IDC：現實+仿真-超大算力賦能自動駕駛（2022年）（32頁）.pdf

《IDC：現實+仿真-超大算力賦能自動駕駛（2022年）（32頁）.pdf》由會員分享，可在線閱讀，更多相關《IDC：現實+仿真-超大算力賦能自動駕駛（2022年）（32頁）.pdf（32頁珍藏版）》請在三個皮匠報告上搜索。

1、現實+仿真超大算力賦能自動駕駛自動駕駛技術具有良好的市場前景.乘用車市場自動駕駛水平不斷提升.自動駕駛出租車業務發展勢頭良好.自動駕駛在礦區、港口、物流園區等場景中已基本實現.商用車自動駕駛技術正逐步落地自動駕駛帶動汽車行業向智能化躍遷.自動駕駛系統的訓練涉及超大量運算.前期利用仿真測試生產合成數據，縮短系統開發周期.車端解決方案是落實自動駕駛的關鍵節點AI技術推動自動駕駛行業發展.AI超算中心為自動駕駛系統的訓練提供算力支持.數字孿生技術加強仿真測試NVIDIA賦能算力中心，加速自動駕駛產品落地.助力汽車行業主機廠.助力汽車行業一級供應商IDC建議.010002030405020107132

2、227執行概要.目 錄1傳統汽車行業集人類工業文明發展之大成，以機械部件的可靠性、座艙內部的舒適性、駕駛過程的操控性、外觀設計的美觀性作為評價車型的主要標準。然而，隨著智能化終端對人類生活的滲透，人們越發信任并習慣于科技發展所帶來的便捷。汽車作為人類最主要的出行工具之一，也在漸進式地通過各種駕駛輔助功能將用車者從駕駛行為中解放出來，車機系統的智能性正越發成為人們評價一個車型的核心標準。自動駕駛是駕駛輔助功能的最終形態。早期的各種駕駛輔助功能控制邏輯較為直接，體現為控制車上單一維度的功能對數量有限的環境變量做出回應。進一步向自動駕駛的發展需要車機系統對車輛周圍的環境信息做出整體統籌，并規劃出安全

3、、舒適、高效的線路。這需要車輛即時對周圍運動單元的潛在軌跡做出判斷，但不同情形排列組合可能產生的條件數量遠大于有限的程序所能承載的范圍，因而需要人工智能的介入對車機進行長期的訓練。自動駕駛系統具有高度的復雜性，訓練的過程需要以海量場景數據的積累為前提。在訓練的過程中，機器需要在有限的時間內對大量的圖像信息完成處理，因而需要以巨大的算力作為支撐，造成了訓練自動駕駛系統的高成本。與此同時，自動駕駛系統在真實世界中可能遭遇的場景難以窮盡，因而需要系統對駕駛行為進行持續不斷的學習，拉長了自動駕駛系統訓練的周期。大型車企或一級供應商往往選擇建立自有算力資源。但是，人工智能計算中心的搭建具有較高的技術門檻

4、，運營與維護過程也需要較高水平的經驗積累，因而需要與技術成熟的解決方案供應商開展合作。首先，數據中心解決方案供應商軟硬件技術的先進性決定了人工智能計算中心所能提供的算力水平，其解決方案的成熟度又決定了前期搭建所需的時間周期，以及算力供給過程中的穩定性。這些因素共同決定了自動駕駛解決方案的開發周期，因而直接影響了相應的車企是否能夠在智能駕駛領域取得市場先機。在自動駕駛領域具有長期規劃的車企或技術供應商需要掌握穩定的算力資源。就這一方面而言，硬件的選型與網絡的規模將對數據中心的算力產生直接的影響，涉及IT領域的專業知識，企業需要具備相關的知識儲備，以及駕馭跨行業合作關系的能力。此外，搭建及運營人工

5、智能計算中心的供應商需要提供一套集成的全棧式AI解決方案，以保證自動駕駛系統的開發項目能以最快的速度上線，并得到持續且穩定的算力支持。執行概要2自 動 駕 駛 技 術 具 有 良 好 的 市 場 前 景0 1AI技術自誕生至今取得了長足的發展，賦能各行各業的智能化進程。自動駕駛是AI技術在汽車行業落地的重要形式，自年月國家頒布智能汽車創新發展戰略起，即被正式提升至國家級戰略的高度。國內外的眾多科技公司均爭相布局這一領域，投入了巨大的研發成本，以期先于市場獲得足夠的技術積累。各大車企也在產品規劃中以智能化為重要導向，向自動駕駛領域大力傾斜，從而在汽車市場白熱化的競爭中爭奪差異化競爭優勢。.乘用車

6、市場自動駕駛水平不斷提升現階段乘用車市場中的自動駕駛技術以支持駕駛輔助功能為主，具有明確的運行設計域，僅能在嚴格限定的條件下實現自動駕駛，實現的功能包括全速自適應巡航、車道保持輔助、自動泊車等。對于許多車型而言，其全速自適應巡航（縱向）與車道保持輔助（橫向）能夠在一定條件下同時運行，符合汽車駕駛自動化分級中對L級自動駕駛的基本要求。IDC中國自動駕駛汽車市場數據追蹤報告顯示，L級自動駕駛在乘用車市場的新車滲透率在年第一季度達到了.%的水平，并將在可預見的未來持續上升。3傳統車企以增強駕駛安全性為主要目的，在高端車型或高配版中低端車型上裝配駕駛輔助功能，或提供選裝。其中，主流量產合資品牌的L級自

