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越过式发展，也激勉了多数关注。
尤其是在中国阛阓，端到端的智驾决议仍是成为整个这个词行业的共鸣，各个玩家都在纷纭通过不同的形态拥抱端到端；由此，各个玩家在算法层面追求碎裂的同期，也充分坚硬到了车端算力的极点热切性——于是，环球又把眷注的见识朝向了英伟达。
而关于英伟达来说，这种关注天然不算错，但却并不全面。
实验上，要是从英伟达在自动驾驶行业进行布局的合座视角来看，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日常猝然者的关注。
然而，被严重残忍的是，围绕着自动驾驶的合座时候完毕旅途，英伟达实验上在用户感知并不彰着的云表、软件侧、用具链等方面都进行了全场地、多角度的布局。
而这些合座布局，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把柄。
张开剩余92%一个用具皆全的「厨房」
关于日常用户来说，智能驾驶的体验自己，时时与车企推送的一次次 OTA 升级密切联系，这些升级中包含的车端智驾算法模子，成为了用户实验智驾体验不断升迁的重要——但问题在于，这些运行于车端的智驾算法模子，并非是臆造而生。
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。
作念一个不太适合却比拟形象的譬如，要是说运行在车端的智驾算法模子，是一盘盘用户不错品味的「菜品」，那么这个云表环境自己，更像是一个用具皆全、便利好用的「厨房」。
而在不少智驾玩家的取舍中，尤其是自研决议车企的智驾体系中，这个「厨房」自己，都是基于英伟达的时候来构建的。
这里需要明确一个前提：关于整个戮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历程。和粗拙来讲，它主要包括数据处理和神经汇集算法的构建这两大模块，而这两个模块都需要多数纷纭复杂的使命要处理——但在英伟达软硬件时候的助力下，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历程中，时时需要从多数的数据中寻找到一些安全性联系的边际案例（包含动态场景、多模态传感器和会）并进行数据标注使命，才略够劳动于算法构建。因此，自动驾驶的数据处理要领，关于任何一个玩家来说，都是挑战庞杂、资本高企 的可贵。
不外，一朝玩家们遴选英伟达时候，就不错在英伟达云探求平台（NGC）的助力之下，通过预覆按模子来顾惜图像，同期不错在图像处理中遴选来自于英伟达的视频编解码时候，况且不错通过英伟达 TAO AI 模子自适合平台来进行模子优化——其限度是，遴选英伟达时候之后，东说念主工标注使命不错减少高达 50%，而整个这个词数据标注历程的遵守不错升迁 30%。
天然，针对特定玩家的自动驾驶时候旅途取舍，英伟达也不错提供相应的助力。
比如说，2024 年，理思汽车在自动驾驶时候方进取遴选了端到端 + VLM 的时候决议，这一决议，关于多模态数据处理和智能驾驶的解析与决策才略提议了新要求。于是，在英伟达的匡助之下，理思汽车大要对理思 L9 车型的数据进行重建和动态裁剪，有用利用历史数据，提高了数据处理的遵守和模子覆按的泛化才略。
同期，英伟达 Replicator 能合成齰舌场景数据，从而匡助智驾系统更好地处理边际情况；英伟达 NeMo 框架支捏智能汽车的视觉讲话模子应用，提供了从数据处理到模子覆按、模子考据的处治决议；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思汽车端到端 + VLM 决议的完毕而提供的有用时候救助。
另外，还有一个很容易被日常用户忽略的信息是，访佛于 DRIVE Orin 和 DRIVE Thor 这些功能坚硬的车端算力平台，也需要英伟达的软件时候来加捏。
比如说，为了推动 Orin 和Thor 芯片更好地运行，英伟达异常建树了 DriveOS。
具体来说， DriveOS 是整个这个词英伟达 DRIVE 软件堆栈的基础所在，亦然针对车载加快探求而领先推出的安全操作系统，包括用于完毕高效并行探求的 NVIDIA CUDA 库、用于进行及时 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方法所需的整个软件、库和用具，不错为自动驾驶建树者提供一个安全可靠的实施环境，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建树来说至关热切的中间件功能。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 支捏和深度神经汇集 (DNN) 框架——该用具领有模块化和绽开的特色，在缱绻上合乎汽车行业软件规范。
