標籤 · #dojo

實體 AI 運算架構 — 邊緣 vs 雲端：Tesla FSD 晶片、Waymo 客製 ASIC 與 Dojo 超級電腦

邊緣推論 vs 雲端訓練：Tesla FSD 晶片、Waymo 客製 ASIC 與 Dojo 如何分工，掌控自駕車的完整運算堆疊。

Tesla 押注 Dojo 自研晶片目標達成每 FLOP 1 美元，Waymo 繼承 Google TPU 規模優勢，兩者在訓練迭代速度上皆遠超依賴 NVIDIA 的競爭對手。

Waymo 使用 Google TPU Pod 並享受補貼算力，每日模擬 150 億英里。Tesla 建造 Dojo D1 專用晶片訓練影片，同步運行 NVIDIA H100 叢集。

NVIDIA B200 估計 9 exaFLOPS 驅動幾乎所有自動駕駛 AI 訓練。Tesla Dojo 押注自研晶片，Waymo 透過 Alphabet 使用 Google TPU。算力決定勝負。

Waymo 使用 Google TPU 叢集訓練模型；Tesla 以 Dojo D1 加上 600 萬輛車隊數據訓練。訓練算力差距是 Physical AI 隱形的速度限制器。

Tesla 每日從600萬輛車收集數百萬英里FSD里程；Waymo每日運行150億模擬里程。數量vs品質定義了Physical AI資料管線競賽。

AV艦隊充電需求、Dojo訓練耗電與人形機器人電池續航全面量化——能源成本是實體AI經濟學中被低估的關鍵變數。

激光雷達從2016年的75,000美元暴跌99%至今日不足500美元。Tesla HW4感測器BOM約300至700美元，Waymo第六代約5,000至15,000美元；Cybercab與第七代分別是各公司的硬體成本關卡。

Tesla 自研 Dojo D1 晶片是 FSD 與 Optimus 訓練的算力核心 — 押注更快的訓練吞吐量能持續複利帶來更好的自動駕駛。

Tesla 自研 Dojo 叢集與租用 H100/B200 雲端算力的架構、經濟模型與戰略意涵全面比較分析。

Tesla 每天產生的駕駛訓練數據超過全球所有機器人計程車公司的總和。FSD 數據飛輪如何複利增長，以及為何沒有競爭者能夠複製。