7、動駕駛已下探至（人民幣）萬級別的車型，部分品牌已下探至萬出頭。傳統豪華品牌以自動泊車為入手點布局駕駛輔助功能，幾個頭部品牌也在不斷發布旗艦車型行車場景中駕駛輔助功能的技術積累，但現階段仍以選裝為主。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，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，以自動駕駛功能作為開拓高端市場的重要立足點。與此同時，部分造車新勢力能夠提供諸如“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。從L級開始，自動駕駛即要求汽車在一定條件下持續執行

8、全部的自動駕駛任務。一方面要求車輛在接收環境信息后，統籌各傳感器收集到的信號，配合高精地圖對周圍環境做出整體判斷。另一方面，需要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。92.5%87.0%84.0%78.5%76.8%7.5%13.0%16.0%21.5%23.2%Q Q Q Q2 Q1未達到L級自動駕駛的乘用車L及以上級別級自動駕駛乘用車1 L2:IDC,20224但在汽車行業過往上百年的發展歷程中，不同的電控功能從研發到量產大多單獨立項。每個功能都配備了獨立的ECU，同時汽車也擁有足夠的體積，允許每個功能獨立布線。因而形成了與集中式相對應的

9、分布式電子電器架構，不同功能運行時相互之間完全獨立。對于駕駛輔助域而言，自適應巡航、車道保持輔助等功能所對應的傳感器在接收信號后，直接對車身控制系統中相應的部件發出條件反射式的指令。這足以支撐L級自動駕駛中不同功能的拼湊，但更高級別的自動駕駛需要以自動駕駛域的集中控制作為底層架構基礎。就這一方面而言，市場上的一部分新興品牌或新的車型不存在傳統車型的歷史包袱，允許廠家在設計之初即采用域控式電子電氣架構，抑或更進一步在整車層面采用集中式架構。與此同時，汽車行業的智能化對車輛提出了規?？涨暗乃懔π枨?，迫使整車廠不得不對原先分散在各個ECU的算力資源進行優化整合。此外，電控設備的急劇增加也造成了分布式

10、架構難以承受的布線成本。這些因素均在推動傳統車輛電子電器架構向域集中式發展。.%自動駕駛域實現集中控制.%自動駕駛域未實現集中控制IDC中國自動駕駛汽車市場數據追蹤報告年第一季度數據顯示，現如今市場上的L 級 自 動 駕 駛 乘 用 車 中，有.%通過主控芯片對駕駛輔助域實現集中控制，或者在整車實現集中度更高的控制。2 L2:IDC,20225雖然目前市場上的多數車型尚未對自動駕駛域實現集中控制，但隨著造車新勢力市場占有率不斷提升，以及傳統車企電子電器架構向域集中控制的發展，駕駛輔助域實現集中控制的車型將快速滲透市場，為環境信息的集中處理與自動駕駛域功能的統一調配提供良好的底層架構。.自動駕駛

11、出租車業務發展勢頭良好自動駕駛出租車行業目前尚處于商業試運行階段，僅在北上廣深成等部分城市的測試路段運營。該類應用場景需要應對自然道路環境中大量復雜的長尾場景，對自動駕駛技術的成熟度要求更高。目前的解決方案中，VX（VehicletoEverything，車用無線通信技術）是一個重要的輔助。在環境感知方面，除了利用車輛自身的智能，還可以借助外部環境實現信息的獲取，這一類技術統稱為VX技術。而現階段VX路端設備的鋪設成本較高，限制了自動駕駛出租車的規?；l展。但自動駕駛出租車商業化試運營的推進勢頭非常迅猛。已在部分試點地區獲得了出租車經營許可，實現了對小部分普通出租車運力的替代。同時又有部分試點

12、已經開始取消安全員，更加接近于自動駕駛出租車未來理想的運行狀態。年年底國務院頒布的“十四五”現代綜合交通運輸體系發展規劃再一次強調未來將穩妥發展自動駕駛和車路協同等出行服務。.自動駕駛在礦區、港口、物流園區等場景中已基本實現工業場景也是自動駕駛技術的重要應用途徑。其中，礦區、港口、機場、物流園區屬于封閉場景，規避了開放道路中大量的長尾情境，因而降低了對系統魯棒性的要求。干線物流所在的高速干線同樣具有較強的封閉性，減小了任務運行中的不確定性。終端物流配送的車速區間較低，停車較為方便，一定程度減小了自動駕駛系統運行的壓力。低速 的場 景封 閉 的 場 景礦區港口機場干 線物 流物 流園 區終 端配

