12月18日，由騰訊汽車主辦的2018全球汽車AI大會在北京召開。

活動現場，英偉達全球副總裁、中國區(qū)總經理張建中發(fā)表了主題演講。他表示，讓自動駕駛汽車真正落地需要迎接三大挑戰(zhàn)，這是每個從業(yè)者都必須要面對的問題。首先，參與交通的物體非常多，在每一個不同的場景都會發(fā)生不同的事情。如何用算法或者感知能力去應對不確定性，是最大的困難。

其次，研發(fā)自動駕駛其實成本是很高，然后進展非常緩慢，這直接導致很多企業(yè)無法去承擔這樣的高昂研發(fā)成本。除此之外，在新能源汽車上發(fā)展自動駕駛，必須要面對用最小的功耗能量達到最大的軟件效率。

最后，自動駕駛跟一般傳統(tǒng)車不一樣的地方在于，自動駕駛汽車上路之前并未有明確的路測或者里程標準的約束?！皩τ谧詣玉{駛來講，沒有一套系統(tǒng)是無法保證自動駕駛的解決方案能夠真正落地上路的。”

張建中表示，英偉達將通過更好的感知和計算能力這方面去提供自動駕駛落地的解決方案?！斑@是為什么要發(fā)布XAVIER。如果想達到L5級別的自動駕駛的話，XAVIER是還不夠，還需要XAVIER Plus，需要兩個獨立的GPU，才有足夠快的時間去響應每一個場景的需要?！?/span>

他還透露，英偉達已經測試完成時速80公里的全程無手觸高速自動駕駛?！坝ミ_辦公室周圍大概有一片高速公路，大概是連通四條高速公路，我們選擇了一條80邁的高速公路，讓這個車不需要人的干預，讓它自己從高速公路的起點到終點走完?！?/span>

以下為發(fā)言實錄：

尊敬的各位來賓，大家下午好！感謝騰訊汽車的邀請參加全球汽車AI大會！

今天分享一些Nvidia做自動駕駛的心得體會?，F在AI已經是讓整個世界自動化了，我們用自動化語言去描述AI對硬件的影響，在AI的助力跟賦能之下去執(zhí)行我們想讓它做的事情。我相信每一天我們都能面臨著很多自動化的一些體驗，比如說剛剛過去的“雙十二”大家都在網上買東西，買的很多東西80%是計算機根據你的需要推薦給你的。你可能自己以為是你自己喜歡的，當然它也是你自己喜歡的。但是很多的幫助是在計算機的幫助下，用AI的算法推薦給你合適的產品跟合適的價錢，甚至于合適的品牌。

如果今天我們每天去看中國幾個大的市場，AI可以落地的最大的市場實際上是在交通方面。在中國可能是幾十億的交通體量，出現的交通事故非常多，AI可以幫助我們解決很多安全上的隱患，提高生活效率跟質量的。如果再去看每天的醫(yī)療數據，每天你們去醫(yī)院的就會有很多的感覺。這么多看病人的工作，每個醫(yī)生花在每個病人的時間實際上是很短的，但是這個效率完全可以用AI的方式去提升，讓他們的效率做的更好。我們都知道很多醫(yī)生因為時間太有限，導致很多病人診斷不準確，這些都耽誤了很多病人的健康，同時也讓醫(yī)生負荷太重。AI在這個行業(yè)是有很大的機會幫助去改善的。

還有一些其他的行業(yè)，相信在不同的地方落地AI的時候，已經極大地改善了每個人的生活質量跟品質。但是AI的應用之所以發(fā)展很快，其實離不開的計算力的幫助是非常重要的，Nvidia在過去幾年當中致力于二十年GPU的研發(fā)。在二十年當中，每隔十年如果去看一下計算速度的話，大概可以看到十年之內提升的效能是1000倍的。

我們無法想象一下一個半導體里面的性能，在十年當中靠他的發(fā)展去提升一千倍的性能，但是GPU是怎么做到呢？靠半導體制程的提升是無法達到的。這也是杰森在很多次跟行業(yè)呼吁摩爾定律的宗旨，導致下一個計算機性能提升要靠很多方面的努力共同去協調計算機本身的架構、算法和軟件。

