма значительными. Но представьте, что вы ускоряете эту операцию в 10 000 раз и 100% превращаются в 0,1%. Поэтому наша реализация включает в себя выделенные ускорители для обработки ReLU и пулинга.

Нам нужно было очень осторожно относиться к тому, как мы сжигаем мощность. Чип работает в условиях ограниченного теплового бюджета. Поэтому мы выбрали 32 битное целочисленное сложение, оно потребляет в 9 раз меньше энергии, чем сложение с плавающей запятой. Мы хотим максимизировать количество арифметики, которое мы можем сделать. Что касается памяти. И мы выбрали 8-битное целочисленное умножение, что также потребляет значительно меньше энергии, чем другие операции умножения, и, вероятно, имеет достаточно точности для получения хороших результатов. Понятно, что мы хотим максимально использовать локальную SRAM. Обращение к внешней DRAM примерно в сто раз дороже с точки зрения энергопотребления, чем использование локальной SRAM.

И вы видите, что операция сложения потребляет всего 0,15% от общей мощности. С точки зрения управления, вот данные, которые были опубликованы в статье Марка Горовица (Mark Horowitz), где он критически рассмотрел, сколько энергии требуется для выполнения одной инструкции на обычном целочисленном процессоре. Поэтому в нашем дизайне мы стремимся в избавиться от всего этого, насколько возможно. Все остальное — это накладные расходы на управление и прочее. Что нас действительно интересует — это арифметика.

Вы можете видеть, что в нем основное место занимают 32 мегабайта SRAM, они слева, справа, в центре и внизу. Так вот дизайн, который мы закончили. Каждый такт мы читаем 256 байтов данных активации из массива SRAM, 128 байтов весов из массива SRAM и объединяем их в массиве 96х96, который выполняет 9000 сложений с накоплением за такт при 2 ГГц. Все вычисления выполняются в верхней центральной части. операций. Это всего 36,8 трлн. А затем мы записываем 128 байтов за такт обратно в SRAM. Теперь, когда мы закончили со скалярным произведением, мы выгружаем данные, пропускаем их через выделенный блок ReLU, опционально через пуллинг, и, наконец, помещаем их в буфер записи, где все результаты агрегируются. Мы работаем со скалярными произведениями, в то время как выгружаем предыдущие результаты, выполняем пуллинг и записываем результаты обратно в память. И все это происходит непрерывно. И железо обеспечивает это. Если вы сложит все это на частоте 2 ГГц, вам потребуется 1 терабайт в секунду пропускной способности SRAM для поддержки работы. Один терабайт в секунду пропускной способности на ускоритель, два ускорителя на чипе — два терабайта в секунду.

Есть операция чтения DMA для загрузки данных из памяти, операция записи DMA для выгрузки результатов обратно в память. Ускоритель имеет относительно небольшой набор команд. Две относительно простых операции — сдвиг и поэлементная операция (eltwise). Три инструкции сверток (convolution, deconvolution, inner-product). И конечно, операция остановки, когда вычисления окончены.

Мы взяли нейронную сеть, обученную нашей командой разработчиков, в том виде в котором она использовалась в старом железе. Нам пришлось разработать компилятор нейронной сети. Он также выполняет сглаживание обращений к памяти. Когда вы компилируете её для использования на новом ускорителе, компилятор выполняет объединение (fusion) слоев, что позволяет нам увеличить количество вычислений на каждое обращение к SRAM. Выделение памяти также учитывает банки SRAM. Мы выполняем паддинг каналов, чтобы уменьшить конфликты между банками памяти. Но с программной реализацией мы экономим на аппаратуре за счет некоторой сложности ПО. Это тот случай, когда обработку конфликтов можно было бы реализовать аппаратно. В конце мы генерируем код, данные о весах, сжимаем и добавляем контрольную сумму CRC для надежности. Мы также автоматически вставляем DMA операции, чтобы данные поступали для вычислений вовремя, не останавливая обработку. Нейронная сеть загружается в SRAM при запуске и находятся там все время работы.

Ускоритель «уходит в себя» и будет последовательно проходить через всю нейронную сеть, обычно на протяжении одного или двух миллионов тактов. Таким образом, чтобы запустить сеть, вы задаете адрес входного буфера, который содержит новое изображение, только что пришедшее с камеры; устанавливаете адрес выходного буфера; устанавливаете указатель на веса сети; поехали. По завершении, вы получаете прерывание и можете произвести постобработку результатов.

У нас была цель уложиться в 100 Вт. Переходя к результатам. Это немного больше, чем в предыдущем проекте, но значительное улучшением производительности — хорошее тому оправдание. Измерения на автомобилях, которые ездят с полным стеком автопилота, показали, что мы рассеиваем 72 ватта. Стоимость этого решения составляет около 80% от того, что мы платили раньше. Из этих 72 Вт около 15 Вт потребляется в нейронных сетях. С точки зрения производительности мы взяли нейронную сеть (narrow) камеры, о которой я уже говорил, с 35 миллиардами операций, мы запустили ее на старом оборудовании и получили 110 кадров в секунду. Мы экономим деньги, перейдя на на новой компьютер. Мы взяли те же данные и ту же сеть, скомпилировали их для нового компьютера FSD и, используя все четыре ускорителя, мы можем обработать 2300 кадров в секунду.

Илон: Я думаю, что это, пожалуй, самый значительный слайд

Так что это было довольно весело. Пит: Я никогда не работал над проектом, где повышение производительности было более 3. операций, в то время как наш FSDC с двумя чипами — 144 трлн. Если сравнивать с решением nvidia Drive Xavier, там чип обеспечивает 21 трлн. операций.

