人工智慧與自動駕駛，儼然成為 NVIDIA 近年的重點發展方向，今年也在全球舉辦的各場 GTC 中陸續公布相關規劃，今年無論是硬體或是軟體也都有相當大的進展，稍早台灣 NVIDIA 也與媒體回顧了今年自 CES 起到稍早為止的自動駕駛進展做了回顧，來看看今年到目前為止有甚麼重要的進展吧。
硬體：
今年初的 CES 所公布採用 Tegra Parker 的新一代自動駕駛車平台 DRIVE PX 2 ，而後續也因應不同的自動駕駛層級推出三個延伸的版本；針對 Level 2 的高速公路自動巡航，以採用單顆 Tegra Parker 應用處理器的 10W 架構 Drive PX2 Autocruse 架構對應，此版本已經足以處理高速公路巡航基本的需求，包括距離控制、道路標線，以及支援 HD 地圖等。
至於 Level 3 以上作為人力可介入的準自動駕駛，則以年初所公布採用雙 Parker 搭配雙 Pascal GPU 的標準 Drive PX2 對應，隨著運算核心增倍，並且搭配效能更高的 Pascal GPU ，雖然功耗也一口氣達到 80W ，卻能提供高達 20 TFLOPS 的效能。
現階段若希望能達到 Level 4 (基本上已經是自動駕駛但仍需有人乘坐於駕駛位置)、 Level 5 (無人駕駛)的全自動駕駛，現階段則是利用多個 PX2 模組串接的方式，使效能再更進一步提升。
雖然在 8 月份才正式揭開 Tegra Parker 的規格與架構面紗，但 NVIDIA 卻又於 9 月份的歐洲場 GTC 宣布次世代的車載人工智慧應用處理器 XAVIER ， XAVIER 更進一步使用 NVIDIA 的 8 核心客製化核心架構，並搭配全新的 Pascal GPU ，使得 XAVIER 單晶片就可達到媲美現行需要雙 SoC 搭配雙 GPU 的 20TFLOPS 效能，但僅需單晶片與 20W 功耗，對於車載而言更能進一步減少空間與電力的消耗。
雖然 XAVIER 並不會那麼快問世，預計最快也要到 2017 年末至 2018 年初，正式被車廠採納恐怕還要更久，但卻可顯見在短時間內，車載平台的基礎運算能力還有更進一步提升的可能性，在硬體打好基礎之後，也更能夠讓軟體有發揮的空間。
軟體：
雖然 NVIDIA 是以硬體起家，不過隨著市場需求，幾年前的 GTC 大會上， NVIDIA 執行長黃仁勳已經多次表示 NVIDIA 現在已經不僅只是硬體公司，亦是提供軟體與解決方案的公司；為了自動駕駛， NVIDIA 也宣布推出相關的自動駕駛平台 Driveworks ，這是一項基於深度學習架構的框架工具，可讓開發者可使用這些工具加速自動駕駛的技術開發。
Driveworks 包括多個方面的領域的功能，包含混合大量感測器的演算，機器視覺演算，車輛的空間定位以及與 TomTom 攜手的高解析地圖資訊等基本功能；同時 NVIDIA 也為了驗證 Driveworks 與硬體平台的效能，打造了代號 BB8 的自動駕駛展示方案。
NVIDIA 也展示其軟硬體一致性與 Driveworks 相輔相成的優勢，藉由 DGX-1 作為人工智慧培訓的核心硬體，而在端末採用 Drive PX 平台，已藉由車輛進行自動駕駛產生邏輯與驗證邏輯，將資料回送到 DGX-1 再度訓練人工智慧後，再重複把新的邏輯投入自動駕駛車進行測試與驗證，中間不需要將訓練的邏輯結果進行轉譯，可讓 DGX-1 與 Drive PX 平台使用相同的邏輯。
同時為了加速自動駕駛產業的深度學習邏輯培訓， NVIDIA 也在今年打造基於 124 套 DGX-1 硬體平台構成的超級電腦 SATURNV ，這套平台是為了自動駕駛所打造，一方面也是為了宣示 NVIDIA 的 Pascal 架構與 NVLink 所帶來的強大效能，一口氣打進高效率超級電腦榜首以及 Top 500 超級電腦第 28 名。
產業進展：
雖然自動駕駛技術目前仍在開發階段，但已經有許多車廠、研究機構導入 NVIDIA 的自動駕駛平台進行研究與驗證，當然也不用說 Tesla 今年宣布新式車款藉由 NVIDIA 的硬體平台達到 Level 4 的自動駕駛能力。
不過要注意的是，目前自動駕駛技術雖有功能上的定義，但仍受到各地區不同路況與法規可能會得到截然不同的層級結果；例如若在歐美的郊區道路環境可達到 Level 5 的狀況，在台灣都會區的路況恐怕連 Level 3 都可能達不到，這部分可能對於自動駕駛還需要更明確的定義。
今天也提到由於各國交通法規的不同，在不同國家進行自動駕駛時也需要增加對於各國交通法規的資訊，最基本的包括道路標誌的意義，另外還有路權定義的問題，例如有些國家是允許紅燈右轉，又例如遇到如警車、救護車、消防車等緊急車輛的處理方式，美國的情況所有的車輛需要靠邊停車讓路等到緊急車輛通過，台灣的情況僅需讓出路線，這些都會是自動駕駛發展所需要面臨的。
但不得不說，在深度學習因為異質運算發展而獲得最基礎所需的處理效能後，也加速自動駕駛發展的情況，畢竟透過深度學習的結構，不需要像過去人工智慧需要由工程師一條一條的加入因應邏輯，可透過輸入資料方式培育邏輯的產生，邏輯也會不斷進化，使得自動駕駛不再是科幻電影中遙不可及的場景，而業界普遍也認為 2020 將會是自動駕駛技術能夠普及的時間點，由這幾年軟硬體架構的發展似乎也不是那麼遙不可及。
你或許會喜歡