13、 送3:IDC,20226這類駕駛任務的線路較為固定，被運送的貨物也較為常規，因而自動駕駛系統運行的可預測性較強。此外，工況在鬧市區公共交通場景之外，大大減小了行人、電瓶車等因素為自動駕駛任務帶來的不確定性?，F階段的自動駕駛技術已經基本可以滿足這些場景中的駕駛需求，商業化落地的模式也已經較為成熟。這些場景中的運輸工作重復性強，較為枯燥，并且大部分遠離城市，條件艱苦，尤其是礦區還具有一定的危險性，在可預見的未來將面臨司機人力成本上漲的困境。同時，這些行業的業務量又隨經濟的發展逐年上升。因而對自動駕駛解決方案的需求將逐年增長。.商用車自動駕駛技術正逐步落地商用車自動駕駛的落地主要應對高速場景，在車

14、輛上高速前與下高速后車輛依然由人類駕駛員操控，駕駛輔助功能主要覆蓋耗時耗力最多的高速環境，屬于半封閉工況。目前頭部自動卡車公司已經將自動駕駛水平推到了非常高的級別，整體市場也在政策的推動下穩步發展。短 期 來 看，自 動 駕 駛 技術 在 商 用 車 的 落 地 將 增加 司 機 長 途 駕 駛 的 安 全性，減 少 事 故 造 成 的 人員 及 經 濟 損 失。長 期 而言，長 途 司 機 日 漸 短缺，但 運 貨 需 求 日 益 增長，此 消 彼 長 中，自 動駕 駛 技 術 將 在 一 定 程 度上 緩 解 長 途 運 輸 對 人 力資源的依賴。輔 助 駕 駛駕 駛員駕 駛員始發 地目

15、的地4:IDC,20227自動駕駛是汽車行業智能化的核心構成，行業內在這一領域形成了大量的合作，同時還有更多的合作正呼之欲出。通過調研，IDC發現智能汽車的興起為汽車行業整車廠及其傳統一級供應商帶來壓力，這些公司普遍苦于尋找合適的解決方案以及合理的規劃投入。自 動 駕 駛 帶 動 汽 車 行 業 向 智 能 化 躍 遷0 2/ICT40%40%40%35%30%30%30%2 5%2 5%2 0%1 5%1 5%5:IDC,20228與此同時，自動駕駛業務在研發階段需要巨大的資金投入，并且項目周期較長，為科技公司（尤其是新興科技公司）資金鏈的維持帶來了巨大挑戰。因而這些公司具有強烈的意愿為汽車

16、行業巨頭提供技術支持，僅苦于涉足汽車領域時間較短，缺少成熟的溝通渠道與口徑。因此，隨著時間的推移，雙方將在市場的壓力下突破溝通的壁壘，而在該領域落后的品牌將面臨市場的淘汰。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。.自動駕駛系統的訓練涉及超大量運算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，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

17、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。這需要大量的訓練對系統的預測軌跡進行矯正。ICTICTICT53%53%4 3%4 3%4 0%30%2 5%2 3%2 0%6:IDC,20229完全程度的自動駕駛依然是未來的愿景，在到達這一愿景之前，自動駕駛被人為分成了不同的階段。按照汽車駕駛自動化分級對L級自動駕駛的規范，這一階段的自動駕駛任務尚較為具體，而：同時，人工智能對人類駕駛

18、員行為的學習是一個持續不斷的過程，量產車在上市后依然會回流海量的數據，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。.前期利用仿真測試生產合成數據，縮短系統開發周期在實車端采集數據需要真實的車輛搭載全套傳感器設備在真實場地中持續行駛，通常會產生高昂的測試成本。與此同時：每進一步，場景的長尾性均大幅增加，數據量亦呈指數級增長。從L級開始，特定“駕駛輔助功能”需要拓展為一定條件下的全部“自動駕駛任務”實車測試需要等待傳感器套件在樣車上完成整個裝配、調試后方可開展，數據需要在車輛實際行駛這一漫長的過程中緩緩產生，因而僅僅依靠實車測試會造成研發周期過長，難以滿足“軟件定

19、義汽車”時代對產品迭代速率的需求實際道路交通中復雜的駕駛環境要求自動駕駛系統具備足夠的魯棒性，這要求系統在訓練時就經歷足夠豐富的長尾場景，而“長尾”本身的含義即指種類繁多且出現頻率較低，完全依靠實車測試難以對這類場景實現全面的覆蓋部 分 駕 駛 情 境 具 有 一 定 的 危 險性，與實車測試所要求的可控性存在天然的矛盾，通過真實車輛實踐該類情境成本過高，而且容易造成沒有必要的財產損失L級進一步覆蓋了一部分需要人類駕駛員接管的場景L級則更進一步，將自動駕駛的邊界推廣到全部駕駛場景能夠識別二維平面上的色彩、圖 像 信 息，如 交 通燈、道路標線、路牌等，但容易受環境中能見度的影響，且對距離的判斷

20、誤差較大對 距 離 與 速 度 的 判 斷 較為 精 準，且 不 受 雨、雪、霧 等 極 端 天 氣 影響，但 對 目 標 物 體 高 度的 判 斷 存 在 欠 缺，同 時無 法 識 別 顏 色、文 字、圖像感 知 距 離 較 近，多 用 于泊車場景對三維空間的描述最為準確，但容易受雨雪等極端天氣影響，且造價昂貴，同時與其它種類雷 達 一 樣 無 法 識 別 圖像、色彩、文字信息10因此，自動駕駛系統開發的前期往往利用虛擬仿真技術開展仿真測試，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。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

