全球汽车AI大会在北京召开

12月18日，由腾讯汽车主办的2018全球汽车AI大会在北京召开。

活动现场，英伟达全球副总裁、中国区总经理张建中发表了主题演讲。他表示，让自动驾驶汽车真正落地需要迎接三大挑战，这是每个从业者都必须要面对的问题。首先，参与交通的物体非常多，在每一个不同的场景都会发生不同的事情。如何用算法或者感知能力去应对不确定性，是最大的困难。

其次，研发自动驾驶其实成本是很高，然后进展非常缓慢，这直接导致很多企业无法去承担这样的高昂研发成本。除此之外，在新能源汽车上发展自动驾驶，必须要面对用最小的功耗能量达到最大的软件效率。

最后，自动驾驶跟一般传统车不一样的地方在于，自动驾驶汽车上路之前并未有明确的路测或者里程标准的约束。“对于自动驾驶来讲，没有一套系统是无法保证自动驾驶的解决方案能够真正落地上路的。”

张建中表示，英伟达将通过更好的感知和计算能力这方面去提供自动驾驶落地的解决方案。“这是为什么要发布XAVIER。如果想达到L5级别的自动驾驶的话，XAVIER是还不够，还需要XAVIER Plus，需要两个独立的GPU，才有足够快的时间去响应每一个场景的需要。”

他还透露，英伟达已经测试完成时速80公里的全程无手触高速自动驾驶。“英伟达办公室周围大概有一片高速公路，大概是连通四条高速公路，我们选择了一条80迈的高速公路，让这个车不需要人的干预，让它自己从高速公路的起点到终点走完。”

以下为发言实录：

尊敬的各位来宾，大家下午好！感谢腾讯汽车的邀请参加全球汽车AI大会！

今天分享一些Nvidia做自动驾驶的心得体会。现在AI已经是让整个世界自动化了，我们用自动化语言去描述AI对硬件的影响，在AI的助力跟赋能之下去执行我们想让它做的事情。我相信每一天我们都能面临着很多自动化的一些体验，比如说刚刚过去的“双十二”大家都在网上买东西，买的很多东西80%是计算机根据你的需要推荐给你的。你可能自己以为是你自己喜欢的，当然它也是你自己喜欢的。但是很多的帮助是在计算机的帮助下，用AI的算法推荐给你合适的产品跟合适的价钱，甚至于合适的品牌。

如果今天我们每天去看中国几个大的市场，AI可以落地的最大的市场实际上是在交通方面。在中国可能是几十亿的交通体量，出现的交通事故非常多，AI可以帮助我们解决很多安全上的隐患，提高生活效率跟质量的。如果再去看每天的医疗数据，每天你们去医院的就会有很多的感觉。这么多看病人的工作，每个医生花在每个病人的时间实际上是很短的，但是这个效率完全可以用AI的方式去提升，让他们的效率做的更好。我们都知道很多医生因为时间太有限，导致很多病人诊断不准确，这些都耽误了很多病人的健康，同时也让医生负荷太重。AI在这个行业是有很大的机会帮助去改善的。

还有一些其他的行业，相信在不同的地方落地AI的时候，已经极大地改善了每个人的生活质量跟品质。但是AI的应用之所以发展很快，其实离不开的计算力的帮助是非常重要的，Nvidia在过去几年当中致力于二十年GPU的研发。在二十年当中，每隔十年如果去看一下计算速度的话，大概可以看到十年之内提升的效能是1000倍的。

我们无法想象一下一个半导体里面的性能，在十年当中靠他的发展去提升一千倍的性能，但是GPU是怎么做到呢？靠半导体制程的提升是无法达到的。这也是杰森在很多次跟行业呼吁摩尔定律的宗旨，导致下一个计算机性能提升要靠很多方面的努力共同去协调计算机本身的架构、算法和软件。

如果看过去几年GPU的实践当中，十年提升一千倍是很容易完成到下一个十年的。当中可以看到靠什么呢？靠很多开发者的努力。每一个行业都有不同的开发者，汽车也不例外的。这些开发者可以从下载Nvidia CUDA开发工具库可以看出来，几乎到目前为止在全球有超过百万级的开发者用我们的CUDA开发库去开发并行计算，而这些算法可以应用在不同的AI当中。

最近发布了新的图灵架构的GPU，可以让我们在AI应用的速度又有极大的提升。TURING是在8月底在全球发布的一个新的GPU。这个架构当中，在一颗GPU当中集成了三种处理器，当然包括图形处理器，也增加了两个新的CORE，一个叫RT CORE，一个是Testing CROE，专门做AI的influence，今天GPU的架构从传统的图形芯片变成是一个大的SOC了。

当然要把SOC做的很好的话，要在不同的行业当中增加进去相应的开发工具库。其中Machine Learning是我们最近刚刚发布的，让它能够在Machine Learning的基础上去极大的加速全球几乎所有的Machine Learning的各种不同的算法跟应用。

