Bastano pochi millisecondi perché un veicolo a guida autonoma trasformi una nuvola di dati grezzi provenienti da telecamere, lidar e radar in una decisione di guida sicura. Fino a oggi quel compito era affidato a componenti AI generici, ma Waymo ha deciso di cambiare rotta: l’azienda di Alphabet ha svelato il suo primo chip AI personalizzato Waymo, un ASIC pensato per accelerare l’elaborazione dei dati dei sensori nei suoi robotaxi. Non è la sola a muoversi in questa direzione, e la scelta dice molto su dove sta andando la competizione nella guida autonoma.
Summary
Punti chiave
- Il nuovo ASIC di Waymo è prodotto con il processo a 5 nanometri di TSMC e sostituisce le precedenti FPGA Intel usate per l’elaborazione sensoriale.
- Il chip supera i 1.000 TOPS di performance AI e integra dati raccolti da oltre 200 milioni di miglia di guida autonoma.
- Waymo opera oggi circa 4.000 veicoli in oltre 10 città, con circa 500.000 corse a pagamento a settimana.
- Per i compiti non legati al machine learning, l’azienda si affida a componenti fornite da AMD, Micron, Samsung, Sandisk e Nvidia.
- Waymo condividerà ulteriori dettagli sui suoi acceleratori ML durante la conferenza Hot Chips a Stanford.
Il chip AI personalizzato di Waymo per i veicoli a guida autonoma
Il nuovo silicio custom è stato pensato per convertire i dati grezzi dei sensori in risposte di guida nel minor tempo possibile. È il primo chip proprietario sviluppato internamente da Waymo per questo scopo specifico, e segna un passaggio netto rispetto all’approccio precedente basato su componenti di terze parti.
Progettazione e produzione con la tecnologia 5 nanometri di TSMC
L’ASIC è realizzato sfruttando il processo produttivo a 5 nanometri della taiwanese TSMC, uno dei principali fornitori globali di semiconduttori avanzati. Questo permette a Waymo di ottenere densità di calcolo elevata in uno spazio contenuto, un requisito fondamentale quando l’hardware deve stare nel bagagliaio di un’auto e non in un data center. Il chip è progettato per eseguire sia algoritmi di machine learning più tradizionali, come le reti neurali convoluzionali, sia modelli transformer moderni, gli stessi tipi di architetture usate per chatbot e generatori di immagini AI.
Prestazioni, latenza e dati di guida reale
La vera sfida per un chip di questo tipo non è solo la potenza di calcolo, ma la velocità con cui riesce a rispondere. Secondo Waymo, il progetto dell’ASIC incorpora l’esperienza accumulata su oltre 200 milioni di miglia di guida autonoma, dati che hanno guidato le scelte architetturali per massimizzare reattività, affidabilità e ridondanza del sistema.
Perché la minimizzazione della latenza è la priorità
Un incidente può svilupparsi in una frazione di secondo, troppo rapidamente perché un operatore da remoto possa intervenire. È per questo che Waymo ha progettato il chip con un focus quasi esclusivo sulla riduzione dei tempi di risposta. L’azienda ha spiegato che, in quei millisecondi critici, i modelli di machine learning avanzati costruiscono una comprensione ad alta fedeltà dell’ambiente circostante per valutare il percorso più sicuro, includendo tecniche di riduzione del rumore temporale che migliorano la visibilità in condizioni di scarsa luminosità in tempo reale.
Tutto questo richiede una quantità considerevole di calcolo. Waymo sostiene che il suo ASIC sia in grado di erogare oltre 1.000 TOPS di performance AI, verosimilmente a precisione INT8, anche se l’azienda non ha chiarito i livelli esatti di precisione e consumo energetico, rendendo difficile un confronto diretto con altre piattaforme per veicoli autonomi e robotica già sul mercato. Secondo quanto riportato, il chip dedicato all’elaborazione frontale dei dati sensoriali fornisce proprio questa cifra di 1.000 TOPS, mentre l’intero sistema di calcolo installato nel bagagliaio del veicolo arriverebbe, secondo Waymo, a gestire fino a un quadrilione di operazioni al secondo.
