Waymo представила 5-нм ASIC для роботакси Ojai

Waymo раскрыла детали собственного 5-нм ASIC-чипа для шестого поколения системы автономного вождения, установленной в роботакси Ojai. Компания заявила, что процессор выдаёт более 1 000 TOPS — триллиона операций в секунду — и обрабатывает массив первичных данных до их поступления в основной вычислительный блок автомобиля.

Разработка стала частью стратегии расширения сервиса Waymo. Компания открыла доступ к Ojai всем пассажирам в Лос-Анджелесе, Финиксе и Сан-Франциско и ранее говорила, что новая машина дешевле в производстве, эксплуатации и обслуживании.

Чип для первичной обработки данных

ASIC — специализированная интегральная схема, созданная под конкретную задачу. В случае Waymo она принимает на себя обработку потока необработанных данных, прежде чем они попадут в центральный «мозг» системы автономного вождения.

Масштаб входящей информации иллюстрирует набор датчиков Ojai: автомобиль оснащён 13 камерами высокой точности. По оценке самой Waymo, новый чип должен помочь системе быстро и безопасно реагировать в сложной городской среде с высокой плотностью движения.

Заявленные более 1 000 TOPS помещают решение примерно в один класс производительности с актуальным автомобильным процессором Nvidia DRIVE AGX Thor, предназначенным для задач автоматизированного вождения. Waymo характеризует итоговую платформу как систему с высокой эффективностью и производительностью.

Вертикальная интеграция и партнёры

Публикация характеристик показывает, насколько далеко Waymo зашла в вертикальной интеграции вычислительной части роботакси. При этом компания не отказывается от внешней технологической цепочки: среди партнёров названы AMD, Micron, Nvidia, Samsung, Sandisk, Socionext и TSMC.

Контекст развития автономных сервисов важен и потому, что Новые правила рынка автономных автомобилей фиксирует, как Waymo и другие игроки одновременно расширяют географию присутствия и формируют правила рынка беспилотных перевозок.

Что это означает для операторов

Waymo связывает собственный чип не только с вычислительной мощностью, но и с возможностью сократить расходы на выпуск, работу и обслуживание машин. Для компаний, оценивающих автономную доставку или пассажирские перевозки, этот пример подчёркивает: масштабирование зависит не от одного алгоритма, а от связки датчиков, специализированных вычислений, поставщиков компонентов и экономики эксплуатации.

Практический вывод для бизнеса прост: при оценке автономного транспорта стоит отдельно проверять архитектуру обработки сенсорных данных и заявленные операционные затраты, а не судить о готовности сервиса только по числу машин или городов.