文 | 智见 Time”，作家 | 308，裁剪 | 经纬
文 | 智见 Time”，作家 | 308，裁剪 | 经纬
端到端的到来，再一次推动了智能驾驶在全球范围内的起始式发展，也激励了遍及关注。
尤其是在中国阛阓，端到端的智驾决策曾经成为系数这个词行业的共鸣，各个玩家都在纷纭通过不同的步地拥抱端到端；由此，各个玩家在算法层面追求冲突的同期，也充分坚韧到了车端算力的顶点蹙迫性——于是，群众又把怜惜的眼神朝向了英伟达。
而关于英伟达来说，这种关注天然ag百家乐下三路不算错，但却并不全面。
现实上，如若从英伟达在自动驾驶行业进行布局的举座视角来看，车端算力自己，只是是英伟达参与到智能驾驶行业发展的冰山一角，这少许照实更受阛阓和闲居破费者的关注。
可是，被严重忽视的是，围绕着自动驾驶的举座工夫达成旅途，英伟达现实上在用户感知并不彰着的云表、软件侧、器用链等方面都进行了全地点、多角度的布局。
而这些举座布局，亦然英伟达通过自身的体系才略全面赋能自动驾驶的有劲字据。
伸开剩余92%一个器用王人全的「厨房」
关于闲居用户来说，智能驾驶的体验自己，时时与车企推送的一次次 OTA 升级密切相关，这些升级中包含的车端智驾算法模子，成为了用户现实智驾体验不绝进步的环节——但问题在于，这些运行于车端的智驾算法模子，并非是诬捏而生。
事情的真相是，它们是由车企或智能驾驶供应商基于云表环境构建出来。
作念一个不太恰当却比拟形象的比方，如若说运行在车端的智驾算法模子，是一盘盘用户不错试吃的「菜品」，那么这个云表环境自己，更像是一个器用王人全、便利好用的「厨房」。
而在不少智驾玩家的聘用中，尤其是自研决策车企的智驾体系中，这个「厨房」自己，都是基于英伟达的工夫来构建的。
这里需要明确一个前提：关于系数奋力于自动驾驶的玩家来说，自动驾驶才略的构建，都是一个极其复杂的系统性使命进程。阴险来讲，它主要包括数据处理和神经蚁集算法的构建这两大模块，而这两个模块都需要遍及纷纭复杂的使命要处理——但在英伟达软硬件工夫的助力下，这些使命不错被处理得愈加高效。
比如说，在自动驾驶的数据处理进程中，时时需要从遍及的数据中寻找到一些安全性相关的角落案例（包含动态场景、多模态传感器和会）并进行数据标注使命，才调够劳动于算法构建。因此，自动驾驶的数据处理挨次，关于任何一个玩家来说，都是挑战宏大、资本高企 的坚苦。
不外，一朝玩家们接收英伟达工夫，就不错在英伟达云缱绻平台（NGC）的助力之下，通过预试验模子来详实图像，同期不错在图像处理中接收来自于英伟达的视频编解码工夫，何况不错通过英伟达 TAO AI 模子自顺应平台来进行模子优化——其限度是，接收英伟达工夫之后，东说念主工标注使命不错减少高达 50%，而系数这个词数据标注进程的效力不错进步 30%。
天然，针对特定玩家的自动驾驶工夫旅途聘用，英伟达也不错提供相应的助力。
比如说，2024 年，理念念汽车在自动驾驶工夫方朝上接收了端到端 + VLM 的工夫决策，这一决策，关于多模态数据处理和智能驾驶的领会与决策才略忽视了新要求。于是，在英伟达的匡助之下，理念念汽车或者对理念念 L9 车型的数据进行重建和动态裁剪，灵验利用历史数据，提高了数据处理的效力和模子试验的泛化才略。
同期，英伟达 Replicator 能合成珍稀场景数据，从而匡助智驾系统更好地处理角落情况；英伟达 NeMo 框架支抓智能汽车的视觉谈话模子应用，提供了从数据处理到模子试验、模子考据的治理决策；在模子部署优化方面，英伟达的 TensorRT-LLM 框架和深度学习加快器也都提供了很好的助力。
以上这些，其实都是英伟达为理念念汽车端到端 + VLM 决策的达成而提供的灵验工夫撑抓。
