電動車光達

上圖: 雷射家族找到新工作惹

• 光達模組
• 成本可能高達數千至上萬美元 一輛車可能至少兩三組光達 角度解析度最高最精準
• 雷達 
• 數百美元 主流具備ADAS輔助駕駛的車通常都會有4到8顆雷達 容易被干擾誤判 惡劣天氣
• 攝影機模組 
• 一顆鏡頭成本十幾美元

• 光達
• 機械式
• 掃描速度快範圍廣
• 克服天氣
• 貴
• 解決惡劣天候或特殊狀況下的辨識問題，精度也更高
• 無法判斷材質, 動量與移動方向
• Google, UBER, Baidu

• Velodyne
• Velodyne H64E價格約7~8萬美金
• 手工打造 產量每月只有5000顆
• 光達準確性是趨勢, 很好, 無法取代, 甚至相機也會運用到
• Google, UBER, Baidu

• 混合固態光達
• 便宜
• 克服天氣
• 穩定性加拿大Leddar MEMS單軸掃描鏡 輕便
• 美國ASC APD 崩潰光電二極體

• 固態光達-OPA
• CMOS與GaAs VCSEL
• 體積小, 便宜
• 難度高, 固態光達晶片, 天線很多, 測試整合麻煩, 容易被熱干擾
• Quanergy 固態光達-OPA 鴻海

• 固態光達-Flash
• 體積小
• 距離短 生產難度高

• Tesla
• 目前台灣賣的model Y沒有超音波雷達, 可能1Q23再把雷達裝回去. 最近似乎又有新的光達的討論, 戰國時代群雄割據, 還沒有一統天下的時刻. 就連主要車廠, 都還沒有定論.
• 越看越有意思, 完全就是以前三星手機跟水果手機開始崛起的路線, 各種規格各種零組件方案滿天飛誰也不服誰. 看最後鹿死誰手. 各種亂用各種理論, 結果搞到最後也都沒賺錢, 錢都被水果賺走. Tesla能夠複製水果最後的路線制住所有供應商嗎? 所以Tim Cook就是在賈伯斯崛起的道路上, 負責控制所有供應商的人嗎?

source:

1

2

3

4

5

6

4D毫米波雷達

上圖: Big Band Theory的Raj週五下課後要去上班

目前4D毫米波雷達有以下

• 方案
• 一是基於傳統CMOS雷達芯片，強調“軟件定義”，主要包括傲酷、Mobileye等；
• 二是將多發多收天線集成在一顆芯片，直接提供成像雷達芯片，如Arbe、Vayyar等；
• 傳統方案是將標準雷達芯片進行多芯片級聯，以增加天線數量，如大陸、博世、ZF等公司；
• 四是通過超材料研發新型雷達架構，代表廠家有Metawave等。
• “Mobileye推出成像雷達的意義與Arbe差不多，因為目前主流方式（包括博世、大陸、ZF的量產方案）都是傳統級聯方式，新型方案對傳統方式是否兼具成本和性能優勢有待觀察。
• 晶片
• 單片微波集成電路可以實現低噪聲放大器、混頻器、變頻器、功率放大器等功能，主要玩家包括STM, TI, NXP.
• 雷達數字信號處理，分為通用數字處理芯片和雷達專用處理芯片，目前提供專用雷達處理器的芯片廠商主要有TI, NXP, Infineon.
• 2018年, TI提出了4D成像毫米波雷达的概念, 推出FMCW 4D毫米波Turnkey solution. 有硬體廠商跟進.

優勢

• 成本僅為LiDAR的10%-20%
• LiDAR的成本目前RMB$幾千元降到幾百元，至少需要5年，所以4D成像毫米波雷達還很便宜. 
• 但要是LiDAR成本降下來, 推估4D成像毫米波雷達將會喪失成本優勢.
• 或是功能不需要那麼好用到LiDAR.

面對的問題

• 車廠對4D毫米波雷達的需求不明確
• 這個問題感覺一直在server也是一樣, 市場一直搞不清楚到底需要的規格是什麼, 到最後解決方案是hyperscaler直接找代工廠組裝量身訂做. 感覺是新產品的必經過程, 關於這樣的未知科技, 不知最後贏家是誰, 該怎麼樣抓這一波, 沒辦法知道答案, 若是答案明確也就不重要了.
• 沒有對4D毫米波雷達的測試設備, 供應鏈尤其設備的生態鏈不成熟, 拖累研發量產時程. 以前水果剛上瀏海時也是為了這個炒一波ASM Pacific.
• 要想形成一個標準化、可規模量產的4D成像毫米波雷達產品, 可能還需要3-5年時間, 但是LiDAR價格一直往下
• 搞不清楚方案跟晶片的差別
• 搞不清楚為何昨晚Abre大漲

規格比較

• ADAS: 3發4收
• L3 (L2+自動駕駛): 12發16收

• 圖像雷達/ 7xGHZ為主流/24GHZ
• Intel Mobile eye與NXP有圖像雷達
• 台廠現在主要24GHZ, MTK, 環隆科技(40%+營收), 啟碁, 明泰
• 天線數量越多, 越需要處理器
• 射頻晶片為主/ 微處理器/ 微控制器/ 電源處理
• 預計晶片會越來越整合, 越來越少晶片

• 目前主流48通道（6發8收）, 向192個以上數量的通道邁進
• 華為的4D成像毫米波雷達288個通道12發24收, 甚至128發128收
• Mobile eye 48發48收, 軟體虛擬通道超過2000個.
• Arbe 48發48收，虛擬通道也超過2000個
• 安霸傲酷雷達4D成像毫米波雷達產品目前性能已與32線束激光雷達性能同等

概念股

• Abre投GF
• 搞不清楚市場預期是什麼, 新產業, 規格應用廠商都很亂
• 容易因為特斯拉的選擇影響波動, 但馬斯克常常變來變去, 增添波動

source:

1

2

3

4

ChatGPT影響與哲學

硬體, content growth

• 從軟體到硬體的路途上, Google做的終端到門戶的東西, Android零零落落, Google Map很好, 但都沒有促進手機的content growth. ChatGPT能夠促進content growth嗎?
• ChatGPT的Server會是中央集中還是分散, 如果是像google一樣就是中央集中那種, 那手機是否容量不會更進步?
• 手機晶片要變更強大, 例如視覺辨識, 房間裡有幾人, 視覺運算數字多少之類.
• 或是不用更強大, 甚至更退步, 單純接收資訊就好.
• 傳輸通訊要更快, 記憶體要更多更快, 要如何比有機的快速?