如果说我们再去看在其他的数据中心的应用，几乎数据中心把前面80%的应用当中，对于计算力要求非常高的应用用GPU去实现。我们也很高兴地看见，几乎在所有的数据中心当中，前期的投入都有一个很好的回报。如果看今天用一个GPU的体系结构设计的话，可以发现一个传统数据中心很多的机柜就可以用一台GPU帮助去实现了。

这样的工作不光是省了空间，其实是极大的提高了计算速度跟效率，当然对客户更加省钱了。所有的应用当中，在AI的实施当中成本是一个很重要的环节，也是制约了很多公司在AI投入当中最大的瓶颈。我们去解决这个问题，就要去看看怎么把这些所有的应用尽量多地让GPU更好地去加速。因为GPU独特的结构跟架构，使得能够在AI应用当中在很多的环节帮助我们去实施落实AI的具体部署在每一个智能设备上面。

如果我们去看自动驾驶，在自动驾驶环节当中，其实今天你看到的不只是一部汽车，汽车本身如果拓展开一点，实际上是一个机器人了。如果我们看每一个自动化的设备或者是一个机器，或者是物体的话，你可以想象一下汽车自动驾驶的技术可以延伸在哪里呢？可以在购物小车，可以是送货车，可以是一个卡车，可以是一个港口的集装箱的交货车，甚至是医院里面维护病人的救护车。如果我们去看看不同的应用当中，其实他们的规律是一样的，就像我们早晨有很多专家介绍的汽车自动驾驶的解决方案是一样，无非是不同的传感器用不同的算法去做出不同的决定。

但是在过去的大概有几年的研究当中，我们发现其实真正让汽车自动驾驶能够落地的话是有三个很大的挑战，是我们每一个从业者都必须要面对的。

第一，我们知道参与交通的物体非常多，在每一个不同的场景都会发生不同的事情。那对于每一个ODD怎么去应付，你有什么样的算法、方法去解决？首先要有一个非常强大的感知能力，你能够感知到每一个ODD的场景。当参与的交通数量或者参与者越来越多的时候，你的计算力够不够？能不能准确或者能不能及时地去看到这些物体、判断这些物体的行为、规律、轨迹，甚至是预测下一个所在的位置，这样确保你能够安全地去驾驶自己的汽车。最大的一个困难，或者我们可以看到今天很多企业不能够达到想指定的驾驶级别的自动驾驶的场景，大部分都卡在这儿。

第二，研发自动驾驶其实成本是很高的，很多公司雇了几千人，可能很多年一直没有进步。当然有很多企业无法去承担这样的消费成本。对于自动驾驶当中，如果我们去考虑研发费用的话，软件研发费用是非常昂贵的，可能是几千个工程师、几年的工作。对于一般小的汽车企业基本上是不可能的。除了人工之外，我们再去看看放在汽车上大部分是用新能源汽车，如果是新能源汽车本身的电池功耗就非常紧张，如果再用很大的功耗把电池的功耗拿走，那续航里程就变得更加短。所以怎么样用一个最小的功耗能量去达到最大的软件效率，这是一个非常大的挑战。

第三，我们都知道自动驾驶跟一般传统车不一样的地方，传统车有自己的车上路的规定，有各种不同的测试，有各种不同的标准。但是一个自动驾驶的车到路上的时候，你怎么能够确定你行驶多少的英里，并且确保安全呢。而且你行驶的场景是不是都测试过呢？所以在验证跟模拟仿真当中，这个环节更加重要，对于自动驾驶来讲没有很好的一套系统是无法去保证自动驾驶的解决方案能够真正落地上路的。

我相信所有企业都要解决这三个困难，Nvidia希望通过我们的努力在这三个方面给大家提供一个解决方案。我希望第一个是强调或者保障汽车有更好的感知能力，那计算力肯定是必不可少的，这是为什么要发布XAVIER，XAVIER是一个SOC，如果想达到L5的话XAVIER是还不够，还需要XAVIER Plus，需要两个独立的GPU包括我们大家，这样才有足够快的时间去响应每一个场景的需要。

XAVIER本身已经是速度很快了，但是并不是用来做培训。你要建立自己的模型。我们在提供训练到中间提供端到端的解决方案，希望在云端、数据中心端能够提供完整的设备，让我们每一个企业、每一个自动驾驶的生态系统合作伙伴都有可能搭建自己的系统，建立自己的神经网络，建立自己的模型，去采集自己的数据和训练自己各种不同研发的需要。

当然在客户端的话，我们有XAVIER可以从L2一直到L5，一直都可以去用一个架构去适配不同场景的需要。中间对于软件来讲，我们提供全方位的从底层的操作系统到最高层的各种不同的应用，甚至是车内的驾驶员监控、车内的AI应用，都可以DriveIX去实现的。

