手机行业|百度语音+自动驾驶感知+深度学习平台技术解析( 二 ) 手机行业

目前，百度并没有止步于BEV自动驾驶感知方案，还首次在业内提出了车路一体的解决方案UniBEV ，集成了车端多相机、多传感器的在线建图、动态障碍物感知，以及路侧视角下的多路口多传感器融合等任务，是业内首个车路一体的端到端感知解决方案。基于统一的BEV空间， UniBEV 车路一体大模型更容易实现多模态、多视角、多时间上的时空特征融合。
百度”飞桨“深度学习平台AI 为解决科学问题带来新方法的同时，也对AI基础软硬件带来诸多新挑战。毕竟，推动科学进步与开发一个人脸识别算法需要的并不完全是一种能力。
首先，深度学习平台需要具备更加丰富的各类计算表达能力，如高阶自动微分、复数微分、高阶优化器等；其次，科学问题求解需要超大规模的计算，这对深度学习平台与异构超算/智算中心适配及融合优化，神经网络编译器加速和大规模分布式训练提出了新的要求；此外，如何实现人工智能与传统科学计算工具链的协同，也是需要解决的问题。

过去的这几年，百度飞桨团队在这些问题取得了进展。作为国内首个自主研发、功能丰富、开源开放的产业级深度学习平台，飞桨研发了一系列用于科学研究的工具组件，比如赛桨PaddleScience、螺旋桨PaddleHelix、量桨Paddle Quantum等，支持复杂外形障碍物绕流、结构应力应变分析、材料分子模拟等丰富领域算例，广泛支持AI加计算流体力学、生物计算、量子计算等前沿方向的科研探索和产业应用。
对于科学领域大规模计算的需求，飞桨推出了超大规模图学习训练技术PGLBox ，是业界首个同时支持复杂算法+超大图+超大离散模型的大规模图学习训练技术，通过显存、内存、SSD三级存储技术和训练框架的性能优化技术，单机即可支持百亿节点、数百亿边的图采样和训练，并可通过多机扩展支持更大规模，目前已经在百度的智能交通、信息推荐、搜索等标杆场景实现落地，大幅提升业务效率和用户体验。
在科研生态方面，百度飞桨已经与高校、科研机构等开展了计算流体力学、分子动力学、动力气象学等方面的范例建设，并形成了一些开放性的、多学科交叉的生态社区，包括飞桨特殊兴趣小组(PPSIG)、共创计划等。