21、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。通過“軟件在環”、“硬件在環”、“整車在環”等一系列逐步推進的測試，使自動駕駛系統在裝配樣車之前即可以得到一定程度的收斂，從而最大限度提升實車測試的效率。除此之外，現實世界中收集的場景數據需要在人工打標后方能投入運算并用于訓練深度神經網絡。而人工打標不僅時間長、進度慢，還存在一定的失誤率，這都會對自動駕駛系統的訓練效率造成影響。利用仿真環境合成數據可以最大程度節約打標過程所產生的時間與人力成本，從而進一步縮短項目周期。.車端解決方案是落實自動駕駛的關鍵節點車輛控制與乘客的安全息息相關，因而車輛自動駕駛系統從感知

22、層開始即需要具備足夠的安全冗余。目前應用于自動駕駛領域的傳感器包括攝像頭、毫米波雷達、超聲波雷達、激光雷達，不同種類的傳感器分別具有不同的優勢與劣勢：攝像 頭毫 米波 雷 達超 聲 波雷 達激 光 雷達11自動駕駛系統需要在全工況下，全面感知各方向遠程、中程、近程的環境信息（盡管精度要求有所不同），以保證車輛的信息輸入覆蓋到能夠影響駕駛的所有要素。此外，一套完整的傳感器套件還需要集成GPS與IMU等定位設備，并配合高精地圖在感知與定位兩方面實現足夠的安全冗余。目前市場上能夠實現較高級別自動駕駛的存量車型中，傳感器解決方案以攝像頭加毫米波雷達為主，通過多個攝像頭實現對度環境信息的捕捉，并與雷達接

23、收到的點云信息在特征層與決策層實現融合。攝像頭與人眼的感知模式最為接近，可以通過圖像分析得到最為豐富的環境信息，且工業成本低于雷達類傳感器，但相應感知算法的復雜程度極高，同時卷積神經網絡所需的計算量對主控芯片算力提出了較高的要求。此外，算法加成下的多目攝像頭對距離方面誤差的彌補目前仍然較為有限，因而需要輔以雷達類傳感器作為補充。激光雷達是最為理想的選擇，但由于成本方面的原因尚未占領主要市場。毫米波雷達已經具備成熟度非常高的解決方案，以不同的波長應對橫向與縱向的感知需求，從L級自動駕駛時代起（ACC自適應巡航等功能）即開始得到市場的驗證。但隨著技術的發展，激光雷達的成本正逐漸下降，多家汽車品牌均

24、開始在新車型上裝配激光雷達，通過對車輛四周環境持續的掃描建立三維點圖完成感知任務。同時，D毫米波雷達技術的發展也將進一步彌補雷達傳感器現有的不足之處。感知層獲取環境信息后，決策層將負責對信息進一步的處理，從而向管理車身動態的執行層發出指令。傳統汽車時代駕駛輔助功能的控制邏輯較為直接，但從L級自動駕駛開始，車輛即需要在更高的層級對路線進行統籌規劃，這使得主控芯片的運算量急劇增加。而開放道路交通環境復雜多變，車輛的高速行進要求自動駕駛系統實時對環境中發生的變化作出回應，在算力方面對主控芯片形成了巨大的壓力。駕駛行為又與乘客的安全息息相關，因而要求承擔算力的芯片能夠持續穩定地輸出。12此外，軟件時代

25、系統的迭代周期小于車輛產品的生命周期。新興車企往往通過OTA線上升級完成功能的更新，傳統車企也致力于提供類似的服務。這要求車輛自動駕駛 域 的 主 控 計 算 平 臺 具 備 足 夠 的 算 力 冗余，以應對產品壽命內可能更新的功能。目前市場上的量銷車型自動駕駛域計算平臺的算力水平參差不齊，一方面的原因也是因為不同車企對未來功能升級的規劃有所不同?！败浖x汽車”時代的到來意味著車輛的評價將愈發取決于軟件的體驗。軟件需要追隨消費者痛點的轉移實時更新，優秀的軟件平臺允許開發者高效構筑和部署各種先進的應用程序。因而自動駕駛系統需要足夠靈活的軟件堆棧，并實現與硬件之間高度解耦，以保證軟件開發的靈活性

26、，從而支持系統的快速迭代。13自動駕駛算法的訓練需要在有限的時間內完成大量的運算，因而對算力形成極高的要求。高強度的算力不僅需要被用于模型的運行、更新、迭代，還需要支撐仿真測試中場景的搭建與渲染。開發自動駕駛算法需要針對這一算力需求進行持續性的投資。如果使用公有云，會造成邊際成本不斷上漲。相比之下，自建數據中心長期來看能夠節省大量的成本。其次，從數據安全的角度出發，自有數據中心天然具有良好的封閉性，最大程度降低 了 數 據 資 產 外 溢 的 風 險。因此，算法能力比較強的公司傾向于 自 建 數 據 中 心。通 過 調研，IDC發現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。A I

