Robotikk og fysisk AI

Musk setter AI5 av til Optimus – Tesla-bilene blir på AI4

Theo Nash
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterMusk reserverer AI5 for Optimus mens Tesla-biler beholdes på AI4 for kjøring.
Vis mer
  • Musk reserverer AI5 for Optimus mens Tesla-biler beholdes på AI4 for kjøring.
  • Reality Views latens skyldes stram beregningsallokering snarere enn modellstørrelse alene.
  • Musks foreslåtte løsning fletter inn nyere visjonsfunksjoner for å kutte omtrent 35 % av latenstiden.

Elon Musk sa i et svar på X 22. november 2026 at Teslas AI5-datamaskin er ment for Optimus, at bilene fortsatt skal bruke AI4, og at AI4 er tilstrekkelig for kjøring på et overmenneskelig nivå. Han svarte på et spørsmål fra en bileier som lurte på når AI5 ville komme i nye biler, og om vedkommende burde vente med å oppgradere fra AI3.

Svaret kom etter et tidligere teknisk innlegg i samme diskusjon, der Musk forklarte hvordan Teslas visualisering Reality View fungerer på AI4. To sammenkoblede arbeidsoppgaver i bilen ligger til grunn for forklaringen: en modell som produserer kjørehandlinger, og en separat generativ modell som lager visualiseringen av grensesnittet. Samlet gir innleggene et konkret bilde av infrastrukturen bak brikkevalget: Tesla fordeler begrenset regnekapasitet mellom sammenkoblede funksjoner for kjøring og visualisering.

Arbeidsbelastningen til Reality View i bilen

Musk beskrev Teslas tilnærmet pikselperfekte verdensmodell som avgjørende for generering av syntetiske data. Den langt mindre versjonen som brukes i bilen, er en betinget mean-flow-modell basert på en nyere sekvens med funksjoner fra Tesla Universal Vision Encoder, eller UVE. De samme funksjonene mates inn i en 3B-kodermodell som produserer kjørehandlinger.

Musk sa at Reality View forgrener seg fra disse funksjonene til en separat diffusjonsmodell med omtrent 1B parametere. Prosessen starter med en støyfylt versjon av det foregående resultatet og rekonstruerer den gjeldende visualiseringen. Slik opprettes en videosekvens på åtte bilder med 36 bilder per sekund og samme oppløsning som grensesnittskjermen. Dette arbeidet utføres for hvert UVE-bilde ved 18 hertz og fordeles over fire sykluser.

Begrensninger i AI4 og kapasitet til overs i AI5

I et oppfølgende innlegg sa Musk at Tesla hadde flyttet den lille dekoderen til SRAM, slik at bare halvparten av én TRIP av tre på SoC B var tilgjengelig for Reality View. TRIP håndterer i hovedsak bare 8-bits heltall, og softmax må kjøres i emuleringsmodus over 28 trinn.

Disse detaljene gjelder spesifikt visualiseringsmodulen, ikke noen oppgitt begrensning på kjørehandlinger. De viser at den praktiske ressursrammen for Reality View avhenger både av fordelingen av regnekapasitet og av numerisk utførelse, ikke bare av modellstørrelsen.

Musk forklarte den nåværende, noe høye forsinkelsen i Reality View med begrenset regnekapasitet, og foreslo å flette nyere UVE-funksjoner inn gjennom diffusjonstransformatorlagene for å redusere forsinkelsen med omtrent 35 %.

Musk beskrev AI5 som en betydelig forbedring med omtrent 12 ganger mer regnekapasitet. Innlegget oppgir ikke noe sammenligningsgrunnlag for dette tallet, så det dokumenterer ikke en tolvdobling av bildefrekvensen eller reduksjon i forsinkelsen for visualiseringen, og heller ikke en tolvdobling av kjøreytelsen.

Musks beskrivelse skiller mellom tilliten til kjøreegenskapene og de praktiske begrensningene ved å gjengi Reality View. AI4 framstilles som tilstrekkelig for kjøring på et overmenneskelig nivå, men visualiseringsgrenen som kjører på brikken, har fortsatt begrenset regnekapasitet til rådighet, og det er bare foreslått en mulig måte å redusere forsinkelsen på. Den umiddelbare forbedringen av gjengivelsen han beskrev, avhenger av at inndataene med visuelle funksjoner organiseres på nytt i dette systemet. Dermed står effektiv programvare sentralt i arbeidsbelastningen i bilen som han beskrev.

Theo Nash er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-infrastruktur, beregning og maskinvaresystemene som driver moderne kunstig intelligens. Arbeidet hans fokuserer på de tekniske grunnlagene bak AI-arbeidsbelastninger i stor skala, inkludert datasentre, akseleratorer, nettverk og programvarestablene som binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøker Theo hvordan fremskritt innen GPU-er, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger særlig vekt på ytelsesavveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former implementeringen av AI-infrastruktur i den virkelige verden.

Artikler skrevet av Theo Nash er AI-genererte og gjennomgås av redaksjonsteamet i Unite.AI for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av det raskt utviklende AI-beregningslandskapet.