• 以前的Nvidia GeForce Now, 號稱可以不用買高級gpu card一切用雲端處理, 但是後來也是不大成功. Netflix到是很成功, 直接用串流的方式, 因為沒有那麼複雜的計算.
• MSFT的想法是要把ChatGPT整合進去他自己的bing與office中, 目標看起來是要打Google, 但是對於終端的影響是什麼目前感覺不出來. 

軟體

• Buzzfeed漲, 內容農場始祖
• Soundhound漲, 就是APP找歌的那個.

哲學

• 一堆資訊科學奇奇怪怪的行話或是專業術語滿天飛, 這是嚇不倒我的, 憑借老身走過FB矽谷開花階段到挖礦到現在沒有賺到半毛錢的自信. 維持一貫地看不懂股價.
• 關於考試作弊, 寫論文作弊, 是否問錯問題, 是否是假議題. 人類總是會發現新的方法可以折磨與對付其他人, 難道取材的方法會那麼客氣就降低鑑別度? 
• 萬年科舉制度八股文難道會這麼簡單被消失
• Google出現後, 填鴨式教育死背的考題難道有變少, 求學過程豈有變輕鬆?
• 難道會有一個科技發明之後, 學生或是面試者就會進化變成自動符合資格, 學校或公司就這麼簡單會被害到? 如果那麼簡單就被害到, 是不是因為本質上就是在做附加價值不高的事情?

• 東西一發明出來就不值錢了, 半夢半醒間滋味才最值錢.
• 又是回到馬太效應, 大者恆大, 網路軟體巨頭憑借網路優勢才能做大, 懷疑小國家難以競爭, 需要耕耘出像spotify或是skype那樣的例子很難. 感覺台灣某方面又要被唱雖.
• 寫簡單文章的作者跟圖片設計師被影響很大, 圖片設計師, 接近人類藝術的, 沒想到馬上就被影響. 寫劇本似乎也可以發展.
• Netflix開局也是號稱紙牌屋大數據多強, 推薦系統多強, 這種戰術上的商業優勢, 似乎很快就會被人類消費者看破手腳後無以為繼. 換句話說, 科技網路公司, 一代拳王效應非常明顯, 不知道為什麼, 推出一個產品之後馬上掛掉. 因為週邊硬體或是投資相對少, 只要有軟體人才馬上就可以搞一個類似的, 複製很快. FB>IG>Tiktok也是一樣.
• 整合AI功能, 做出能夠搞錢的東西的經濟行為商業活動是什麼?
• 機器人能夠幹嘛?

ChatGPT概念股

[標的]

• 台積電
• Nvidia
• MSFT
• 記憶體公司
• AMD

[應用]

CPU

• 主要用的是NVDA GPU A100, 每個模型約要1萬個GPU.
• 阿里巴巴騰訊百度用的是V100
• 下一個新產品AI晶片是AMD的MI 300
• 散熱與能耗
• GPU之間互相連接速度不夠快
• 晶片的進步是否已到極限, 不再有新興廠商增長的空間

記憶體

• 三星與海力士更高速的記憶體, HBM的DRAM.
• 幾年前就炒過一次, 疑似需要跟台積合作某種封裝堆疊新的形式, 但是感覺沒有明顯標的.

微軟

• 說是ChatGPT的雲獨家供應商, 最近股票也是漲一波. 但發現微軟做事情沒有一個成功的, yahoo, bing, MSN, myspace, Surface, 手機, hololens.

[思考]

該怎麼走

• 想要怎麼獲利, 該怎麼賺錢, 怎麼賣錢? 軟體公司賣錢? 在網路時代就是一個問題但是議題剛發酵也沒關係. 先炒再說.
• 不管如何, 只要題材有沾上邊, 股價飆, 就沒話說, 市場永遠是對的.
• 應該會有某種獲利的形式出現, 一定要需求驅動整個循環, 如果看不到需求或是應用場景, 應該也沒搞頭.

比特幣挖擴潮

• BT發明人的硬碟挖擴完全失敗, 在網路世界過去的成功不必然能夠複製.
• 具體與金錢收入掛勾. 所以狂潮蔓延速度快.
• 中國大量投入, 到最後極端化發展出專業礦機.
• 專業礦機後, 其他應用所謂客製化ASIC的量, 主打AI, 卻沒有造成影響.
• 市況剛開始最不明朗的時候, 會有很多新的應用或是產品如雨後春筍般冒出.

之前幾個風潮

• Clubhouse找不到應用支撐
• NFT東西流動性不佳, 不如虛擬幣是貨幣
• 軟體的宿命在於與應用端很緊密, 能不能滿足客戶需求.

[其他公司]

• Google "Bard"
• Baidu "文心一言"

[Google]

• 本身的問題就在於很在意自己賺得錢, 一堆廣告
• 效果不好, 也不關心客人
• ChatGPT解決的問題, 就是在意客人問什麼+沒有廣告

source: 

0

1

2

3

4

5

6