如果看過去幾年GPU的實踐當中，十年提升一千倍是很容易完成到下一個十年的。當中可以看到靠什么呢？靠很多開發(fā)者的努力。每一個行業(yè)都有不同的開發(fā)者，汽車也不例外的。這些開發(fā)者可以從下載Nvidia CUDA開發(fā)工具庫可以看出來，幾乎到目前為止在全球有超過百萬級的開發(fā)者用我們的CUDA開發(fā)庫去開發(fā)并行計算，而這些算法可以應用在不同的AI當中。

最近發(fā)布了新的圖靈架構的GPU，可以讓我們在AI應用的速度又有極大的提升。TURING是在8月底在全球發(fā)布的一個新的GPU。這個架構當中，在一顆GPU當中集成了三種處理器，當然包括圖形處理器，也增加了兩個新的CORE，一個叫RT CORE，一個是Testing CROE，專門做AI的influence，今天GPU的架構從傳統(tǒng)的圖形芯片變成是一個大的SOC了。

當然要把SOC做的很好的話，要在不同的行業(yè)當中增加進去相應的開發(fā)工具庫。其中Machine Learning是我們最近剛剛發(fā)布的，讓它能夠在Machine Learning的基礎上去極大的加速全球幾乎所有的Machine Learning的各種不同的算法跟應用。

如果說我們再去看在其他的數據中心的應用，幾乎數據中心把前面80%的應用當中，對于計算力要求非常高的應用用GPU去實現。我們也很高興地看見，幾乎在所有的數據中心當中，前期的投入都有一個很好的回報。如果看今天用一個GPU的體系結構設計的話，可以發(fā)現一個傳統(tǒng)數據中心很多的機柜就可以用一臺GPU幫助去實現了。

這樣的工作不光是省了空間，其實是極大的提高了計算速度跟效率，當然對客戶更加省錢了。所有的應用當中，在AI的實施當中成本是一個很重要的環(huán)節(jié)，也是制約了很多公司在AI投入當中最大的瓶頸。我們去解決這個問題，就要去看看怎么把這些所有的應用盡量多地讓GPU更好地去加速。因為GPU獨特的結構跟架構，使得能夠在AI應用當中在很多的環(huán)節(jié)幫助我們去實施落實AI的具體部署在每一個智能設備上面。

如果我們去看自動駕駛，在自動駕駛環(huán)節(jié)當中，其實今天你看到的不只是一部汽車，汽車本身如果拓展開一點，實際上是一個機器人了。如果我們看每一個自動化的設備或者是一個機器，或者是物體的話，你可以想象一下汽車自動駕駛的技術可以延伸在哪里呢？可以在購物小車，可以是送貨車，可以是一個卡車，可以是一個港口的集裝箱的交貨車，甚至是醫(yī)院里面維護病人的救護車。如果我們去看看不同的應用當中，其實他們的規(guī)律是一樣的，就像我們早晨有很多專家介紹的汽車自動駕駛的解決方案是一樣，無非是不同的傳感器用不同的算法去做出不同的決定。

但是在過去的大概有幾年的研究當中，我們發(fā)現其實真正讓汽車自動駕駛能夠落地的話是有三個很大的挑戰(zhàn)，是我們每一個從業(yè)者都必須要面對的。

第一，我們知道參與交通的物體非常多，在每一個不同的場景都會發(fā)生不同的事情。那對于每一個ODD怎么去應付，你有什么樣的算法、方法去解決？首先要有一個非常強大的感知能力，你能夠感知到每一個ODD的場景。當參與的交通數量或者參與者越來越多的時候，你的計算力夠不夠？能不能準確或者能不能及時地去看到這些物體、判斷這些物體的行為、規(guī)律、軌跡，甚至是預測下一個所在的位置，這樣確保你能夠安全地去駕駛自己的汽車。最大的一個困難，或者我們可以看到今天很多企業(yè)不能夠達到想指定的駕駛級別的自動駕駛的場景，大部分都卡在這兒。