27、 技 術 推 動 自 動 駕 駛 行 業 發 展0 33%6%1 9%9%4 1%2 2%增長%以上增長%-%增長%-%增長%-%增長%-%增長%以下持平降低7:IDC,202214在“軟件定義汽車”的時代，智能體驗是消費者評價汽車的重要指標，而自動駕駛/駕駛輔助功能是構成車輛智能體驗的重要組成部分。自動駕駛系統開發與上市的速度將直接影響車企是否能夠在此領域取得市場先機。而算力資源是直接影響開發速度的硬性因素，算力集群底層架構的優化能夠以月為單位縮短系統的開發周期，直接決定了品牌是否能夠在新興領域占領高地。.AI超算中心為自動駕駛系統的訓練提供算力支持數據中心承載著訓練自動駕駛系統所需的巨大算

28、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、NPU。GPU最初的目的是在圖形處理領域解放CPU算力，該領域中的數據處理規模龐大，但模式統一，且其中重復性較高的運算部分內部之間相互不存在依賴性。針對這一特點，GPU在結構上配置了大量算術邏輯單元，允許高強度的并行計算。不過，GPU依然屬于通用芯片，遵循馮諾依曼架構，只是控制單元所需處理的邏輯相對簡單。隨著人工智能日漸走向歷史的前臺，GPU在通用計算領域的潛力得到了業界的關注。自動駕駛算法的發展需要借助深度神經網絡在高速的狀態下分析海量的數據，而這恰恰可

29、以利用GPU在處理瑣碎信息時的優勢。ASIC屬于專用芯片。由于其針對專門的用途而設計，所以晶體管的利用率非常高，且芯片體積小、功耗低、穩定性好。這類芯片重復生產的成本較低，適合大規模生產。但在量產之前需要完全確保設計正確無誤，因而研發周期較長。且成片之后，功能方面的任何修改都需要重新投片，靈活性較差且應用范圍較窄，應對數據中心靈活多變的計算任務較為吃力。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。但其通用性的優勢來自結構上的冗余，因而在體積、功耗方面均弱于ASIC。FPGA以硬件實現軟件算法，與GPU相比，每個邏輯單元的功能在燒寫時得以確

30、定，規避了內存訪問仲裁15以及執行單元間通信所需的運算與緩存消耗，因而在能效方面具有一定的優勢，理論上低延遲效果更好。但在實現復雜算法方面存在局限。NPU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。7 1%50%4 7%4 1%4 0%38%36%36%2 6%2 2%1 9%1 4%20.7%8.6%9.3%61.4%ASICFPGANPUGPU通過調研，IDC發現汽車行業訓練自動駕駛算法的硬件基礎設施以GPU為主，且開發團隊就人工智能計算中心的搭建選擇供應商時，最看重長期供貨的穩定性，以及對行業內市場的覆蓋。因而GPU在

31、可預見的未來將依然是開發者的首選。8 9:IDC,2022:IDC,202216GPU的技術正在取得日新月異的發展：GPU制程工藝的發展使芯片單位面積內的計算量大大提升混合精度計算的應用根據精度需求動態調整算力，在維持高準確性的前提下提高GPU的吞吐量，同時也在不斷擴大可處理的浮點精度范圍運算模塊間邏輯關系的優化不斷提升著GPU在單位時間內的運算量，極大優化了高性能運算與人工智能任務執行的效率運算核心支持實時光線追蹤渲染，縮小了虛擬世界與現實世界的差距，從而加強了自動駕駛仿真測試中場景信息的真實性GPU集群規模受互聯帶寬的限制，使GPU的利用率隨集群規模擴大而降低，GPU 間互聯技術與Infi

32、niBand高速網絡的發展提升了GPU集群的可拓展性，使算力得以隨硬件規模的擴大線性提升GPU直接存儲技術突破了CPU端I/O對數據傳輸速率的限制，避免了端到端數據傳輸過程中回彈緩存產生的延遲InfiniBand對同步訓練過程中數據整合過程的優化允許所有端口實現全線速數據傳輸，最大程度緩解了交換機對計算性能的限制芯片內部的可分割性提升了GPU算力的顆粒度，使系統適配算力時更加靈活，提升了GPU集群的整體效率17此外，GPU的發展伴生出大量的配套軟件與服務，包括現成的開發工具與平臺，大大減少了開發者部署硬件設施時所需消耗在測試與優化上的時間成本，使汽車行業的終端用戶得以更加快捷地部署算力。然而，

33、人工智能計算中心的搭建與運營過程復雜，技術門檻較高。需要同時兼顧GPU集群、存儲、高速網絡、軟件調度、機房管理等不同的部分。其中每個部分均涉及大量的組件，不僅增加了設計的復雜性，還因為每個組件都有獨立的交貨周期，而使部署的時間出現極大的不確定性，這對于缺乏搭建經驗的團隊挑戰巨大。同時，計算中心的運營也需要具備經驗的團隊指導，方能維持最大的運轉效率。2 2.2%2 7.8%2 2.2%1 6.7%1 1.1%1 6.7%1 2.5%1 2.5%6.3%6.3%0.0%0.0%4.2%6.3%2 5.0%31.3%2 9.2%50.0%通過調研，IDC發現搭建人工智能計算中心時，行業內最常見的問題

