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特地式发展，也激励了普遍关注。
尤其是在中国市集，端到端的智驾决策还是成为总共这个词行业的共鸣，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，也充分坚硬到了车端算力的极点艰难性——于是，专家又把见谅的眼神朝向了英伟达。
而关于英伟达来说，这种关注天然不算错，但却并不全面。
施行上，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，这少许如实更受市集和普通花消者的关注。
然则，被严重刻薄的是，围绕着自动驾驶的合座时间罢了旅途，英伟达施行上在用户感知并不彰着的云表、软件侧、器具链等方面都进行了全地方、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凭据。
一个器具皆全的「厨房」
关于普通用户来说，智能驾驶的体验自己，频频与车企推送的一次次 OTA 升级密切干系，这些升级中包含的车端智驾算法模子，成为了用户施行智驾体验束缚升迁的要害——但问题在于，这些运行于车端的智驾算法模子，并非是造谣而生。
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，更像是一个器具皆全、便利好用的「厨房」。
而在不少智驾玩家的选定中，尤其是自研决策车企的智驾体系中，这个「厨房」自己，都是基于英伟达的时间来构建的。
这里需要明确一个前提：关于总共奋发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责任过程。淘气来讲，它主要包括数据处理和神经会聚算法的构建这两大模块，而这两个模块都需要普遍纷纭复杂的责任要处理——但在英伟达软硬件时间的助力下，这些责任不错被处理得愈加高效。
比如说，在自动驾驶的数据处理过程中，频频需要从普遍的数据中寻找到一些安全性干系的旯旮案例（包含动态场景、多模态传感器交融）并进行数据标注责任，才略够干事于算法构建。因此，自动驾驶的数据处理形势，关于任何一个玩家来说，都是挑战广泛、本钱高企 的难题。
不外，一朝玩家们接受英伟达时间，就不错在英伟达云策动平台（NGC）的助力之下，通过预历练模子来细心图像，同期不错在图像处理中接受来自于英伟达的视频编解码时间，何况不错通过英伟达 TAO AI 模子自适宜平台来进行模子优化——其抛弃是，接受英伟达时间之后，东谈主工标注责任不错减少高达 50%，而总共这个词数据标注过程的遵守不错升迁 30%。
天然，针对特定玩家的自动驾驶时间旅途选定，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间方朝上接受了端到端 + VLM 的时间决策，这一决策，关于多模态数据处理和智能驾驶的融会与决策才略提议了新要求。于是，在英伟达的匡助之下，理思汽车大致对理思 L9 车型的数据进行重建和动态裁剪，有用哄骗历史数据，提高了数据处理的遵守和模子历练的泛化才略。
同期，英伟达 Replicator 能合成选藏场景数据，从而匡助智驾系统更好地处理旯旮情况；英伟达 NeMo 框架支握智能汽车的视觉言语模子应用，提供了从数据处理到模子历练、模子考据的处理决策；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思汽车端到端 + VLM 决策的罢了而提供的有用时间因循。
另外，还有一个很容易被普通用户忽略的信息是，访佛于 DRIVE Orin 和 DRIVE Thor 这些功能坚强的车端算力平台，也需要英伟达的软件时间来加握。
比如说，为了推动 Orin 和 Thor 芯片更好地运行，英伟达挑升诞生了 DriveOS。
具体来说， DriveOS 是总共这个词英伟达 DRIVE 软件堆栈的基础所在，亦然针对车载加快策动而起头推出的安全操作系统，包括用于罢了高效并行策动的 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圭表所需的总共软件、库和器具，不错为自动驾驶诞生者提供一个安全可靠的履行环境，并提供安全启动、安全干事、防火墙和无线 OTA 更新等干事。
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诞生来说至关艰难的中间件功能。这些功能包括传感器轮廓层 ( SAL ) 与传感器插件、数据记载器、车辆 I/O 支握和深度神经会聚 ( DNN ) 框架——该器具领有模块化和绽开的特质，在打算上合适汽车行业软件圭表。
不错说，莫得 DriveOS 和 DriveWorks 的加握，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 如实成为宽敞智驾玩家在车端算力平台选定上的不二之选，然则被大多数普通用户忽略的是，其实在软件层面，英伟达也基于这些车端算力平台作念了格外深重的布局，从而束缚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聚首的 PVA 决策。
具体来说，为了缩小越来越忙活的 AI 责任负载，诞生者不错径直在 Orin 和 Thor 这么的 SoC 中运行一个挑升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大致愈加高效地治理其他要害任务。
施行上，PVA 愈加访佛于一个不错由诞生者自界说的 AI 加快器，来处理自动驾驶汽车诞生中的策动问题，从而大致更高效、更有用地处理复杂的视觉任务，并提高合座系统性能——现在，基于 PVA 的优化处理决策权臣提高了蔚来自动驾驶的性能，并被闲居应用于蔚来的量产车型中。
车端布局，不单是是算力
天然，从普通用户感知的角度，英伟达在自动驾驶行业最受关注也最为融会的，是它所提供的车端智能驾驶策动平台，也等于还是大鸿沟上车的 Orin 和行将上车的 Thor。
这并不令东谈主感到不测。
如实，从现时行业的落地来看，AI 算力为 254 TOPS 的英伟达 Orin 策动平台，还是成为事实上的高阶智能驾驶圭表树立。
从现在还是走向市集的情况来看，岂论是蔚来、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，都还是在旗下车型中接受了英伟达 Orin 决策。
不错说，从总共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，从时间发展的维度，行为 Orin 的继任者，Thor 自己更值得关注。
Thor 施行上是英伟达最新一代面向自动驾驶的车端策动平台，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受了英伟达的最新 CPU 和 GPU 时间，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 支握 8 位浮点形势 ( FP8 ) ，可在镌汰合座系统本钱的同期，提供 1000 INT8 TOPS 性能——这一算力险些是 Orin 的 4 倍。