另外，还有一个很容易被闲居用户忽略的信息是，近似于 DRIVE Orin 和 DRIVE Thor 这些功能将强的车端算力平台，也需要英伟达的软件工夫来加抓。
比如说，为了推动 Orin 和Thor 芯片更好地运行，英伟达非凡劝诱了 DriveOS。
具体来说， DriveOS 是系数这个词英伟达 DRIVE 软件堆栈的基础所在，亦然针对车载加快缱绻而率先推出的安全操作系统，包括用于达成高效并行缱绻的 NVIDIA CUDA 库、用于进行实时 AI 推理的 NVIDIA TensorRT，以及用于处理传感器输入的 NvMedia。
它包含了跨 CPU、GPU 和其他 DRIVE AGX 硬件加快引擎构建、调试、分析和部署自动驾驶汽车和自动驾驶汽车应用挨次所需的系数软件、库和器用，不错为自动驾驶劝诱者提供一个安全可靠的实践环境，并提供安全启动、安全劳动、防火墙和无线 OTA 更新等劳动。
值得强调的是，在 DriveOS 的基础上，英伟达 DriveWorks 也提供了对自动驾驶汽车劝诱来说至关蹙迫的中间件功能。这些功能包括传感器空洞层 (SAL) 与传感器插件、数据记载器、车辆 I/O 支抓和深度神经蚁集 (DNN) 框架——该器用领有模块化和灵通的秉性，在联想上合乎汽车行业软件程序。
不错说，莫得 DriveOS 和 DriveWorks 的加抓，Orin 和 Thor 就无法在车端更好地运行。
另外，不得不彊调，尽管英伟达的 Orin 和 Thor 照实成为繁密智驾玩家在车端算力平台聘用上的不二之选，可是被大多数闲居用户忽略的是，其果真软件层面，英伟达也基于这些车端算力平台作念了特地奥密的布局，从而不绝进步车端算力平台的运算效力。
一个典型的案例，是英伟达为自动驾驶客户提供的一个基于软硬件蚁集的 PVA 决策。
具体来说，为了消弱越来越吃力的 AI 使命负载，劝诱者不错径直在 Orin 和 Thor 这么的 SoC 中运行一个非凡的可编程视觉加快器（PVA）， 它不错承担一些由 GPU 或其他硬件引擎处理的任务， 从而镌汰负载并使之或者愈加高效地握住其他环节任务。
本色上，PVA 愈加近似于一个不错由劝诱者自界说的 AI 加快器，来治理自动驾驶汽车劝诱中的缱绻问题，从而或者更高效、更灵验地处理复杂的视觉任务，并提高举座系统性能——现在，基于 PVA 的优化治理决策显赫提高了蔚来自动驾驶的性能，并被庸俗应用于蔚来的量产车型中。
车端布局，不单是是算力
天然，从闲居用户感知的角度，英伟达在自动驾驶行业最受关注也最为领会的，是它所提供的车端智能驾驶缱绻平台，也即是曾经大限制上车的 Orin 和行将上车的 Thor。
这并不令东说念主感到不测。
照实，从刻下行业的落地来看，AI 算力为 254 TOPS 的英伟达 Orin 缱绻平台，曾经成为事实上的高阶智能驾驶程序确立。
从现在曾经走向阛阓的情况来看，不论是蔚来、小鹏、理念念等新势力品牌，如故智己、腾势、极氪等来自于大型车企的新品牌，都曾经在旗下车型中接收了英伟达 Orin 决策。
不错说，从系数这个词自动驾驶行业交易落地的维度来看，英伟达 Orin 是现在全球范围内出货量和车端部署量最大的算力平台产物。
天然，从工夫发展的维度，ag百家乐下三路当作 Orin 的继任者，Thor 自己更值得关注。
Thor 现实上是英伟达最新一代面向自动驾驶的车端缱绻平台，它也将高阶的智能驾驶功能和车载信息文娱功能集成到了单个安全可靠的系统中。这款自动驾驶汽车处理器接收了英伟达的最新 CPU 和 GPU 工夫，包括用于 Transformer 和生成式 AI 功能的 NVIDIA Blackwell GPU 架构。