34、是初始投資過高，這一問題對于自動駕駛行業獨角獸尤為棘手。另一個行業內普遍存在的問題是難以找到合適的解決方案提供商。此外，項目時間周期過長是車企和傳統一級供應商經常面臨的問題。10:IDC,2022/AI180%39%39%6%0%4%0%17%44%17%4%13%54%31%0%21%0%13%投資方面，主機廠及一級供應商對搭建人工智能計算中心的預算普遍超過（人民幣）億元。與此同時，超過（人民幣）億元的占五分之一多?？萍脊镜耐度胍嗥毡橐郧f計，其中不乏過億的情形。人工智能計算中心的投入對于行業內各方開發團隊均形成了較大的資金壓力。不同公司在搭建人工智能計算中心時所花費的時間是不同的。大部分

35、公司的時間花費大多超過 個月或以上，而多數互聯網公司能將這一時間長度控制在到個月的水平。對于預算較為充足的部分車企及一級供應商來說，他們花費在搭建人工智能計算中心的時間能夠進行進一步的縮減。4%0%0%0%0%6%11%11%6%29%13%28%22%8%13%22%0%19%7%0%29%38%13%13%11 12:IDC,2022:IDC,2022/AI/AI10034-67-1213-1819-2424501-1000100-5001001-5000 5001-11.0001-1.51.5001-2219完成搭建后，人工智能計算中心的算力即可以投入到自動駕駛解決方案的開發過程中。此時

36、行業內最常見的問題轉變為軟件的成熟度與可靠性，這意味著開發者需要具備行業經驗的團隊提供技術支持，以保證最大程度維持人工智能計算中心的穩定運行。資金與時間方面的投入在這一階段也還依然是開發者所需面臨的主要問題。此外，還有部分團隊亟需解決開發工具不夠高效以及底層軟硬件兼容性不足的問題。數據中心的建設與運營成本巨大，資金問題貫穿自動駕駛解決方案開發過程始終，是影響開發者項目決策的重要因素。其次，自動駕駛對于汽車行業而言依然屬于新興領域，搶先一步占領市場能夠為品牌帶來巨大的優勢。而行業內搭建數據中心所花費的時間水平參差不齊，潛在可供優化的空間較大。此外，自動駕駛解決方案的開發與數據中心的運營管理屬于兩

37、個不同的領域，因而對于維持算力的穩定性而言，具備開發經驗的數據中心服務提供者能夠發揮巨大的作用。2 4%2 0%2 0%1 6%1 3%5%2%13:IDC,202220.數字孿生技術加強仿真測試自動駕駛領域的仿真測試與工業及制造業有所不同。在汽車行業，除自動駕駛領域以外，在車身、底盤等部件的設計過程中也會應用仿真測試，但這些測試中仿真的重點與自動駕駛領域有所不同。針對車身、底盤等部件的仿真測試目的在于測試各種受力狀態對這些部件的影響，仿真的重點是零部件本身的形狀、剛性、形變，以及車身整體的噪音、震動、空氣流動。而自動駕駛領域的仿真測試目的在于訓練并測試驗證車輛針對不同的駕駛環境做出正確的反應

38、，重點在于模擬真實的駕駛環境。這類自動駕駛仿真測試的主要關注點是車輛在二維路面上對環境信息的響應、加速、減速和轉彎。除此之外，汽車行業還存在很大一部分測試，目的在于驗證軟件本身是否能夠完整且正常地運轉，關注點在于軟件或系統內部的排蟲，同樣與專門針對自動駕駛的仿真測試有所區分。在自動駕駛領域，仿真測試的一個重要目的是模擬現實世界中較為罕見的長尾場景，如周圍車輛上的物品遺灑、不同物體間的相互遮擋與重疊等。而“長尾”這一特性本身又導致單純通過實驗室難以窮盡所有的情形。因而需要場景庫基于數據中心大規模重建或回放現實場景，并應用域隨機化生成多樣且合理的高風險情形，用于自動駕駛算法的驗證與迭代。這一過程需

39、要數據中心提供充足的算力支持。與此同時，虛擬環境與現實世界相比存在大量的精簡，比如物體的擺放位置有可能存在一定偏差。這種情形即需要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。這一過程可以稱作仿真場景對現實的回歸，同樣需要巨大的算力提供支持。21利用數字孿生技術賦能自動駕駛仿真測試，可以加強仿真測試中虛擬環境的真實性。在仿真層對現實層的映射中，通過渲染技術使像素集更加貼近物理真實，借助算力生成對諸如地形、環境、天氣，甚至光線的模擬，確保像素集與現實間的一致性。其次，基于物理仿真引擎，確保虛擬世界中的物理現象符合現實世

