0
| 本文作者： 李雨晨 | 2024-05-10 12:40 |
北京車展前夕，英偉達在北京辦公室召開了北京車展媒體溝通會。
英偉達全球副總裁、汽車事業(yè)部負責人吳新宙，英偉達汽車事業(yè)部數據中心副總裁Norm Marks， 英偉達全球副總裁、中國區(qū)汽車事業(yè)部負責人劉通等人出席。這是吳新宙履新英偉達的第7個月。 
在這次溝通會之后的車展上，英偉達與奇瑞汽車簽訂了合作協(xié)議，雙方宣布圍繞英偉達旗下的 DRIVE Thor 計算平臺聯(lián)合打造新一代高端智駕平臺，該平臺將會在星途高端車型上首發(fā)。同一天里，由吉利控股和百度聯(lián)合打造的極越，也宣布采用新一代的DRIVE Thor計算平臺。
吳新宙表示，“DRIVE Thor大概2025年開始有第一代的SOP，芯片也會比較快地拿到樣片。”
英偉達正在逐漸擴大它在智能駕駛領域的領地。不過，吳新宙卻說，“英偉達是定位于整個AI生態(tài)的賦能者，不止是專注于做車?？梢哉f每個AI的突破，我們都希望在NVIDIA的生態(tài)中產生。”
吳新宙表示，過去十年，軟件定義汽車在汽車領域產生了非常深遠的影響，特別是通過OTA技術，把汽車這樣一個固定不變的硬件產品變成可以自學習、不斷變化的用戶產品。但是，隨著生成式AI的大規(guī)模進展，AI定義汽車一定會是趨勢。
自動駕駛并不是一個新鮮事物，早在上世紀90年代的美國，就已經有了自動駕駛的相關論文和落地嘗試。而我們熟悉的現(xiàn)代化的自動駕駛的發(fā)展會經歷三段式的發(fā)展。
第一代的自動駕駛系統(tǒng)是完全基于規(guī)則，有著大量人工Engineer Feature（工程師特征），通過很多算法去完成讓車自己開的動作。
第二代就是目前市場的主流，用大量的AI取代原有的人工Engineer Feature（工程師特征），不管是預測還是規(guī)劃都在用模型去做，但是仍然需要很多工程師的介入才能把獲取到的數據用好。
第三代應該會通過NVIDIA達到更大的突破，就是變成端到端大模型的方式。
吳新宙向雷峰網(公眾號：雷峰網)表示，“這個過程不可避免，并在接下來的五年內發(fā)生?！?/p>
而未來的AI汽車會比現(xiàn)在的自動駕駛開發(fā)簡單很多，更多地集中在云端。因為英偉達在云端有大量的自動駕駛模型訓練的能力，仿真、驗證都可以放在云端進行。目前，這些技術的積累在自動駕駛系統(tǒng)的開發(fā)流程中已經比較成熟，車端能夠把Corner Case的數據準確觸發(fā)反饋到云端。 
相比之下，軟件定義汽車則有了諸多“落后”之處。
軟件定義汽車需要大量工程師介入，所有的組件的算法開發(fā)量非常大，比如Corner Case識別比較慢，需要海量的路測，只有測過的路線，大家才有信心在ODD（運行設計域）釋放，這是非常大的系統(tǒng)開發(fā)工作流程。
另一方面，需要大規(guī)模的測試、運營，需要準確、快速地把數據回傳給工程師，需要一個非常好的基礎建設設施支持數據設施閉環(huán)。
經過大量測試以后，軟件定義汽車是通過OTA的方法更新，現(xiàn)在還有國家合規(guī)的要求，不管是軟件開發(fā)、模型開發(fā)還是數據閉環(huán)需要大量人工參與的工作。
所以，這也是AI定義汽車與軟件定義汽車的區(qū)別，前者可以讓流程得到很大的簡化。
在AI定義汽車時代，大部分模型都能夠在云端完成訓練，通過數據驅動的方式，車端觸發(fā)Edge Case（邊緣案例），然后通過自動數據驅動完成模型的自我迭代，也可以在云端通過仿真完成大部分的驗證，極大地減少車端大規(guī)模設備部署和測試的依賴性。未來的部署也可以簡化成模型更新的工作，而不是巨大的代碼更新。
除了自動駕駛，智能座艙也會面臨大變化。隨著生成式AI能力的進一步提升，也會對座艙有巨大的提升。NVIDIA在智能駕駛和座艙領域有哪些舉措，吳新宙提出了一個三步走的規(guī)劃。
