태그 · #dojo

피지컬 AI 컴퓨팅 아키텍처 — 엣지 vs 클라우드: Tesla FSD 칩, Waymo 커스텀 ASIC, Dojo

엣지 추론 vs 클라우드 학습: Tesla FSD 칩, Waymo 커스텀 ASIC, Dojo가 자율주행의 완전한 컴퓨팅 스택을 어떻게 분담하는가.

Tesla는 Dojo 커스텀 실리콘으로 FLOP당 1달러를 목표로 하며, Waymo는 Google TPU 규모를 계승해 NVIDIA 의존 경쟁사보다 훈련 반복 속도에서 크게 앞선다.

Waymo는 Google TPU 포드를 보조금 비용으로 사용하며 매일 150억 마일을 시뮬레이션. Tesla는 Dojo D1을 영상 학습용으로 개발하고 NVIDIA H100 클러스터도 병행 운영.

NVIDIA B200 추정 9 exaFLOPS가 거의 모든 AV AI 훈련을 지원. Tesla Dojo는 자체 실리콘에 베팅, Waymo는 Alphabet을 통해 Google TPU 활용. 컴퓨팅이 승패를 결정한다.

Waymo는 Google TPU 클러스터로 훈련하고, Tesla는 Dojo D1과 600만 대 차량 데이터를 활용한다. 훈련 컴퓨팅 격차는 Physical AI의 숨겨진 속도 제한자다.

Tesla는 600만 대에서 매일 수백만 FSD 마일을 수집하고, Waymo는 매일 150억 시뮬레이션 마일을 실행한다. 수량 vs 품질이 Physical AI 데이터 파이프라인 경쟁을 정의한다.

AV 차량대 충전 수요, Dojo 훈련 전력 소비, 휴머노이드 로봇 배터리 수명을 정량화——에너지 비용은 피지컬 AI 경제학에서 과소평가된 변수다.

라이다는 2016년 75,000달러에서 99% 하락해 오늘날 500달러 미만. Tesla HW4 센서 BOM은 300~700달러, Waymo 6세대는 5,000~15,000달러. Cybercab과 7세대가 각사의 하드웨어 비용 관문.

테슬라의 커스텀 Dojo D1 실리콘은 FSD와 Optimus 훈련의 연산 핵심 — 더 빠른 훈련 처리량이 더 나은 자율주행을 복리로 만든다는 베팅이다.

Tesla Dojo 클러스터와 H100/B200 클라우드 렌털 비교: 아키텍처, 경제성, FSD·Optimus 전략적 시사점 분석.

Tesla는 매일 전 세계 모든 로보택시 기업을 합친 것보다 많은 주행 훈련 데이터를 생성한다. FSD 데이터 플라이휠이 어떻게 복리로 성장하며 왜 경쟁사가 복제할 수 없는지 분석한다.