不错说，莫得 DriveOS 和 DriveWorks 的加捏，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 照实成为无边智驾玩家在车端算力平台取舍上的不二之选，然而被大多数日常用户忽略的是，其确凿软件层面，英伟达也基于这些车端算力平台作念了绝顶高明的布局，从而不断升迁车端算力平台的运算遵守。
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齐集的 PVA 决议。
具体来说，为了磨蹭越来越深奥的 AI 使命负载，建树者不错径直在 Orin 和 Thor 这么的 SoC 中运行一个异常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， 从而缩短负载并使之大要愈加高效地料理其他重要任务。
实验上，PVA 愈加访佛于一个不错由建树者自界说的 AI 加快器，来处治自动驾驶汽车建树中的探求问题，从而大要更高效、更有用地处理复杂的视觉任务，并提高合座系统性能——当今，基于 PVA 的优化处治决议权贵提高了蔚来自动驾驶的性能，并被庸碌应用于蔚来的量产车型中。
车端布局，不单是是算力
天然，从日常用户感知的角度，英伟达在自动驾驶行业最受关注也最为解析的，是它所提供的车端智能驾驶探求平台，也即是仍是大限度上车的 Orin 和行将上车的 Thor。
这并不令东说念主感到不测。
照实，从现时行业的落地来看，AI 算力为 254 TOPS 的英伟达 Orin 探求平台，仍是成为事实上的高阶智能驾驶规范配置。
从当今仍是走向阛阓的情况来看，不管是蔚来、小鹏、理思等新势力品牌，照旧智己、腾势、极氪等来自于大型车企的新品牌，都仍是在旗下车型中遴选了英伟达 Orin 决议。
不错说，从整个这个词自动驾驶行业生意落地的维度来看，英伟达 Orin 是当今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，从时候发展的维度，手脚 Orin 的继任者，Thor 自己更值得关注。
Thor 实验上是英伟达最新一代面向自动驾驶的车端探求平台，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遴选了英伟达的最新 CPU 和 GPU 时候，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 支捏 8 位浮点步地 (FP8)，可在缩短合座系统资本的同期，提供 1000 INT8 TOPS 性能——这一算力险些是 Orin 的 4 倍。
天然，在具体的生意落地层面，Thor 也仍是获取了多数互助伙伴的招供，并由此取得了彰着的碎裂。
具体来说，2024 年，Thor 获取了越来越多的主机厂客户。
比如说，在 CES 2024 行为期间，理思汽车文牍将在 Thor上构建其将来汽车产物；而在 GTC 2024 行为上，比亚迪文牍将基于 Thor 构建下一代电动车型。同期，广汽埃安文牍旗下高端豪华品牌昊铂下一代电动汽车将遴选 Thor 平台，新车型将于 2025 年启动量产。
另外，除了主机厂除外，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选用。比如说，来自硅谷的自动驾驶配送车辆制造商 Nuro，仍是取舍 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 的生意落地场景，仍是不单是是对准了资金实力愈加浑厚的主机厂，也包括一批戮力于激动自动驾驶前沿时候发展的决议商——实验上，这亦然英伟达自身在面向自动驾驶行业发展过程中的更有用取舍。
值得强调的是，在 Orin 和 Thor 缓缓走向落地的过程中，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——更热切的是，英伟达也在端到端、大模子等前沿时候上捏续探索，为整个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， 还有一个整个玩家都不得不靠近的信得过可贵：当一个智能驾驶模子被建树出来之后，奈何对它在实验场景中的遵守进行信得过有用的测试和考据。
到了端到端时间，这个可贵更是被无尽放大，成为各家在智能驾驶建树中的终极锻练。
其原因是，东说念主类的说念路场景自己就复杂各样，任何一家车企都莫得才略在全天下的每个角度进行实地考据；除此除外，即使是雷同的说念路场景，也存在着天气状态、拥挤情况、交通参与者、是否施工等各式各样的互异——这就意味着，在真实的场景中进行各式各样的考据，是一件压根不行能完成的事情。
