NVIDIA张建中：GPU如何改变汽车的未来

度高了之后，才能训练，不然训练的图片每次都不认识物体是什么的话，学习结果是很差的。

我们可以看一个例子，汽车装上NVIDIA处理器，如果开出去，必须很智能化的知道哪些地方能开、哪些地方不能开，以及没有路的话怎么找出一条路，训练结果是蛮好的，经过20多万张照片训练之后，能够从起点顺利从夹缝中开出去。我们训练的图片有22.5万张，可以看出没训练时候的效果，碰到障碍物，直接撞上了，因为不知道能不能过去，训练时要告诉他哪个能过、哪个不能过，时间久了以后，就知道哪个能过、哪个不能过。

如果训练图片不够多的时候，训练到5万多张图片时候，其实效果已经蛮不错了，可以顺利地走，但是有些地方会误判，因为它以为这个杆可以过去，实际上车比较小，过不去，数据不够的时候，会有很多误差，还不能够保证100%的准确。直到训练到22.5万张图片之后，效果已经非常棒，能够顺利的走出后院。

每一个地方的训练结果可能不一样，对于每一个应用场景来说，需要的精度也不一样，在无人驾驶当中，需要的精度都是很高的，千万不能误判，如果有任何误判，造成的损失可能是非常巨大的，一定要有足够多的数据、足够长的时间训练，能够在不同国家、不同地区训练之后才能上市。

下一代GPU强大的学习能力可应用到更多领域的深度学习

在今天的研发当中，有很多机会做更多的试验，各个领域当中，也可以利用深度学习做各种不同行业的学习，比如互联网搜索，互联网搜索有语音识别，我们都知道，在中国每个人的口音非常不一样，估计一万个人讲话，一万个人都不一样，你要训练的话，要有足够大的数据量才能够保证训练的模型能够适应所有人。在中国有一个比较好的好处，几乎人人都有手机，利用训练模型，就可以不停的学习，通过深度学习模式，可以不停的修正模型，不停的迭代模型，让研究成果得到广泛使用。

在其它地方也一样，人脸识别是最简单的，在传统模式识别情况下，准确度非常低，通过大数据，用深度学习方式研究的时候，人脸识别准确度已经非常高了，包括智能手机上人脸识别的App，识别准确度已经做到非常高了。所有的深度学习的方式在未来的应用当中，随着芯片性能的提升，学习能力也在不停的提升，应用也会越来越广泛。

下一代芯片，大概可以提升几千倍运算速度，下一代GPU学习能力越来越强大，GPU性能发展非常快，强大的计算能力和强大的云计算能力结合在一起，就可以变成强大的智慧大脑，可能很多人都在谈自己的云计算计划，很多人都想通过不同方式建立自己的云计算中心，如果计算能力足够强大，GPU运行速度足够快，实行人工智能的时代就会非常快。我们希望通过NVIDIA GPU强大的计算能力和深度学习方式能够让整个行业产生巨大变化，也希望深度学习成果能够帮助所有行业、所有企业在新的互联网时代、新的智能化时代让我们的产品、服务和用户更加满意。

主持人：谢谢！很小的细节往前走的时候可以看到非常多的细节，平常可能是没有机会这么早感受到这么细致的环节。在整个上墙过程中，大家有很多疑问，我总结了一下，通过深度学习提升自动驾驶的能力，我们都很期待。但整个人类有两个共同棘手的问题，一个问题是女司机的问题，女司机的问题好象深度学习也没法解决，当女司机每天在计算机系统里处理那么多信息时候，会不会使得自动驾驶更乱了？第二个问题，很多不守交通规则、乱过马路、也不知道从哪个就出来一个老头、老太太，自行车驾驶习惯也不好，面对非常复杂的路况，通过语音搜索这样的训练都无法解决的问题，您觉得英伟达能解决吗？

张建中：我觉得你讲的题目非常好，之所以要做深度学习，解决的问题就是不想按照规则走，如果制定好一个规则，靠左行驶，靠右行驶，这样就变成一个程序了，汽车变成程序的话，基本不能说路，尤其在中国，几乎每天都有不守交通规则的人出现，汽车几乎不能开。深度学习的结果是什么呢？

刚才我们看到了在后院走的情况，其实没有路，他怎么知道能够走哪条路，这是深度学习的内容，他会学习很多司机的驾驶行为，在中国，绝大多数司机驾驶行为是正确的，可能少数人的驾驶行为是错误的，有人甚至把它教坏，如果每天教坏的行为，最后结果可能是上街到处撞，这是很差的结果，中国99%的司机都是好司机，如果99%司机都变成坏司机的话，训练结果是可想而知的，我们也没法开车了。

跟我们训练一个小孩子是一样的道理，父母培养的小孩长大之后跟父母的行为几乎是一样的，这些是机器学习简单的方式和理念。不要看成已经有一定的学习规则，是学习当中掌握