Dojo对标A100性能强劲，AI应用场景拓展

D1 芯片对标英伟达 A100。D1采用台积电 7nm 制程，面积约为 645mm²，包含 500 亿颗晶体管，BF16、CFP8 算力可达 362TFLOPS，FP32 算力可达 22.6TFLOPS。特斯拉D1芯片对标英伟达 A100，英伟达 A100 同样采用台积电 7nm 制程，面积为 826mm²，晶体管数量达 542 亿颗，FP32 峰值算力为 19.5TFLOPS。

D1 芯片依次组成 Tranining tile、Tray、机柜、ExaPOD。特斯拉并未将 SoC 从晶圆上切下来，而是将所有 SoC 连接。25 个 D1 芯片组成了一个 Training Tile 多晶片模组（MCM），每个 D1 芯片功耗 400W，一个 Training Tile 功耗为 15kW。此外，6 个 Training Tile 组成一个 tray，再由两个 Tray 组成一个机柜，10 个机柜组成 ExaPOD，BF16/CFP8 峰值算力达到 1.1EFLOPS（百亿亿次浮点运算），并拥有 1.3TB 高速 SRAM 和 13TB 高带宽 DRAM。

Dojo 的设计思想是通过较高的对称性来实现 scale out 能力。在单个 Training tile 上，由于并未将芯片切下，为了提高效率和降低成本，特斯拉并未在片上集成 DRAM 等器件，这与许多通用 GPU 有所不同。集群节点之间以 2D mesh 连接，边缘则通过 Interface-processors负责内存池数据搬运。

显而易见，D1 芯片需要高速的互联来实现，台积电 SoW 封装技术提供了这一条件。InFO_SoW 取消了衬底和 PCB 的使用，使得多个芯片阵列使解决方案获得晶圆级优势，以获得低延时、高带宽等优势。此外除了异构芯片集成外，其 wafer-field 处理能力还支持基于小芯片的设计，以实现更大的成本节约和设计灵活性。

在部分模型上，Dojo 能实现相对 A100 更高的性能。例如在图像分类模型 ResNet-50 上，Dojo 可以实现比英伟达 A100 更高的帧率。而在用于预测汽车周围物体所占空间的神经网络模型 Occupancy Networks 上，相比英伟达 A100，Dojo 能实现性能的倍增。

特斯拉将大力投资基础设施，2024 年有望达 100Exa-Flops 算力。特斯拉目前 AI 基础设施较少，仅约 4000 个 V100 和约 16000 个 A100。而 Microsoft 和 Meta 等公司拥有超过 10万个 GPU。据特斯拉规划，2024 年有望达 100Exa-Flops 算力。

特斯拉拥有海量数据库，数据价值亟待挖掘。Model3 传包含 8 个摄像头，1 个毫米波雷达，12 个超声波雷达，位置分别为：1-车牌的上方装有一个摄像头；2-超声波传感器（如果配备）位于前后保险杠中；3-各门柱均装有一个摄像头；4-后视镜上方的挡风玻璃上装有三个摄像头；5-每块前翼子板上装有一个摄像头；6-雷达（如果配备）安装在前保险杠后面。特斯拉车型销量形势良好，通过传感器件建立了庞大的数据库，但受限于硬件限制，无法充分挖掘数据价值，Dojo 量产有望突破瓶颈。

自建 AI 基础设施，AI 或赋能特斯拉快速成长。特斯拉 Dojo 性能强大，我们认为，除加速自身智驾进程外，或可拓展至其他应用领域，如机器人等。此外，特斯拉也可能成为一家云服务提供商，向相关厂商提供自身算力或模型服务。