Para los propietarios de vehículos Tesla equipados con HW3, la espera de las versiones más recientes de FSD se ha convertido en una larga pausa. FSD v12.6.4 fue la última actualización lanzada para el hardware antiguo de Tesla hace unos 13 meses, y se trató de una actualización incremental dentro de la misma versión principal.
A medida que las redes neuronales integrales de Tesla se han vuelto más grandes y complejas, el equipo de IA ha tenido dificultades para adaptar las iteraciones de FSD de alto nivel, como la v14, a los ordenadores más antiguos. La compañía ha declarado que pretende preparar una versión FSD v14-lite para los vehículos con HW3 en el verano de 2026, pero el desarrollo de FSD se ha ralentizado drásticamente en los últimos meses debido al enfoque en el Robotaxi y el FSD no supervisado.
Esto deja poco tiempo para optimizar una versión moderna para los vehículos antiguos. Un avance reciente de NVIDIA en modelos de lenguaje extenso (LLM) podría ofrecer una vía conceptual para mantener el HW3 altamente capaz sin tener que recortar el FSD.
El cuello de botella del HW3: todo gira en torno a la memoria
Aunque el HW3 tiene menos potencia de cálculo bruta que el hardware AI4 más reciente, la limitación principal para la IA contemporánea es la memoria.
Ejecutar una red neuronal grande requiere una memoria de trabajo sustancial para operar en tiempo real. En LLMs como ChatGPT, esta memoria de trabajo es la caché KV (Clave-Valor), que almacena el contexto de la conversación para que el modelo no necesite reprocesar todo el historial en cada paso.
El FSD de Tesla funciona de manera similar, utilizando memoria espacio-temporal para mantener el contexto a lo largo del tiempo. Por ejemplo, si un peatón camina detrás de un camión de reparto estacionado, la memoria temporal del coche rastrea que el peatón sigue presente incluso cuando las cámaras pierden la línea de visión. A medida que el FSD mejora, esta caché de memoria temporal se expande, agotando rápidamente la limitada memoria RAM del ordenador HW3.
El avance de compresión 20x de NVIDIA
Tal como informó VentureBeat, los investigadores de NVIDIA presentaron una técnica que reduce la huella de memoria de la caché de trabajo de un LLM en 20 veces.
Fundamentalmente, lo logra sin alterar los pesos del modelo.
El método, codificación de transformación de caché KV (KVTC), se basa en la compresión de medios clásica, como JPEG. En lugar de descartar información de forma permanente, identifica los componentes más críticos de la memoria de trabajo y comprime el resto sobre la marcha.
Históricamente, ajustar modelos masivos en hardware limitado a menudo requería cambiar el modelo de forma permanente mediante "cuantización" o "poda" (literalmente recortar vías neuronales). Aunque esto ahorra espacio, puede degradar la inteligencia de la IA.
El enfoque de NVIDIA evita esa contrapartida. Al comprimir agresivamente la memoria de trabajo durante la inferencia, el LLM preserva su inteligencia original con una penalización de precisión inferior al 1%, consumiendo a la vez una fracción de la memoria del hardware.
Aplicación del método JPEG a las redes neuronales
Aunque el trabajo de NVIDIA se dirige a los LLM basados en texto, las matemáticas y la arquitectura subyacentes pueden adaptarse a la IA centrada en la visión que impulsa a un Tesla.
Si el equipo de ingeniería de Autopilot de Tesla emplea una esparcificación de memoria dinámica o una codificación de transformación similar para la memoria espacio-temporal del FSD, el impacto en el HW3 podría ser significativo. Al comprimir intensamente la "memoria de vídeo" del entorno reciente del vehículo en tiempo real, Tesla podría reducir drásticamente el VRAM total necesario para ejecutar el software.
La ventaja es que liberar caché eliminaría la necesidad de reducir la red neuronal central para que encaje.
En lugar de entregar una versión v14-lite fuertemente podada que elimina millones de parámetros y disminuye la capacidad de conducción, Tesla podría enviar una versión mucho más capaz del modelo v14 para el HW3. El coche seguiría ejecutando una lógica de conducción integral avanzada, utilizando una memoria temporal altamente comprimida al estilo JPEG para mantenerse dentro de los límites del hardware.
Exprimir el silicio
El HW3 es un silicio que envejece y, en algún momento, alcanzará un techo donde no podrá procesar datos lo suficientemente rápido como para satisfacer los requisitos de la autonomía no supervisada.
Aun así, el KVTC de NVIDIA demuestra que la industria está encontrando formas de optimizar la inferencia sin depender de chips más grandes y costosos. A medida que Tesla se mueve para unificar su flota en la arquitectura v14, técnicas avanzadas de compresión de memoria como estas ofrecen una forma de extraer la máxima capacidad del hardware antiguo hasta que se produzca la actualización del HW3.
Compartir:
El secreto de Tesla para el increíble radio de giro del Cybertruck: la dirección en las cuatro ruedas explicada
Analista de Wall Street predice que Tesla y SpaceX se fusionarán para 2027