Affidabilità, ridondanza e i partner dietro il sistema
Un chip installato in un’auto deve resistere a condizioni ben diverse da quelle di un data center: vibrazioni costanti, urti e sbalzi termici estremi. Per questo motivo Waymo ha costruito il sistema attorno a tre principi che gli ingegneri dell’azienda, Satish Jeyachandran e Daniel Rosenband, hanno definito “non negoziabili”: reattività, robustezza e ridondanza.
I fornitori non-ML dietro il sistema completo
Prima di adottare il proprio silicio, Waymo si era affidata a FPGA di Intel per l’elaborazione dei dati sensoriali. Le FPGA sono ideali per applicazioni a bassa latenza, motivo per cui vengono spesso usate anche nel trading ad alta frequenza, ma risultano notoriamente più difficili da programmare e meno dense in termini di calcolo rispetto a un hardware progettato su misura. Per garantire affidabilità in ogni condizione, l’azienda ha adottato più livelli di ridondanza, con i chip raffreddati a liquido dallo stesso sistema di refrigerazione usato dal resto del veicolo, così da mantenere temperature ottimali indipendentemente dalle condizioni climatiche esterne.
L’ASIC non gestisce da solo tutte le funzioni del veicolo: compiti non legati al machine learning, come l’orchestrazione dei processi, il movimento dei dati e il logging, restano affidati a componenti fornite da partner esterni tra cui AMD, Micron, Samsung, Sandisk e Nvidia. Waymo ha precisato che sta lavorando anche ad altri chip e sistemi personalizzati, segno che questo primo ASIC è solo il primo tassello di una strategia più ampia di silicio proprietario.
Waymo contro Tesla: la corsa al silicio su misura
Waymo non è l’unica azienda del settore a puntare su chip proprietari. Anche Tesla, che ha lanciato un servizio Robotaxi limitato ad Austin dopo anni di ritardi rispetto alle scadenze annunciate, sviluppa da tempo chip su misura per i propri veicoli. La scelta di entrambe le aziende di abbandonare i componenti generici racconta quanto la latenza e l’efficienza computazionale siano diventate variabili decisive nella corsa alla guida autonoma commerciale, non solo un dettaglio tecnico.
C’è anche una dimensione di rivalità filosofica dietro questa scelta. Elon Musk ha più volte definito il lidar una “stampella” e un “errore”, sostenendo che la fusione di dati tra telecamere, radar e lidar introduca una pericolosa ambiguità quando i sensori restituiscono informazioni contrastanti. Waymo, al contrario, rivendica proprio nella combinazione affidabile e ridondante di questi sensori la chiave che le permette di scalare la propria flotta in sicurezza. Con circa 4.000 veicoli attivi in oltre 10 città e circa 500.000 corse a pagamento ogni settimana, l’azienda sostiene che la sua tecnologia riduca in modo significativo incidenti e lesioni rispetto alla guida umana.
Waymo ha annunciato che condividerà ulteriori dettagli tecnici sui suoi acceleratori di machine learning durante la prossima edizione della conferenza Hot Chips, che si terrà a Stanford. Resta da capire quanto rapidamente l’azienda riuscirà a estendere questa architettura proprietaria all’intera flotta e a quale costo, un tema che finora Waymo non ha affrontato pubblicamente in modo dettagliato.
FAQ
Qual è la funzione principale del chip AI personalizzato di Waymo?
Elabora rapidamente i dati grezzi dei sensori dei veicoli autonomi, trasformandoli in risposte di guida con una latenza minima.
Con quale tecnologia produttiva viene realizzato il chip di Waymo?
Il chip è realizzato con il processo produttivo a 5 nanometri di TSMC.
Quali modelli di machine learning è in grado di eseguire il chip di Waymo?
Può eseguire sia modelli tradizionali come le reti neurali convoluzionali, sia modelli transformer moderni.
Come garantisce Waymo l’affidabilità dei suoi chip personalizzati a bordo dei veicoli?
Waymo utilizza più livelli di ridondanza e un sistema di raffreddamento a liquido per mantenere le prestazioni del chip anche in condizioni operative difficili.
Contenuto realizzato con l’assistenza dell’intelligenza artificiale e con revisione editoriale umana.