операций для обработки нейронной сети. Итак, в заключение, я думаю, что мы создали решение, которое обеспечивает выдающуюся производительность 144 трлн. Нам удалось втиснуть всю эту производительность в тепловой бюджет, который у нас был. Обладает выдающимися характеристиками энергопотребления. Компьютер имеет умеренную стоимость, и что действительно важно, FSDC обеспечит новый уровень безопасности и автономности в автомобилях Tesla, не влияя на их стоимость и пробег. Это позволяет реализовать решение с дублированием. Мы все с нетерпением ждем этого.

Илон: Если есть вопросы про оборудование, задавайте их прямо сейчас.

На первый взгляд кажется невероятным, как могло случиться, что Tesla, которая никогда раньше не проектировала подобные чипы, создала лучший чип в мире. Причина, по которой я попросил Пита сделать подробное, гораздо более подробное, чем, возможно, большинство людей оценило бы, погружение в FSD компьютер Tesla, заключается в следующем. И не просто лучший с небольшим отрывом, а лучший с огромным отрывом. Но это именно то, что произошло. Мы переключились с решения Nvidia для S и X около месяца назад и переключили Model 3 около десяти дней назад. Во всех Tesla, производимых прямо сейчас, стоит этот компьютер. Я скажу это еще раз: все автомобили Tesla, производимые сейчас, имеют все необходимое для полноценного автономного вождения. Все производимые автомобили имеют все необходимые аппаратные средства и всё необходимое для полностью автономного вождения. Позже сегодня вы сможете поездить на автомобилях с версией для разработчиков улучшенного ПО для автономного вождения. Все, что вам нужно сделать, это улучшить программное обеспечение. Вопросы. Вы сами увидите.

Q: у вас есть возможность использовать функций активации, отличные от ReLU?

Пит: да, у нас есть сигмоид, например

Q: может стоило перейти на более компактный техпроцесс, может быть, 10 нм или 7 нм?

Пит: в то время, когда мы начинали проектировать, не все IP, которые мы хотели приобрести, были доступны в 10 нм

Сегодня мы не говорим о следующем поколении, но мы уже на полпути. Илон: стоит отметить, что мы завершили этот дизайн примерно полтора года назад и начали следующее поколение. Все то, что очевидно для чипа следующего поколения, мы делаем.

Можно ли использовать его с лидаром? Q: Компьютер предназначен работы с камерами.

Обречен. Илон: Лидар — это провальное решение, и любой, кто полагается на лидар — обречен. Дорогие датчики, которые не нужны. Дорого. Один маленький еще ничего, а куча — уже кошмар. Это как иметь кучу дорогих ненужных приложений. Это глупо, вы увидите.

Q: Можете дать оценку влияния энергопотребления на пробег?

Пит: Для Model 3 целевое потребление составляет 250 Вт на милю.

В городе эффект будет гораздо больше, чем на шоссе. Илон: Зависит от характера вождения. Вы потеряете 6км на Model 3. Вы едете в городе в течение часа и у вас есть гипотетическое решение, которое потребляет 1 кВт. Потребление системы оказывает огромное влияние на пробег в городе, где, как мы думаем, будет большая часть рынка роботакси, поэтому мощность чрезвычайно важна. Если средняя скорость 25км/ч, то вы теряете 25%.

По сути, это линейная алгебра, которую я не думаю, что вы можете запатентовать. Q: Насколько надежны ваши технологии с точки зрения IP, вы не собираетесь раздавать IP бесплатно?
Пит: Мы подали десяток патентов на эту технологию. (Илон смеется)

Q: ваша микросхема может что-то сделать, может быть, зашифровать все веса, чтобы ваша интеллектуальная собственность оставалась внутри, и никто не смог просто украсть её

Я бы нанял его в одно мгновение. Илон: О, хотел бы я встретить человека, способного сделать это. Даже если удастся извлечь данные, потребуется огромное количество ресурсов чтобы их как-то использовать. Это очень сложная проблема.

Ни у кого нет флота. Большим устойчивым преимуществом для нас является флот. У Tesla в сто раз больше автомобилей с аппаратным обеспечением необходимым для обучения, чем у всех остальных вместе взятых. Веса постоянно обновляются и улучшаются на основе пройденных миллиардов миль. Через год у нас будет более миллиона автомобилей с FSDC. К концу этого квартала у нас будет 500 000 автомобилей с 8 камерами и 12 ультразвуковыми датчиками. Это похоже на то, как у поисковой системы Google есть огромное преимущество, потому что люди используют ее, и люди фактически обучают Google своими запросами. Это просто огромное преимущество в данных.

Пора поговорить о том, как мы на самом деле получаем эти изображения и как мы их анализируем. Хост: Одна вещь, которую нужно помнить о нашем компьютере FSD, это то, что он может работать с гораздо более сложными нейронными сетями для гораздо более точного распознавания изображений. Андрей доктор наук из Стэнфордского университета, где он изучал информатику с акцентом на распознавание и глубокое обучение. У нас здесь старший директор AI — Андрей Карпаты, который объяснит вам все это.

Их Стэнфорда вышло много докторов, это не важно. Илон: Андрей, почему бы тебе просто не начать, давай. Пожалуйста, расскажи о себе. Андрей ведет курс по компьютерному зрению в Стэнфорде, это гораздо важнее.

…

(Перевод оказался довольно не быстрым делом, не знаю хватит ли меня на вторую часть про систему обучения нейросети, хотя именно она кажется мне самой интересной.)