在自动驾驶领域一副舍我其谁的架势，英伟达的GPU有这么强大？

在激战正酣的自动驾驶汽车战场，英伟达横空杀出，最终拿下了旨在制造全自动驾驶汽车的特斯拉的合约。 MobileEye作为一家押宝并把竞争力完全建立在自动驾驶汽车技术上的厂家，它将怎样目睹自己的市场被曾经只是一家GPU厂商的英伟达一点点蚕食。 和CPU技术相比，在解决自动驾驶汽车的一系列问题时，GPU的优势更加明显。 我将在本文中解释为什么英伟达将继续统治这个领域。

英伟达公司近日强势杀入自动驾驶竞赛，让这个领域的头号种子选手MobileEye顿感寒风凛凛，为了理解这种局势的变化，我们需要深入技术进行探讨。

时间回溯至1999年，当英伟达公司开始推广GPU或者图形处理单元这个术语时，它就在这个领域成为了一个显眼的存在。自那个时候起，这家公司的前景就随着整个电子行业而潮起潮落。首先，当人们开始在PC机上玩游戏时，计算机就使用上了GPU。然后，随着终端游戏系统的推出，GPU又找到了一个新的用武之地。

2005到2008年，随着游戏的复兴，GPU也流行起来。后来，当有公司能够推出满足绝大多数消费者需求的板载图形解决方案时，GPU才有点过时了。现在，随着消费者开始接触虚拟现实，以及那些在硅谷上班的高薪阶层愿意花大笔的钱获得最新和最强劲的计算能力，人们对英伟达提供的GPU的需求再次点燃。我们再来看一看GPU在无人驾驶汽车上的应用。

为什么GPU可以很好地处理自动驾驶汽车带给我们的一系列挑战和大量数据？主要原因在于GPU有很多小处理器，而CPU一般只有2、4、8个有时是16个单独的处理器。有些GPU有数千个被称为流处理器的单元处理数据，虽然这些单元的处理速度比CPU更慢，但是好汉架不住人多啊！因为所有这些处理器可以并行运行，即它们可以同时处理很多相对简单但具有大量数据的任务。CPU可以轻松处理一个数据量大、时间长而且比较复杂的任务，而GPU处理这种任务时就会吃力得多。

当有很多简单的任务时，GPU真的很好用。是不是听起来开始觉得很熟悉了？想一想开车这桩事，它复杂吗？不，至少对我来说很简单。你甚至可以利用自己的本能来开车。当你开车时，是否需要处理大量的信息？比如有个小老太太要过马路这种情形，你知道我的意思 ，驾驶是一个简单的任务，但有大量的信息需要适时的处理。如果你的大脑是一台电脑，而它正在执行驾驶任务，你宁愿使用哪一个处理器？你肯定愿意选择强大的GPU。

英伟达在其自动驾驶套件中使用的芯片使用了基于从人类大脑本身模仿而来的神经网络的AI深度学习技术。该技术目前看起来是模仿人类大脑如何做出决定和学习做出这些决定的最佳方式。这种技术使用层次结构，将复杂的问题分解成许多小问题。想想你是怎么识别降落在机场上的飞机吧。首先，你识别出在孩提阶段就被教过的飞机的形状。好的，这是一架飞机。然后，你再寻找进一步的线索。是白色还是黑色？如果是白色，你的大脑可能会告诉你这是一架客机，而不是军事飞机。它大么？有4个还是2个发动机？如果飞机个头又大又有4个发动机，你可能会推断认为它是一个波音747或空客A380。它前面有一个驼峰吗？如果有，你马上就能知道这架飞机是一个波音747-你的大脑几乎在一瞬间贯穿这个层次结构。这很难做到吗？其实不然，你大脑里只需要有一个二叉树就行了-判断得超快。

当你开车时也会发生类似的事情，只是处理的功能不同而已。你看到前面有一个八角形的标志，它引起了你的注意，你确定这是一个停车标志。根据以前的停车经验，你知道这附近有更多的危险、更多的行人和汽车，所以你本能地减慢，缓慢行驶到标志位置（也是法律规定）。

这正是GPU所擅长的处理类型。计算机识别前面的停止标志，由于为此分配了更高的危险等级，因此计算机知道需要减速。除此之外，计算机知道停车标志周围通常有更多的行人，因此扫描和识别它们需要更多的时间。驾驶只是 一遍又一遍地执行一堆小的任务，GPU处理器非常适合这种任务。那么英伟达的无人驾驶汽车解决方案是什么样子呢？

英伟达DGX-1＆PX，PX 2和PX 3

看下面这个盒子 - 它是执行自动驾驶的大脑：

看起来不像，是吗？这是因为你不会看到这个盒子的外框。英伟达把它称为"盒子里的超级计算机"，其实这种描述不是很准确。汽车上安装的不是这个盒子，而是一个带有芯片的板子，这个盒子是个源头，它让这一切成为可能。在特斯拉的视频展示中，配备2.0版硬件（8个摄像头、12个超声波传感器和前方雷达系统）的新Model-S使用与PX2系统相同的神经网络。

我会再次尝试着把一个非常复杂的事情解释地容易理解。最近的研究表明，无人驾