超大算力需求下，NVIDIA携「全栈式AI解决方案」赋能自动驾驶开发与规模化落地当自动驾驶走过技术竞赛期

当自动驾驶走过技术竞赛期，来到规模化落地的新节点，如何应对量产过程中的业务挑战，成为新的命题。
12月16日， NVIDIA携手IDC发布《现实+仿真，超大算力赋能自动驾驶》白皮书，深入探讨车企在自动驾驶开发过程中的业务需求与挑战，以及车企和解决方案提供商应该如何合作，加速自动驾驶的开发与落地。
目前自动驾驶技术发展前景良好，整体市场处于从L2到L3发展的阶段，其中乘用车市场自动驾驶水平不断提升， L2级自动驾驶在乘用车市场的新车渗透率在2022年第一季度达到了23.2%的水平，并将在可预见的未来持续上升，而这一比例在一年前（2021年第一季度）仅为7.5% 。此外，自动驾驶在出租车商业化试运营的推进势头迅猛，在矿区、港口、机场等封闭的工业场景应用已经较为成熟，而商用车自动驾驶技术也在政策推动下稳步发展，逐步落地。

文章图片
自动驾驶技术带动汽车行业整体向智能化发展，与此同时，也对稳定的算力和可控的测试成本提出了全新的要求。
自动驾驶系统具有高度的复杂性，模型训练与仿真测试对算力形成极高要求利用人工智能手段训练自动驾驶系统，首先需要车辆像人类驾驶员一样快速准确地识别车道、行人、障碍物等驾驶环境中的关键信息。通过在海量数据基础上不断的重复训练与验证，车辆对道路环境的认知水平逐渐趋近于真实情景，判断的准确性在这一过程中不断提升。自动驾驶需要机器对环境的判断具备相当高的准确度，所以前期需要输入大量的场景数据。
此外，自动驾驶系统还需要像人类驾驶员一样对环境信息做出回应。这需要机器对同一道路环境中其它交通参与者的运动轨迹做出预判，从而规划合理的行进路线，并及时调整车辆的行进状态，这需要大量的训练对系统的预测轨迹进行矫正。
另外，自动驾驶系统开发的前期，还需要利用虚拟仿真技术开展仿真测试，将真实世界中的物理场景通过数学建模进行数字化还原，在软件程序所建构的虚拟环境中测试自动驾驶系统。这一过程同样需要巨大的算力支持。
总的来说，自动驾驶算法的训练需要在有限的时间内完成大量的运算，因而对算力形成极高的要求。高强度的算力不仅需要被用于模型的训练、更新、迭代，还需要支撑仿真测试中场景的搭建与渲染。
对大算力的高需求也通过行业调研的数据得到了印证。 IDC的定量调研结果显示，自动驾驶行业对人工智能计算中心的投资将在未来稳定增长。

文章图片
专业的算力资源搭建与运营助力车企取得先机自动驾驶系统开发与上市的速度将直接影响车企是否能够在此领域取得市场先机。白皮书指出，算力资源是直接影响开发速度的硬性因素，算力集群底层架构的优化能够以月为单位缩短系统的开发周期，直接决定了该品牌是否能够在新兴领域占领高地。
然而，人工智能计算中心的搭建具有较高的技术门槛，运营与维护过程也需要较高水平的经验积累，因而需要与技术成熟的解决方案供应商开展合作。
数据中心解决方案供应商软硬件技术的先进性决定了人工智能计算中心所能提供的算力水平，其解决方案的成熟度又决定了前期搭建所需的时间周期，以及算力供给过程中的稳定性。比如，硬件的选型与网络的规模将对数据中心的算力产生直接的影响，涉及IT领域的专业知识，企业需要具备相关的知识储备，以及驾驭跨行业合作关系的能力。此外，搭建及运营人工智能计算中心的供应商需要提供一套集成的全栈式AI解决方案，以保证自动驾驶系统的开发项目能以最快的速度上线，并得到持续且稳定的算力支持。