从算力层面来说，英伟达 Thor 支抓 8 位浮点体式 (FP8)，可在镌汰举座系统资本的同期，提供 1000 INT8 TOPS 性能——这一算力简直是 Orin 的 4 倍。
天然，在具体的交易落地层面，Thor 曾经经取得了遍及互助伙伴的招供，并由此取得了彰着的冲突。
具体来说，2024 年，Thor 取得了越来越多的主机厂客户。
比如说，在 CES 2024 行径期间，理念念汽车通知将在 Thor上构建其未来汽车产物；而在 GTC 2024 行径上，比亚迪通知将基于 Thor 构建下一代电动车型。同期，广汽埃安通知旗下高端豪华品牌昊铂下一代电动汽车将接收 Thor 平台，新车型将于 2025 年运行量产。
另外，除了主机厂以外，Thor 也正在被一批来自于卡车、自动驾驶出租车、配送车等其他细分鸿沟的厂商所采选。比如说，来自硅谷的自动驾驶配送车辆制造商 Nuro，曾经聘用 DRIVE Thor 来为它旗下的集成式自动驾驶系统 Nuro Driver 提供助力。
总体可见，Thor 的交易落地场景，曾经不单是是对准了资金实力愈加丰足的主机厂，也包括一批奋力于鼓吹自动驾驶前沿工夫发展的决策商——本色上，这亦然英伟达自身在面向自动驾驶行业发展过程中的更灵验聘用。
值得强调的是，在 Orin 和 Thor 冉冉走向落地的过程中，英伟达不单是提供了算力基础自己，也提供了诸如上文中提到的一系列软件和算法劳动——更蹙迫的是，英伟达也在端到端、大模子等前沿工夫上抓续探索，为系数这个词自动驾驶行业的发展标的寻求更优解。
在虚拟之中，走完现实的路
在自动驾驶的落地过程中， 还有一个系数玩家都不得不濒临的信得过坚苦：当一个智能驾驶模子被劝诱出来之后，如何对它在现实场景中的成果进行信得过灵验的测试和考据。
到了端到端时期，这个坚苦更是被无尽放大，成为各家在智能驾驶劝诱中的终极教育。
其原因是，东说念主类的说念路场景自己就复杂各种，任何一家车企都莫得才略在全寰宇的每个角度进行实地考据；除此以外，即使是一样的说念路场景，也存在着天气情状、拥挤情况、交通参与者、是否施工等各种各样的互异——这就意味着，在真实的场景中进行各种各样的考据，是一件根蒂不成能完成的事情。
因此，寻找到一个或者具备庸俗通用性、普适性的替代决策，就显得极为环节——恰是基于这一原因，英伟达也在自动驾驶的仿真测试方面进行了真切布局。
具体来说，即是 NVIDIA Omniverse 平台。
从主意上来说，NVIDIA Omniverse 是一个基于 USD（Universal Scene Deion，通用场景描摹，一种或者表述精确物理模子的通用程序，它由苹果、英伟达等公司界说）、用于创建和运行各种虚拟寰宇应用的平台。
这一平台不错应用到多个鸿沟和行业——而关于自动驾驶来说，它或者很好地中意行业里关于高保真自动驾驶汽车仿真的需求。
事实上，仿真关于劝诱和考据自动驾驶汽车的安全环节功能而言至关蹙迫，但需要在部署之前进行充分测试。高保真仿真为各种场景下的系统试验提供安全、可控且传神的环境——利用 Omniverse，可灵验地对现实寰宇要求进行仿真，使车辆得以在动身前通过数字孪生进行安全测试和考据。
比如说，针对各种驾驶要求，尤其是一些无法在现实寰宇中复现的场景，比如说恶劣的天气、交通变化或者冷落的危境场景，Omniverse 不错利用生成式 AI 的一些最新工夫进行精确建模，何况不错当作试验数据的一部分。
与此同期，当自动驾驶劝诱者在进行任何自动驾驶车辆的物理原型联想之前，不错通过 Omniverse 部署虚拟车队来联想新传感器和堆栈的原型，从而减低在现实劝诱过程中的物理测试和考据资本。