第二，研發(fā)自動駕駛其實成本是很高的，很多公司雇了幾千人，可能很多年一直沒有進步。當然有很多企業(yè)無法去承擔這樣的消費成本。對于自動駕駛當中，如果我們去考慮研發(fā)費用的話，軟件研發(fā)費用是非常昂貴的，可能是幾千個工程師、幾年的工作。對于一般小的汽車企業(yè)基本上是不可能的。除了人工之外，我們再去看看放在汽車上大部分是用新能源汽車，如果是新能源汽車本身的電池功耗就非常緊張，如果再用很大的功耗把電池的功耗拿走，那續(xù)航里程就變得更加短。所以怎么樣用一個最小的功耗能量去達到最大的軟件效率，這是一個非常大的挑戰(zhàn)。

第三，我們都知道自動駕駛跟一般傳統(tǒng)車不一樣的地方，傳統(tǒng)車有自己的車上路的規(guī)定，有各種不同的測試，有各種不同的標準。但是一個自動駕駛的車到路上的時候，你怎么能夠確定你行駛多少的英里，并且確保安全呢。而且你行駛的場景是不是都測試過呢？所以在驗證跟模擬仿真當中，這個環(huán)節(jié)更加重要，對于自動駕駛來講沒有很好的一套系統(tǒng)是無法去保證自動駕駛的解決方案能夠真正落地上路的。

我相信所有企業(yè)都要解決這三個困難，Nvidia希望通過我們的努力在這三個方面給大家提供一個解決方案。我希望第一個是強調或者保障汽車有更好的感知能力，那計算力肯定是必不可少的，這是為什么要發(fā)布XAVIER，XAVIER是一個SOC，如果想達到L5的話XAVIER是還不夠，還需要XAVIER Plus，需要兩個獨立的GPU包括我們大家，這樣才有足夠快的時間去響應每一個場景的需要。

XAVIER本身已經是速度很快了，但是并不是用來做培訓。你要建立自己的模型。我們在提供訓練到中間提供端到端的解決方案，希望在云端、數據中心端能夠提供完整的設備，讓我們每一個企業(yè)、每一個自動駕駛的生態(tài)系統(tǒng)合作伙伴都有可能搭建自己的系統(tǒng)，建立自己的神經網絡，建立自己的模型，去采集自己的數據和訓練自己各種不同研發(fā)的需要。

當然在客戶端的話，我們有XAVIER可以從L2一直到L5，一直都可以去用一個架構去適配不同場景的需要。中間對于軟件來講，我們提供全方位的從底層的操作系統(tǒng)到最高層的各種不同的應用，甚至是車內的駕駛員監(jiān)控、車內的AI應用，都可以DriveIX去實現的。

我們簡單看一下，這個Architecture是從底層的DriveOX開始，讓它本身集成了各種不同的應用，在底層的操作系統(tǒng)層面提供技術支持給到客戶。在中層的SDK去連接不同的算法、傳感器，去支持不同的加速，或者通過Machine Learning的方法去解決一些常用的很快速解決的OPEN CV的算法。在底層我們提供DRIVE AV整個（18：37英），包括你的感知、定位跟決策。

我想給大家看一個很簡單的DEMO，看一看我們在整個開發(fā)工具上給每一個開發(fā)者提供的演示工具，你購買Nvidia DRIVE開發(fā)者版本，你就可以同時在開發(fā)者網站上面下載到開發(fā)者各種不同的開發(fā)工具，有SDK和各種不同的演示程序，甚至是簡單的源代碼幫助客戶去開發(fā)自己的DRIVE CAR。每一個DRIVA AV的模塊，在網站、DEVELOPER庫里面都會提供給我們的DEVELOPER。我相信，如果客戶喜歡自己的軟件，完全可以用自己的軟件Peplace自己的模塊。如果覺得自己的開發(fā)時間有限，你完全可以采用Nvidia的解決方案幫助你實現自動駕駛解決方案。這個DEVELOPER的版本，現在已經有了，你可以直接在網站上購買Nvidia DRIVE。

