日前，英偉達聯合IDC（國際數據中心），共同發布了《現實+仿真，超大算力賦能自動駕駛》白皮書。探討了目前自動駕駛的發展情況以及車企在自動駕駛開發過程中的需求和挑戰。

此處，我們將要點提煉如下：

1，乘用車市場自動駕駛水平不斷提升，普及度增加，今年一季度L2級自動駕駛在乘用車市場的新車滲透率已達23.2%。

2，自動駕駛帶動汽車行業向智能化躍遷，車企與科技公司合作促進乘用車自動駕駛水平提升。

3，自動駕駛系統訓練需要超大算力，AI超算中心可提供算力支持。

高級別自動駕駛落地的困難讓今年的自動駕駛行業趨于冷靜。商業化難以實現，撤資、關停，明星公司也可以突然隕落。從外界看來，行業似乎充滿了不確定性。

但另一方面，從業者卻正以最大的耐心一步一步緩慢向終點靠近。

技術方面，目前的自動駕駛已經解決了99%的問題，而剩下的1%卻需要付出更多的工作。

這似乎已成為共識。終點好像就在眼前，卻又遙遙無期。

Cornercase，成為自動駕駛落地不得不跨越的下半場路障。

如何翻越？真實數據和仿真測試是訓練自動駕駛進一步優化必要的兩個路徑。而兩者，都需要超大算力的支持。

除了介紹自動駕駛市場的現狀及對乘用車市場的推動作用，白皮書也介紹了AI超算中心的構建以及英偉達助力企業建立超算中心的平臺。

其中，不久前被美國禁止在中國和俄羅斯銷售的英偉達A100和H100芯片即為用于超算中心的大算力GPU。

以下，我們來看具體白皮書內容。

01.自動駕駛發展現狀

首先來看自動駕駛目前的發展情況。

報告指出，在乘用車領域，目前自動駕駛技術整體發展良好，處于從L2到L3發展的階段。

根據IDC《中國自動駕駛汽車市場數據追蹤報告》數據，今年一季度L2級自動駕駛在乘用車市場的新車滲透率已達23.2%，而去年同期僅為7.5%。

其中，主流量產合資品牌的L2級自動駕駛已下探至人民幣18萬級別的車型，部分品牌已下探至10萬出頭。

報告指出，傳統自主品牌在電動化與網聯化兩大領域均走在市場前列，并與互聯網大廠、AI科技公司在自動駕駛領域開展了大量合作。

而造車新勢力則已開始提供如“導航駕駛輔助”之類實現起來更加復雜的駕駛輔助功能。并在上市車型中安裝支持更高級別自動駕駛的配套硬件，以便在政策放開后，可隨時通過OTA在線實現自動駕駛功能的升級。

此外，根據報告，從L3級開始要求汽車在一定條件下持續執行全部的自動駕駛任務，車輛既需要統籌各傳感器收集到的信號，又需要其對駕駛輔助相關的所有功能實現統一調配，由自動駕駛域的主控芯片統一向車輛的線控系統發出指令。車輛電子電氣架構向域集中式發展也是自動駕駛發展下必然的趨勢。

而在乘用車以外領域，Robotaxi仍處于商業試運行階段，在礦區、港口、物流園區等封閉場景則已基本實現落地，而商用車領域則已可用輔助駕駛覆蓋高速環境，實現半封閉場景下的自動駕駛。

對于汽車產業而言，自動駕駛是行業智能化轉型的核心。尤其在乘用車領域，在電動化轉型漸趨成熟后，智能化，尤其是智能駕駛方面的發展成為車企突圍的主要方向。但開發新的技術并不容易。

根據IDC數據，有40%企業認為科技企業的入局讓競爭越加緊迫；技術更新迭代速度快，缺乏成熟的解決方案，導致新產品決策難；以及新老產品難以平衡，內部資源分配難。

另一方面，對于自動駕駛公司而言，由于自動駕駛研發需要投入大量資金，而L4級別自動駕駛商業化困難，對以發展自動駕駛為主要業務的科技公司來說，維持資金鏈穩定成為巨大的挑戰。

超過半數的科技公司認為研發投入金額大，周期長，資金鏈壓力大。同時，對科技公司來說，汽車行業知識積累不足，與主機廠溝通效率不高。

雖然存在困難，但對雙方而言，合作是順其自然的結果。今年以來，已經有多家L4級別自動駕駛科技公司宣布為主機廠開發L2、L3級別輔助駕駛系統，包括輕舟智航、文遠知行、智行者等，其中部分已完成系統的開發，即將在主機廠部分車型實現落地。

自動駕駛系統的前期開發依賴大量道路環境數據的輸入，形成貫穿感知、決策、規劃、控制多環節的算法。而后依然需要持續不斷地輸入數據，繼續對算法的訓練與驗證，從而實現迭代。