天然，在具体的交易落地层面，Thor 也还是得到了普遍合营伙伴的认同，并由此取得了彰着的冲突。
具体来说，2024 年，Thor 得到了越来越多的主机厂客户。
比如说，在 CES 2024 行动期间，理思汽车晓谕将在 Thor 上构建其将来汽车产物；而在 GTC 2024 行动上，比亚迪晓谕将基于 Thor 构建下一代电动车型。同期，广汽埃安晓谕旗下高端豪华品牌昊铂下一代电动汽车将接受 Thor 平台，新车型将于 2025 年启动量产。
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选用。比如说，来自硅谷的自动驾驶配送车辆制造商 Nuro，还是选定 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，还是不单是是对准了资金实力愈加淳朴的主机厂，也包括一批奋发于激动自动驾驶前沿时间发展的决策商——施行上，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选定。
值得强调的是，在 Orin 和 Thor 逐渐走向落地的过程中，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干事——更艰难的是，英伟达也在端到端、大模子等前沿时间上握续探索，为总共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， 还有一个总共玩家都不得不靠近的实在难题：当一个智能驾驶模子被诞生出来之后，奈何对它在施行场景中的遵守进行实在有用的测试和考据。
到了端到端时期，这个难题更是被无穷放大，成为各家在智能驾驶诞生中的终极磨真金不怕火。
其原因是，东谈主类的谈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，即使是相似的谈路场景，也存在着天气景况、拥挤情况、交通参与者、是否施工等各种各样的相反——这就意味着，在真实的场景中进行各种各样的考据，是一件根柢不成能完成的事情。
因此，寻找到一个大致具备闲居通用性、普适性的替代决策，就显得极为要害——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长远布局。
具体来说，等于 NVIDIA Omniverse 平台。
从主张上来说，NVIDIA Omniverse 是一个基于 USD（Universal Scene Description，通用场景描述，一种大致表述精确物理模子的通用圭表，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，它大致很好地知足行业里关于高保真自动驾驶汽车仿简直需求。
事实上，仿真关于诞生和考据自动驾驶汽车的安全要害功能而言至关艰难，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历练提供安全、可控且传神的环境——哄骗 Omniverse，可有用地对现实寰宇要求进行仿真，使车辆得以在启程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、交通变化或者荒原的危急场景，Omniverse 不错哄骗生成式 AI 的一些最新时间进行精确建模，何况不错行为历练数据的一部分。
与此同期，当自动驾驶诞生者在进行任何自动驾驶车辆的物理原型打算之前，不错通过 Omniverse 部署虚拟车队来打算新传感器和堆栈的原型，从而减低在施行诞生过程中的物理测试和考据本钱。
值得一提的是，为了知足行业里关于自动驾驶传感器和周围环境的物理本性和步履进行精确建模的需求，英伟达在 GTC 2024 上还挑升发布了 Omniverse Cloud 应用编程接口（API），它们采集了一个由仿真器具、应用和传感器组成的丰富生态系统，从而不错知足高保真传感器仿简直要害需求——以安全的步地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，诞生者不错看望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，诞生者还不错调用这些应用编程接口，从而生成普遍且各种的合成数据集，为历练和考据这些自主系统所使用的感知模子提供要害数据。
除了大致处理在自动驾驶落地场景中的仿真测试问题，NVIDIA Omniverse 也大致很好地干事于于自动驾驶汽车自己的外不雅打算、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打算、评审与性能优化的全地方数字化平台。
其中，通过 Omniverse Composer，阿尔特的打算工程师们不错快速切换不同的汽车造型，从而在短时刻内探索多种打算决策；哄骗 Omniverse Connector，阿尔特使不同 DCC 软件和 Composer 大致进行及时协同，罢了了工程师之间的并行责任，极大提高研发遵守。
有道理的是，阿尔特汽车还哄骗 Omniverse Action Graph 制作汽车组件拆解爆炸遵守视频，省俭普遍时刻。
时间体系，才是中枢竞争力
要是站在时间落地的角度来看，智能驾驶是东谈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。
施行上，东谈主工智能虽然面向九行八业都领有很大的赋能后劲，但这个过程都口舌常费事的。因为它需要的并不单是是东谈主工智能算力的构建；更为艰难的形势是，奈何通过一系列复杂的全栈时间布局，把算力应用和干事于特定的行业场景，从而赋能于东谈主类。
某种进程上，东谈主工智能的落地，磨真金不怕火的是体系才略。
从这个角度来看，英伟达在智能驾驶行业上演的变装，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历练到车端推理的一系列过程中的合座布局，来罢了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刻薄，但却相似艰难。
也许，从这个角度来看，咱们也许大致愈加容易理解，尽管英伟达为总共这个词东谈主工智能行业的发展提供了弥散坚强和先进的算力平台，但从业务逻辑来说，行为英伟达掌门东谈主的黄仁勋，更欢然在公开局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，何况最终得到市集认同。
尽管市集和花消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间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时间护城河。
天然，岂论是否被市集充分融会kaiyun.com，面对自动驾驶鸿沟正在发生的 要紧时间变革和交易落地机遇，英伟达硬件和软件的握续深耕还将不竭，何况会愈加致密——这天然是时间的逻辑，但它亦然交易的逻辑，但最终，这也将会是英伟达得到市集认同、并大致不竭为自动驾驶行业的发展孝敬永恒价值的中枢驱能源之所在。