40、界場景中的物理定律，保證虛擬世界中物體的物理屬性準確。此外，自動駕駛對安全冗余的需求使車輛必須配備復雜的傳感器套件。與之相對應，仿真測試中的模擬環境需要實現多模態融合，以支持傳感器模組的復雜性?！坝布诃h”測試需要針對不同的傳感器生成多層次的訓練數據，且每個層次中的參數都需要足夠真實。29%24%1 9%1 2%1 2%4%通過調研，IDC發現自動駕駛解決方案的開發者在仿真測試的各個要素中，更加注重模擬的環境是否能夠即時且真實地反應物理世界的駕駛環境。14:IDC,2022.助力汽車行業主機廠NVIDIA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

41、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了所需的端到端基礎模塊。N V I D I A 賦 能 算 力 中 心加 速 自 動 駕 駛 產 品 落 地0 4蔚來是一家全球化的智能電動汽車公司，成立于年月。該公司致力于通過提供高性能的智能電動汽車與極致的用戶體驗，為用戶創造愉悅的生活方式。蔚來在智能電動汽車領域始終保持領先的智能駕駛研發水平，建立了全棧自動駕駛技術能力，計劃逐步實現高速、城區、停車、加電等場景下輕松安全的點到點自動駕駛體驗，并自主研發了一整套自動駕駛基礎架構體系，用于支持復雜的深度學習模型迭代以及全流程快速迭代。項 目 背 景22蔚來

42、研發自動駕駛汽車所用的數據采集車輛每年會產生百PB級別的數據，以及幾十億張圖像。其量產車也需要回流海量的道路數據，用于優化算法模型。這意味著蔚來的數據中心需要具備能力回流、篩選、標注海量用于AI模型訓練的數據。這一過程離不開穩健的技術基礎架構，包括覆蓋全場景鏈路的人工智能平臺和大規模機器學習系統。技 術 挑 戰方 案 亮 點蔚來正在使用 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ET、ET。蔚來的可擴展 AI 基礎設施由 NVIDIA HGX 驅動，共配備 個 NVIDIA 數據中心GPU和 NVIDIA ConnectX-InfiniB

43、and 網卡。這個可擴展的超級計算機集群中包含一組NVME SSD 服務器，并通過高速 NVIDIA Quantum InfiniBand 網絡平臺相互連接。借助NVIDIA 數據中心GPU，蔚來以縱向擴展和橫向擴展方式自由搭建并應用AI平臺：對NVIDIA Multi-Instance GPU的合理使用使得算法工程師在開發過程中的工作效率和集群資源利用率得到了巨大提升讓蔚來的模型開發效率提高了倍，幫助蔚來更快的落地自動駕駛產品，向更新更快的架構發展蔚來在NVIDIA NVLink和NVIDIA Mellanox InfiniBand的基礎上構建了支持多卡和多機訓練的深度學習訓練框架，使用NV

44、IDIAMellanoxInfiniBand和基于NVIDIAMellanox InfiniBand的RDMA技術，構建了分布式的高性能文件讀取加速套件：超級計算機集群包括超級計算機和搭配NVIDIA Mellanox InfiniBand ConnectX-的高性能NVME SSD服務器，通過NVIDIA Mellanox InfiniBand高速網絡相連，規模不斷擴大這個基礎設施具有 Gbps 的超高傳輸速率，可將大量深度學習訓練數據傳輸到超級計算機內存或NVIDIA數據中心GPU顯存中，進一步穩固了自動駕駛平臺的基礎服務架構23行 業 價 值24蔚來AI平臺負責人白宇利表示：“量產車面臨

45、的復雜場景是蔚來自動駕駛能力的試金石，同時，量產車產生的海量數據也是未來自動駕駛能力的護城河。NVIDIA的高性能計算解決方案成為了蔚來在自動駕駛這條道路上的加速器?！盢IVDIAHGX是適用于龐大數據集、復雜模型等AI場景的加速服務器平臺。HGX整合NVIDIA數據中心GPU、NVIDIANVLink、NVIDIAMellanoxInfiniBand網絡及在NGC（NVIDIAGPU Cloud）中經全面優化的NVIDIA AI軟件堆棧。同時，它樹立了新的計算密度標桿，將 PETAFLOPS的AI性能濃縮，并用一個平臺取代了各種AI工作負載的傳統孤島式基礎架構。NVIDIA DGX POD參

46、考架構結合NVIDIA加速計算架構、Mellanox網絡架構和系統管理軟件，實現了提供使超級計算能力大眾化的解決方案，使超級計算能力變得易于訪問、安裝、管理，從而滿足自動駕駛復雜架構的需求。25.助力汽車行業一級供應商大陸集團致力于為汽車行業提供最尖端的技術與最可靠的服務，其駕駛輔助平臺利用AI技術訓練車輛自主決策，從而為司機提供協助，并在未來最終實現自動駕駛。隨著系統的復雜程度不斷提升，傳統的軟件開發與機器學習模式開始體現出自身的局限性，大陸集團以深度學習與仿真測試作為開發人工智能解決方案的基礎。大陸集團用于訓練神經網絡的的數據主要來自測試車隊。目前，車隊中的車輛每天行駛的總測試里程為,公里

