Автомобили перестали быть просто средством передвижения. Автопилот и встроенные ИИ-системы превращают машину в вычислительную платформу. Она обрабатывает гигантские потоки данных в реальном времени, принимает решения без человека и учится на ходу. И чем «умнее» транспорт, тем более сложные задачи он решает.
Недавно глава Micron Санджай Мехротра отметил, что для машин с автономностью четвертого уровня (по классификации SAE (Society of Automotive Engineers, Общества автомобильных инженеров) это практически беспилотные автомобили, управляющие без водителя, но только в строго определенных условиях) не хватит десятков гигабайт — потребуется 300 и больше. Давайте посмотрим, почему.
Машины превращаются в вычислительные центры
Еще несколько лет назад электроника в автомобиле распределялась по десяткам блоков управления — каждый со своей узкой функцией и практически независимый. Подход экономил ресурсы, но ограничивал возможности.
Теперь производители переходят к централизованной архитектуре, где один или несколько мощных вычислительных узлов собирают данные со всей машины и обрабатывают. Например, платформа NVIDIA DRIVE Thor переняла у отдельных блоков множество задач: от обработки данных с камер и датчиков до систем помощи водителю, умного салона и мультимедиа.
Объем данных огромен. Современный автомобиль все больше напоминает передвижной дата-центр, в реальном времени их обрабатывающий. И только мощное железо объединяет системы машины. Tesla в новых версиях оборудования заметно усиливает мощность: надо одновременно следить за дорогой, распознавать пассажиров, работать с облачными сервисами и обновлять программы по воздуху.
При этом нагрузка растет нелинейно. Каждый уровень автономности добавляет не только датчики, но и целые пласты логики, которые должны работать одновременно и без сбоев. Автомобиль больше не полагается на простые правила — ему нужно моделировать окружающий мир, предсказывать поведение участников движения и готовить альтернативные сценарии. Все это требует единого вычислительного ядра, способного держать в голове гору информации.
Что касается навигации, то современный автомобиль с продвинутым автопилотом оснащается целым арсеналом сенсоров: от восьми до двенадцати камер высокого разрешения, лидаров, радаров и ультразвуковых датчиков. Каждый сенсор выдает информацию непрерывно. Тридцать кадров в секунду с 4K-камеры — уже сотни мегабайт. А лидар добавляет объемные облака точек. За час поездки машина может накопить терабайты сырых данных.
И система не просто их собирает, а мгновенно сопоставляет: накладывает друг на друга информацию с камер, радаров и иных датчиков. Для этого в памяти постоянно держатся последние кадры, карты глубины и промежуточные результаты обработки, включая нейросети. Если хотя бы часть данных отправить на диск или в облако, появится задержка — опасная в случае с автомобилем.
Условия эксплуатации добавляют сложности. Сенсоры работают в дождь, снег, туман и яркое солнце, поэтому алгоритмы вынуждены держать в оперативке несколько интерпретаций одной и той же сцены. Подход резко увеличивает потребность в быстрой памяти, обслуживающей параллельные потоки без тормозов.
Нейросети, навигация и мгновенные решения
Чтобы решить все эти проблемы, нужны нейросети: распознавать объекты, отслеживать траектории и предсказывать поведение других машин. И не маленькие классификаторы, а огромные трансформеры с миллиардами параметров. Быстро они работают, только когда веса модели, промежуточные активации и тензоры постоянно в оперативной памяти.
Плюс нужно планировать траекторию. Алгоритм при виде препятствия просчитывает десятки сценариев по несколько секунд. Учитывает правила дорожного движения, возможные маневры соседей и даже вероятность внезапного торможения машины впереди. Каждый расчет требует временных буферов под состояния симуляций. Чем сложнее сцена (перекресток с пешеходами, плотный поток на трассе), тем больше памяти уходит на «мысленные» модели.
Навигация тоже перерастает маршруты до точки. В оперативку загружается высокодетализированная карта пути: с разметкой, семантикой и даже светофорами. Машина постоянно сверяет свое положение с этой картой, корректируя локализацию по данным сенсоров. Если добавить резервные цепочки расчетов по стандартам функциональной безопасности — 300 ГБ уже не кажутся преувеличением.
Пока автомобилю хватает 16 ГБ оперативной памяти для систем уровня 2. Но, если продвинутая автономность вплоть до уровня 4 внедрится массово, спрос на высокоскоростную память вырастет в разы. Это усилит существующий дефицит и приподнимет цены, особенно на фоне растущих запросов других отраслей, включая робототехнику.
Производители памяти адаптируются к дополнительному направлению. В Micron говорят о долгосрочном росте спроса в автомобильном секторе и запускают виброустойчивые чипы для жестких условий — от минус сорока до плюс ста двадцати пяти градусов. Но даже новые фабрики не покроют потребность мгновенно, если переход к автономным машинам ускорится.
Энергия и код
Память меняет и энергопотребление. В автомобиле нельзя просто увеличить мощность и охлаждение — лишние сотни ватт недопустимы. Инженеры ищут баланс между производительностью и эффективностью. Появляются поколения LPDDR с возросшей пропускной способностью, рассчитанные на такие условия и адаптированные к транспортным задачам.
Кроме того, растет роль программ. Строк кода в высококлассном автомобиле почти миллиард — больше, чем в некоторых космических проектах прошлого. И вся эта логика должна работать в оперативке во избежание задержек. То есть архитекторы теперь проектируют системы вокруг не процессора, а памяти — как центрального ресурса, от которого зависит остальное.
Автор: t3chnowolf