值得一提的是，为了中意行业里关于自动驾驶传感器和周围环境的物理秉性和步履进行精确建模的需求，英伟达在 GTC 2024 上还非凡发布了 Omniverse Cloud 应用编程接口（API），它们采集了一个由仿真器用、应用和传感器组成的丰富生态系统，从而不错中意高保真传感器仿真的环节需求——以安全的步地探索自主系统将会际遇的无数现实场景。
比如说，通过 Omniverse Cloud 应用编程接口，劝诱者不错探询不同制造商提供的传感器模子，其中包括禾赛、速腾、Seyond 等激光雷达制造商，也包括 OMNIVISION、安森好意思和索尼等视觉传感器供应商。同期，劝诱者还不错调用这些应用编程接口，从而生成遍及且各种的合成数据集，为试验和考据这些自主系统所使用的感知模子提供环节数据。
除了或者治理在自动驾驶落地场景中的仿真测试问题，NVIDIA Omniverse 也或者很好地劳动于于自动驾驶汽车自己的外不雅联想、可视化等。
比如说，专注于整车研发、中枢零部件研发及制造、新能源汽车研发等鸿沟的阿尔特汽车，就借助 NVIDIA Omniverse 平台、NVIDIA Modulus 以及 NVIDIA RTX GPU 的算力构建了一个面向汽车联想、评审与性能优化的全地点数字化平台。
其中，通过 Omniverse Composer，阿尔特的联想工程师们不错快速切换不同的汽车造型，从而在短时辰内探索多种联想决策；利用 Omniverse Connector，阿尔特使不同 DCC 软件和 Composer 或者进行实时协同，达成了工程师之间的并应用命，极大提高研发效力。
有兴味的是，阿尔特汽车还利用 Omniverse Action Graph 制作汽车组件拆解爆炸成果视频，从简遍实时辰。
工夫体系，才是中枢竞争力
如若站在工夫落地的角度来看，智能驾驶是东说念主工智能面向物理寰宇和汽车行业进行应用和赋能的典型场景。
现实上，东说念主工智能虽然面向百行万企都领有很大的赋能后劲，但这个过程都锐利常挫折的。因为它需要的并不单是是东说念主工智能算力的构建；更为蹙迫的挨次是，如何通过一系列复杂的全栈工夫布局，把算力应用和劳动于特定的行业场景，从而赋能于东说念主类。
某种进程上，东说念主工智能的落地，教育的是体系才略。
从这个角度来看，英伟达在智能驾驶行业演出的扮装，也不单是是车端算力平台的提供者的扮装，而是通过它在从云表试验到车端推理的一系列过程中的举座布局，来达成关于自动驾驶行业的底层赋能。
这其中，软件的扮装最容易被忽视，但却一样蹙迫。
也许，从这个角度来看，咱们也许或者愈加容易贯通，尽管英伟达为系数这个词东说念主工智能行业的发展提供了弥散将强和先进的算力平台，但从业务逻辑来说，当作英伟达掌门东说念主的黄仁勋，更景色在公开形势反复强调它在软件算法和应用生态的布局。
从自动驾驶行业发展的角度来看，英伟达其实也一直是在软硬件一体化的角度去进行布局和深耕，何况最终取得阛阓招供。
尽管阛阓和破费者愈加关注硬件和算力参数自己，但不得不承认的是，软件才略亦然英伟达在自动驾驶的工夫和交易体系中所构建出来的中枢竞争力。
软硬件之间密不成分，它们共同组成了英伟达在自动驾驶行业的工夫护城河。
天然，不论是否被阛阓充分领会，面对自动驾驶鸿沟正在发生的 要紧工夫变革和交易落地机遇，英伟达硬件和软件的抓续深耕还将接续，何况会愈加良好——这天然是工夫的逻辑，但它亦然交易的逻辑，但最终，这也将会是英伟达取得阛阓招供、并或者接续为自动驾驶行业的发展孝敬永久价值的中枢驱能源之所在。
发布于：北京市