第一步是完善現(xiàn)有的L2和L2+系統(tǒng)，以達到市場領先水平或者第一梯隊水平；
第二步希望L2++領域取得新突破，實現(xiàn)未來軟件棧的端到端可訓練，將上游模型和下游模型打通，整體上用生成式大模型的布局已經開始，今年晚些時間會有DEMO展示，通過端到端模型的方式完成；
第三步就是希望能夠在2026年量產的L3，實現(xiàn)完全自動駕駛。
除了AI與大模型方面的規(guī)劃，英偉達還在使用生成式數據，其自研渲染工具Omniverse能夠實現(xiàn)數據生成，補足仿真Corner Case，從而快速轉成虛擬數據，然后進行隨機處理，衍生出更多的Corner Case。
目前就有多家中國車企通過Omniverse虛擬現(xiàn)實技術實現(xiàn)對汽車制造工廠的工作流程優(yōu)化。
英偉達中國區(qū)汽車事業(yè)部負責人劉通透露，除了在端到端全棧式合作，包括車端芯片DRIVE Orin和DRIVE Thor、智駕芯片和數據中心端的解決方案等，比亞迪和NVIDIA還在智能工廠方面進行合作，利用Omniverse做自主機器的仿真，包括物流小車、機械臂等。
英偉達汽車事業(yè)部數據中心副總裁Norm Marks表示，自動駕駛汽車1.0時代主要是基于標注圖像的訓練，并在上面開發(fā)和部署深度神經網絡的集成，可能會有40-50個深度神經網絡從L2+層級轉向更高級的自動駕駛。假設一個車隊50輛測試車，每周可能會生成2PB的數據，但其中只有10%-15%會得到標注。
而在自動駕駛汽車2.0時代，是基于視頻進行模型的訓練，就像真人看世界那樣，是一整個大的融合世界的統(tǒng)一模型。 
Norm Marks還預計，未來自動駕駛汽車2.0轉型的模型規(guī)模將增長13倍，數據存儲規(guī)模將增長17倍?；赥ransformer需要3000個服務器節(jié)點，而如果以GPT4作為基礎的話需要上萬的服務器節(jié)點，即達到超算水平。
英偉達的NeMo平臺可作為一站式工具幫助構建大語言模型，從最開始的數據準備、數據獲取、數據測轉、預訓練、模型定制化、提示語調優(yōu)化以及人為反饋進入閉環(huán)，包括后續(xù)的信息檢索，實現(xiàn)比較精確的信息檢索。
在溝通會上，吳新宙還對今年最熱的端到端話題進行了回應。
雖然端到端智能駕駛方案已經成為業(yè)內的一個共識，但是端到端的問題也很明顯：通常需要處理大量的傳感器數據，包括圖像、點云、雷達等，直接輸出控制指令，對算力的要求較高。此外，為了訓練這些復雜的神經網絡模型，需要大量的標注數據。
吳新宙認為，“端到端模型上線之前，一定會有一個“護欄”，因為需要不停地優(yōu)化和成長，要是一開始就上線端到端的模型是非常困難的。把端到端模型做好的企業(yè)一定也需要非常好的第二代甚至第一代的自動駕駛堆棧?！?/p>
所以，端到端模型仍然離不開原有模型，通過原有的模型和方法保證安全性，這些是把端到端模型真正大規(guī)模部署變成主流的過程。
至于如何解決黑盒問題，吳新宙提出了幾個緯度：
一、原有的第一代、第二代算法棧，可以保證端到端模型的安全性，也可以不停地判斷端到端模型決定的合理性，把雙方有差異的地方作為輸入。這就類似于大語言模型訓練的反饋，讓結果更加合理化，
二、未來的大模型、端到端模型有周邊的輸出點可以觀測，比如可以觀測DEV輸出的結果，訓練的時候也是部分訓練等。于是在黑盒上開啟幾扇“窗”，看到信號是怎樣的模式。
吳新宙認為，英偉達的一個巨大優(yōu)勢就是端到端，而且是整體AI賦能，汽車只是其中的一個垂直領域。
他表示，“我們在數據中心、訓練工具都有巨大的投入，我們有SoC和安全平臺，從底層軟件加上芯片，所有的每一層都有引入非常強的安全概念，我們還有端到端全棧軟件的開發(fā)。以上四個方面構成我們汽車生態(tài)系統(tǒng)，”雷峰網
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
