D1 芯片對標英偉達 A100。D1采用臺積電 7nm 制程，面積約為 645mm2，包含 500 億顆晶體管，BF16、CFP8 算力可達 362TFLOPS，FP32 算力可達 22.6TFLOPS。特斯拉D1芯片對標英偉達 A100，英偉達 A100 同樣采用臺積電 7nm 制程，面積為 826mm2，晶體管數量達 542 億顆，FP32 峰值算力為 19.5TFLOPS。

D1 芯片依次組成 Tranining tile、Tray、機柜、ExaPOD。特斯拉并未將 SoC 從晶圓上切下來，而是將所有 SoC 連接。25 個 D1 芯片組成了一個 Training Tile 多晶片模組（MCM），每個 D1 芯片功耗 400W，一個 Training Tile 功耗為 15kW。此外，6 個 Training Tile 組成一個 tray，再由兩個 Tray 組成一個機柜，10 個機柜組成 ExaPOD，BF16/CFP8 峰值算力達到 1.1EFLOPS（百億億次浮點運算），并擁有 1.3TB 高速 SRAM 和 13TB 高帶寬 DRAM。

Dojo 的設計思想是通過較高的對稱性來實現 scale out 能力。在單個 Training tile 上，由于并未將芯片切下，為了提高效率和降低成本，特斯拉并未在片上集成 DRAM 等器件，這與許多通用 GPU 有所不同。集群節點之間以 2D mesh 連接，邊緣則通過 Interface-processors負責內存池數據搬運。

顯而易見，D1 芯片需要高速的互聯來實現，臺積電 SoW 封裝技術提供了這一條件。InFO_SoW 取消了襯底和 PCB 的使用，使得多個芯片陣列使解決方案獲得晶圓級優勢，以獲得低延時、高帶寬等優勢。此外除了異構芯片集成外，其 wafer-field 處理能力還支持基于小芯片的設計，以實現更大的成本節約和設計靈活性。

在部分模型上，Dojo 能實現相對 A100 更高的性能。例如在圖像分類模型 ResNet-50 上，Dojo 可以實現比英偉達 A100 更高的幀率。而在用于預測汽車周圍物體所占空間的神經網絡模型 Occupancy Networks 上，相比英偉達 A100，Dojo 能實現性能的倍增。

特斯拉將大力投資基礎設施，2024 年有望達 100Exa-Flops 算力。特斯拉目前 AI 基礎設施較少，僅約 4000 個 V100 和約 16000 個 A100。而 Microsoft 和 Meta 等公司擁有超過 10萬個 GPU。據特斯拉規劃，2024 年有望達 100Exa-Flops 算力。

特斯拉擁有海量數據庫，數據價值亟待挖掘。Model3 傳包含 8 個攝像頭，1 個毫米波雷達，12 個超聲波雷達，位置分別為：1-車牌的上方裝有一個攝像頭；2-超聲波傳感器（如果配備）位于前后保險杠中；3-各門柱均裝有一個攝像頭；4-后視鏡上方的擋風玻璃上裝有三個攝像頭；5-每塊前翼子板上裝有一個攝像頭；6-雷達（如果配備）安裝在前保險杠后面。特斯拉車型銷量形勢良好，通過傳感器件建立了龐大的數據庫，但受限于硬件限制，無法充分挖掘數據價值，Dojo 量產有望突破瓶頸。

自建 AI 基礎設施，AI 或賦能特斯拉快速成長。特斯拉 Dojo 性能強大，我們認為，除加速自身智駕進程外，或可拓展至其他應用領域，如機器人等。此外，特斯拉也可能成為一家云服務提供商，向相關廠商提供自身算力或模型服務。