47、，收集約TB的數據，相當于,小時長的電影。被記錄的數據還需要通過回放用于模擬實車訓練。通過深度學習，人工智能神經網絡使機器得以模仿人類從經驗中總結方法。但機器又與人類有所不同，即使對于簡單的經驗也需要花數千小時學習數以百萬計的圖像，方能開始協助司機或自主完成任務。大陸集團與NVIDIA基于NVIDIA DGX AI系統建立高算力集群，其超級計算機包含超過套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。新的算力集群將開發周期從幾周縮短至幾個小時，使自動駕駛得以

48、在中短期商業計劃中落實機器學習時間的縮短加快了新科技進入市場的速度項 目 背 景技 術 挑 戰方 案 亮 點“超級計算機是對未來的投資，”大陸公司駕駛輔助系統團隊的總項目負責人ChristianSchumacher說，“最先進的系統可以縮短訓練神經網絡的時間，與過往相比能夠在相同的單位時間內增加至少倍的測試量?！毙?業 價 值26NVIDIA DGX系統能夠為大陸公司AI超算團隊這樣的行業變革引領者提供高性價比、即買即用、方便部署的解決方案，大陸公司將以InfiniBand作為連接的NVIDIA DGX POD用于自動駕駛車輛的訓練，打造未來最智能的車輛，以及用于設計這些車輛的IT基礎架構?？?/p>

49、拓展性是推動NVIDIA DGX POD占領市場的另一個亮點。隨著人工智能的發展，機器學習的速度日益提升，每一次創新都有可能帶來算力需求的指數型增長。超算基礎設施的可拓展性是滿足這一需求的重要前提。自動駕駛技術正逐漸改變著人們的出行生活。隨著高級別駕駛輔助功能對乘用車市場的滲透，以及自動駕駛出租車商業化試運營的開展，消費者對自動駕駛技術的接受度日漸提升。越來越多的消費者開始嘗試車輛搭載的各類駕駛輔助功能。自動駕駛正在汽車市場形成一股新的潮流，影響著購車者對車輛的評價。然而，自動駕駛項目研發周期長、成本高，且開發過程存在一定的風險。在利用人工智能開發自動駕駛技術的過程中，對實車數據的分析、模型訓

50、練、以及仿真測試的開展需要持續消耗極大的算力。而算力資源的搭建與運營本身即需要極高的專業性。通過與專業的軟硬件供應商開展合作，可以有效利用其在算力運營方面的專業和技術優勢，縮短研發時間，降低成本和風險。I D C 建 議0 52728為了使算力資源更加有效地支持自動駕駛系統的開發工作，IDC建議：數據中心芯片的選型與網絡的搭建涉及IT領域專業知識，企業需要具備相關知識儲備，以及駕馭跨行業合作關系的能力，并確保開發和交付工作中相應的安全、隱私和組織管理措施能夠到位，在共享時需要設置必要的預防和保護措施數據中心解決方案供應商應當推出一套集成的全棧式AI解決方案，方便開發者快速開發和部署自動駕駛應用

51、程序；充分利用自身在算力領域的技術優勢，縮短開發者開展項目時的前期準備時間，從而加速其自動駕駛產品在市場實現落地的進程數據中心機房的專業性與穩定性將直接影響開發活動的進度，進而影響市場上自動駕駛系統功能更新的日程：需要以專門針對人工智能任務設計的硬件作為底層架構，而非使用重新設計的商用服務器；同時在算力維持方面，需要需要針對各種突發事件具備成熟的應對機制，避免被動地四處救火數據中心解決方案供應商應當致力于開放式平臺的構建，攜手車企、傳統一級供應商、自動駕駛科技公司，共同推進自動駕駛技術重塑汽車市場的進程；在軟件定義汽車的時代，實現覆蓋車輛整個產品生命周期的持續更新，從而對汽車行業的智能化實現全

52、方位賦能構建開發者社區，打造自動駕駛行業生態；自動駕駛產業的發展是一個長期積累沉淀的過程，這一過程需要具備汽車領域和ICT領域知識的復合型人才；行業內的共有平臺能夠促進不同專業領域人才間的合作，從而推動自動駕駛行業發展關于IDC國際數據公司（IDC）是在信息技術、電信行業和消費科技領域，全球領先的專業的市場調查、咨詢服務及會展活動提供商。IDC幫助IT專業人士、業務主管和投資機構制定以事實為基礎的技術采購決策和業務發展戰略。IDC在全球擁有超過名分析師，他們針對多個國家的技術和行業發展機遇和趨勢，提供全球化、區域性和本地化的專業意見。在IDC超過年的發展歷史中，眾多企業客戶借助IDC的戰略分析實現了其關鍵業務目標。IDC是IDG旗下子公司，IDG 是全球領先的媒體出版，會展服務及研究咨詢公司。IDC ChinaIDC中國（北京）：中國北京市東城區北三環東路號環球貿易中心E座室郵編：+.Twitter：IDC idc-版權聲明凡是在廣告、新聞發布稿或促銷材料中使用IDC信息或提及IDC都需要預先獲得IDC的書面許可。如需獲取許可，請致信。翻譯或本地化本文檔需要IDC額外的許可。獲取更多信息請訪問，獲取更多有關IDCGMS信息，請訪問https:/ IDC。未經許可，不得復制。保留所有權利。