主機廠與科技公司的合作，一方面解決了雙方當下的需求，同時，也可為自動駕駛的發展積累實際道路數據，推動自動駕駛的落地。

02.自動駕駛系統的訓練涉及超大量運算

白皮書指出，利用人工智能手段訓練自動駕駛系統，首先需要車輛像人類駕駛員一樣快速準確地識別車道、行人、障礙物等駕駛環境中的關鍵信息。通過在海量數據基礎上不斷的重復訓練與驗證，使車輛對道路環境的認知水平逐漸趨近于真實情景，判斷的準確性在這一過程中不斷提升。

自動駕駛需要機器對環境的判斷具備相當高的準確度，所以前期需要輸入大量的場景數據。

此外，自動駕駛系統還需要像人類駕駛員一樣對環境信息做出回應。這需要機器對同一道路環境中其它交通參與者的運動軌跡做出預判，從而規劃合理的行進路線，并及時調整車輛的行進狀態。這同樣需要大量的訓練對系統的預測軌跡進行矯正。

同時，人工智能對人類駕駛員行為的學習是一個持續不斷的過程，量產車在上市后會回流海量的數據，用于自動駕駛算法模型的優化。因而訓練的規模會隨市場中車型存量的上升而不斷擴大。

另一方面，由于真實路測信息無法涵蓋足夠豐富的長尾場景，而且，真實路況下無法實踐部分具有危險性的場景，因此，在自動駕駛系統開發前期利用虛擬仿真技術開展仿真測試是更好的選擇。

即，將真實世界中的物理場景通過數學建模進行數字化還原，在軟件程序所建構的虛擬環境中測試自動駕駛系統。

而且，仿真測試中通過運行虛擬程序產生數據，不僅測試速度遠高于物理世界中行駛的車輛，還允許開發團隊在組裝成本高昂的樣車之前即開始測試并驗證系統算法。可最大限度提升實車測試的效率。

在仿真測試方面，英偉達基于Omniverse構建了自動駕駛汽車模擬器DRIVE Sim，可大規模地進行物理精準的傳感器仿真。開發人員可以在工作站上運行可重復的仿真，然后在數據中心或云端擴展為批量模式。

DRIVE Sim上包括DRIVE Replicator等多個應用。DRIVE Replicator主要提供一系列專注于合成數據生成的功能，用于自動駕駛汽車的訓練和算法驗證。DRIVE Sim和DRIVE Constellation還支持各個級別的自動駕駛全棧仿真，包括軟件在環、硬件在環和其他在環仿真測試（模型、植物、人類，以及更多）。

仿真測試需要場景庫基于數據中心大規模重建或回放現實場景，并以平臺內部資產的泛化縮小仿真與真實數采之間的差距，以修正虛擬環境中的結果和反饋，從而保證對虛擬世界的構建與現實世界實時互通，因而也需要大算力的支持。

03.AI超算中心

對算法能力強的公司來說，自建數據中心是順其自然的選擇。一方面可解決安全問題，自有數據中心良好的封閉性可最大程度降低數據資產外溢的風險。同時，長期來看也是成本更低的選擇。

IDC的調研也顯示，自動駕駛行業的開發團隊對這一領域的投資將在未來穩定增長。

數據中心可為訓練自動駕駛系統提供巨大的算力，為支撐人工智能計算提供了重要的硬件基礎設施，其底層硬件技術路徑包括GPU、ASIC、FPGA和NPU。

其中，ASIC為專用芯片，針對專門的用途而設計。FPGA屬于半定制芯片，可通過編程重組電路，在研發與使用兩個階段均可以彌補定制電路靈活性方面的不足。NPU則是專門針對AI和深度學習所設計的芯片。工作原理是在電路層模擬人類神經元和突觸，通過存儲和計算的一體化提高運行效率。

英偉達可以提供適用于自動駕駛汽車的基礎架構，包括開發自動駕駛技術所需的數據中心全套硬件、軟件和工作流參考架構，涵蓋從原始數據采集到驗證的每個環節，為神經網絡開發、訓練和驗證以及仿真測試提供所需的端到端基礎模塊。

蔚來就在使用NVIDIA HGX構建綜合全面的數據中心基礎設施，并在此基礎上開發AI驅動的軟件定義汽車，包括ET7、ET5。包括8個NVIDIAA100GPU和NVIDIA ConnectX-6InfiniBand網卡。

此外，小鵬與阿里云合作在烏蘭察布建成了自動駕駛智算中心“扶搖”。而阿里云，同樣是A100的大客戶。

此前，英偉達A100和H100已被美國商務部禁止向中國出售。不過，11月8日，英偉達已經宣布，將在中國推出一款新的芯片A800作為A100的替代，A800符合美國近期的出口管制規定。

此外，大陸集團也基于NVIDIA DGX AI系統建立了高算力集群，其超級計算機包含超過50套NVIDIA DGX系統，以NVIDIA Mellanox InfiniBand網絡連接，用于加速開發自動駕駛解決方案。同時提供接口與云端資源連接。主要應用場景包括深度學習和仿真測試。

自動駕駛的發展道路注定是漫長的，每一個細節都需要大量的修正。超大算力中心的構建無疑將為大量真實數據的采集與運算，以及仿真場景的建設提供條件。

大量訓練是解決自動駕駛CornerCase的必要路徑。建立超算中心或許也將成為后期自動駕駛發展的必經之路。