因此，寻找到一个大要具备庸碌通用性、普适性的替代决议，就显得极为重要——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深远布局。
具体来说，即是 NVIDIA Omniverse 平台。
从观念上来说，NVIDIA Omniverse 是一个基于 USD（Universal Scene Deion，通用场景相貌，一种大要表述精确物理模子的通用规范，它由苹果、英伟达等公司界说）、用于创建和运行各式虚拟天下应用的平台。
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，它大要很好地得志行业里关于高保真自动驾驶汽车仿确实需求。
事实上，仿真关于建树和考据自动驾驶汽车的安全重要功能而言至关热切，但需要在部署之前进行充分测试。高保真仿真为各式场景下的系统覆按提供安全、可控且传神的环境——利用 Omniverse，可有用地对现实天下条目进行仿真，使车辆得以在起程前通过数字孪生进行安全测试和考据。
比如说，针对各式驾驶条目，尤其是一些无法在现实天下中复现的场景，比如说恶劣的天气、交通变化或者荒原的危机场景，Omniverse 不错利用生成式 AI 的一些最新时候进行精确建模，况且不错手脚覆按数据的一部分。
与此同期，当自动驾驶建树者在进行任何自动驾驶车辆的物理原型缱绻之前，不错通过 Omniverse 部署虚拟车队来缱绻新传感器和堆栈的原型，从而减低在实验建树过程中的物理测试和考据资本。
值得一提的是，为特出志行业里关于自动驾驶传感器和周围环境的物理脾气和行动进行精确建模的需求，英伟达在 GTC 2024 上还异常发布了 Omniverse Cloud 应用编程接口（API），它们收集了一个由仿真用具、应用和传感器组成的丰富生态系统，从而不错得志高保真传感器仿确实重要需求——以安全的形态探索自主系统将会碰到的无数现实场景。
比如说，通过 Omniverse Cloud 应用编程接口，建树者不错侦查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，建树者还不错调用这些应用编程接口，从而生成多数且各样的合成数据集，为覆按和考据这些自主系统所使用的感知模子提供重要数据。
除了大要处治在自动驾驶落地场景中的仿真测试问题，NVIDIA Omniverse 也大要很好地劳动于于自动驾驶汽车自己的外不雅缱绻、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缱绻、评审与性能优化的全场地数字化平台。
其中，通过 Omniverse Composer，阿尔特的缱绻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缱绻决议；利用 Omniverse Connector，阿尔特使不同 DCC 软件和 Composer 大要进行及时协同，完毕了工程师之间的并利用命，极大提高研发遵守。
有道理的是，阿尔特汽车还利用 Omniverse Action Graph 制作汽车组件拆解爆炸遵守视频，精真金不怕火多数时辰。
时候体系，才是中枢竞争力
要是站在时候落地的角度来看，智能驾驶是东说念主工智能面向物理天下和汽车行业进行应用和赋能的典型场景。
实验上，东说念主工智能虽然面向五行八作都领有很大的赋能后劲，但这个过程都诟谇常忙活的。因为它需要的并不单是是东说念主工智能算力的构建；更为热切的要领是，奈何通过一系列复杂的全栈时候布局，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，锻练的是体系才略。
从这个角度来看，英伟达在智能驾驶行业饰演的变装，也不单是是车端算力平台的提供者的变装，而是通过它在从云表覆按到车端推理的一系列过程中的合座布局，来完毕关于自动驾驶行业的底层赋能。
这其中，软件的变装最容易被残忍，但却雷同热切。
也许，从这个角度来看，咱们也许大要愈加容易邻接，尽管英伟达为整个这个词东说念主工智能行业的发展提供了弥漫坚硬和先进的算力平台，但从业务逻辑来说，手脚英伟达掌门东说念主的黄仁勋，更开心在公开风光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，况且最终获取阛阓招供。
尽管阛阓和猝然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时候和生意体系中所构建出来的中枢竞争力。
软硬件之间密不行分，它们共同组成了英伟达在自动驾驶行业的时候护城河。
天然，不管是否被阛阓充分解析，面对自动驾驶鸿沟正在发生的 紧要时候变革和生意落地机遇，英伟达硬件和软件的捏续深耕还将延续，况且会愈加精致——这虽然是时候的逻辑，但它亦然生意的逻辑开云体育，但最终，这也将会是英伟达获取阛阓招供、并大要延续为自动驾驶行业的发展孝敬长期价值的中枢驱能源之所在。
发布于：北京市