如果我們去看DRIVE能實現的一些工作，可以看到基本上用這一套開發(fā)工具，每一個開發(fā)者都有可能自己在不同的場景下面的自動駕駛解決方案，這是我們一個很簡單的DEMO，用DRIVE、DEVELOPER去實施的，在汽車車頂用六個攝像頭做Srround看到的場景，可以幫助識別在車周邊當中各個不同的物體，跟汽車和車道線，以及其他的交通標志等等。

我們都知道你要想做好這件事情，其實我們自己也去嘗試了，Nvidia在辦公室周圍大概有一片高速公路，大概是連通四條高速公路，我們選擇了一條80邁的高速公路，讓這個車不需要人的干預，讓它自己從高速公路的起點到終點走完80邁。

這是一個簡單的視頻，其實在所有高速公路上的自動駕駛比較難的地方是在Watch in 和out，其實是最危險的時候?，F在可以看到是很順暢的，當有車進出的時候是很安全，但是又不是很猶豫地去執(zhí)行任務。這些工作量其實跟計算能力、跟算法的優(yōu)化是有很大的關系。我們從總體上把算法都優(yōu)化好，基本上能夠在80邁當中沒有觸控方向盤，就可以順利走完路程。

其實很多開發(fā)者自己也可以去做，但是做完這些東西最重要的是你能不能保證去上路，模擬是一個很重要的難題。我們在做模擬的過程當中，最重要的工作是把以前傳統(tǒng)的Graph很多工作應用進來，無論是AR、VR等等很容易跟今天的環(huán)境建立一個DRIVE模擬的環(huán)境，Nvidia DRIVE模擬在整體上從端到端的全模擬過程。你可以看到根據你的高精地圖可以自動產生和模擬出周邊的環(huán)境，這些環(huán)境是一個虛擬的環(huán)境。在一個虛擬的環(huán)境當中可以模擬不同的場景，將不同的場景和不同的USER CASE去測試汽車駕駛的準確度。

比如說像在做自動駕駛的過程當中，可以根據天氣的情況去模擬不同的時間點，早晨或者是晚上有沒有陽光，或者是其他各種不同的天氣跟其他車的參與狀況，都可以讓它在系統(tǒng)里去實施。如果數據越完整的話，可以拿到各種不同的數據去模擬不同的路況。當然在中國我們會跟所有高清地圖的合作伙伴，包括與騰訊地圖一起合作，讓我們所有的地上、地面的各種狀況，都可以在系統(tǒng)當中去做仿真和模擬。

一個真實的車去開幾億的里程是很難的，但是在模擬，就可以讓它24小時不停地去模擬和行駛很多的路程，只有這樣才可以確保自動駕駛汽車系統(tǒng)的安全性。

當然要去完成這些，一個人是不夠的，我們所有的合作伙伴可能又會加入在一起，大家一起共同把這個生態(tài)系統(tǒng)搭建起來。Nvidia在合作的合作伙伴中，不光只是OEM車廠，實際合作的合作伙伴是整個生態(tài)系統(tǒng)，其中包括傳感器、Tier 1、軟件、HDM，包括出行公司、OEM公司，也包括很多在中國本土的一些更多的初創(chuàng)公司。

Tier 1除了全球的Tier 1之外，在中國也有Tier 1的公司，在蘇州已經發(fā)布了在中國的第一個Tier 1的合作伙伴，叫德賽西威，是在中國第一個本土合作伙伴，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。

在國內的話，我們也希望不光是乘用車，包括卡車、其他商用車都能夠成為合作伙伴，一起把自動駕駛在中國迅速落地。我們也希望能夠跟在中國各個地方的政府，以及工信部合作，一起把在整個自動駕駛行業(yè)當中的從生產、設計到模擬，整個過程當中都希望能夠貢獻出力量，也希望早日實現自動駕駛在中國的落地，謝謝大家！