我们简单看一下，这个Architecture是从底层的DriveOX开始，让它本身集成了各种不同的应用，在底层的操作系统层面提供技术支持给到客户。在中层的SDK去连接不同的算法、传感器，去支持不同的加速，或者通过Machine Learning的方法去解决一些常用的很快速解决的OPEN CV的算法。在底层我们提供DRIVE AV整个（18：37英），包括你的感知、定位跟决策。

我想给大家看一个很简单的DEMO，看一看我们在整个开发工具上给每一个开发者提供的演示工具，你购买Nvidia DRIVE开发者版本，你就可以同时在开发者网站上面下载到开发者各种不同的开发工具，有SDK和各种不同的演示程序，甚至是简单的源代码帮助客户去开发自己的DRIVE CAR。每一个DRIVA AV的模块，在网站、DEVELOPER库里面都会提供给我们的DEVELOPER。我相信，如果客户喜欢自己的软件，完全可以用自己的软件Peplace自己的模块。如果觉得自己的开发时间有限，你完全可以采用Nvidia的解决方案帮助你实现自动驾驶解决方案。这个DEVELOPER的版本，现在已经有了，你可以直接在网站上购买Nvidia DRIVE。

如果我们去看DRIVE能实现的一些工作，可以看到基本上用这一套开发工具，每一个开发者都有可能自己在不同的场景下面的自动驾驶解决方案，这是我们一个很简单的DEMO，用DRIVE、DEVELOPER去实施的，在汽车车顶用六个摄像头做Srround看到的场景，可以帮助识别在车周边当中各个不同的物体，跟汽车和车道线，以及其他的交通标志等等。

我们都知道你要想做好这件事情，其实我们自己也去尝试了，Nvidia在办公室周围大概有一片高速公路，大概是连通四条高速公路，我们选择了一条80迈的高速公路，让这个车不需要人的干预，让它自己从高速公路的起点到终点走完80迈。

这是一个简单的视频，其实在所有高速公路上的自动驾驶比较难的地方是在Watch in 和out，其实是最危险的时候。现在可以看到是很顺畅的，当有车进出的时候是很安全，但是又不是很犹豫地去执行任务。这些工作量其实跟计算能力、跟算法的优化是有很大的关系。我们从总体上把算法都优化好，基本上能够在80迈当中没有触控方向盘，就可以顺利走完路程。

其实很多开发者自己也可以去做，但是做完这些东西最重要的是你能不能保证去上路，模拟是一个很重要的难题。我们在做模拟的过程当中，最重要的工作是把以前传统的Graph很多工作应用进来，无论是AR、VR等等很容易跟今天的环境建立一个DRIVE模拟的环境，Nvidia DRIVE模拟在整体上从端到端的全模拟过程。你可以看到根据你的高精地图可以自动产生和模拟出周边的环境，这些环境是一个虚拟的环境。在一个虚拟的环境当中可以模拟不同的场景，将不同的场景和不同的USER CASE去测试汽车驾驶的准确度。

比如说像在做自动驾驶的过程当中，可以根据天气的情况去模拟不同的时间点，早晨或者是晚上有没有阳光，或者是其他各种不同的天气跟其他车的参与状况，都可以让它在系统里去实施。如果数据越完整的话，可以拿到各种不同的数据去模拟不同的路况。当然在中国我们会跟所有高清地图的合作伙伴，包括与腾讯地图一起合作，让我们所有的地上、地面的各种状况，都可以在系统当中去做仿真和模拟。

一个真实的车去开几亿的里程是很难的，但是在模拟，就可以让它24小时不停地去模拟和行驶很多的路程，只有这样才可以确保自动驾驶汽车系统的安全性。

当然要去完成这些，一个人是不够的，我们所有的合作伙伴可能又会加入在一起，大家一起共同把这个生态系统搭建起来。Nvidia在合作的合作伙伴中，不光只是OEM车厂，实际合作的合作伙伴是整个生态系统，其中包括传感器、Tier 1、软件、HDM，包括出行公司、OEM公司，也包括很多在中国本土的一些更多的初创公司。

Tier 1除了全球的Tier 1之外，在中国也有Tier 1的公司，在苏州已经发布了在中国的第一个Tier 1的合作伙伴，叫德赛西威，是在中国第一个本土合作伙伴，在全球的合作伙伴包括全球所有的大的Tier 1都是合作伙伴。

在国内的话，我们也希望不光是乘用车，包括卡车、其他商用车都能够成为合作伙伴，一起把自动驾驶在中国迅速落地。我们也希望能够跟在中国各个地方的政府，以及工信部合作，一起把在整个自动驾驶行业当中的从生产、设计到模拟，整个过程当中都希望能够贡献出力量，也希望早日实现自动驾驶在中国的落地，谢谢大家！