面对人工智能这盘棋，英伟达、英特尔都有啥看家本领？

英伟达推出的DriverPX 2，用于汽车自动驾驶。不过这款产品功耗太高，散热甚至需要水冷，难以在民用汽车上长期使用。

另外，英伟达还推出了辅助驾驶系统AI Co-Pilot，依旧是利用了深度学习技术，它能够根据驾驶员的语音、动作甚至是唇语、眼神等了解到驾驶员的意图，并通过控制车外传感器和汽车操控来实现辅助驾驶功能。从产品来看，在真正的自动驾驶到来之前，AI Co-Pilot可以作为一个辅助驾驶功能帮助司机了解到周围的情况和问题，包括示警、防碰撞、道路监测等，它相当于是一个过渡手段，用于补偿在自动驾驶技术正式上市之前的这段空白时间。

AI Co-Pilot主要是利用深度学习技术完成辅助驾驶功能。

自动驾驶的级别
目前业内自动驾驶发展的如火如荼，各家都在推出不同的方案。不过为了更好地区分从人工驾驶到自动驾驶的差异，业内还是定义了一些级别，来衡量自动驾驶技术的发展程度。这个级别分级如下：

Level 0：完全没有自动驾驶功能，所有控制都需要依靠人工实现。

Level 1：实现了一些自动驾驶功能，比如重要的巡航控制、车道保持、自动转向、泊车辅助等，人工依旧需要控制。

Level 2：自动驾驶系统开始介入大部分操作，包括自动转向、制动、加速等。不过人必须保持随时接管汽车的能力。

Level 3：除了特殊环境和特殊情况（复杂的无道路场景），汽车都可以自动驾驶，人可以在乘车时做其他事情，但是驾驶员依旧需要准备应对突发情况。

Level 4：除了极端天气和极端环境（比如暴风雨），汽车都可以自动驾驶，人可以在乘车时做其他事情，但是驾驶员依旧需要准备应对突发情况。

Level 5：人类只是货物，驾驶完全交给机器来进行。

目前市场上绝大部分汽车的自动驾驶级别是Level 0，配备了诸如泊车辅助、自动巡航等功能的汽车可以勉强算作Level 1。目前宣称具有高级辅助驾驶功能的汽车，一般也都是Level 1~ Level 2水平，很少有完全可以达到Level 2的，Level 3级别目前尚未有厂商可以保证，还需要进一步的观察。

布局更多场景
英伟达在自动驾驶领域的努力，为其带来了一轮股价狂潮。不过英伟达并没有停下脚步，还在进一步扩展自己的业务范围，包括智能家居、智能医疗、无人机等场景。比如智能家居方面英伟达发布了名为SPOT的智能家居控制中心，用户可以使用语音来控制家里的电器，实现包括灯光、音响、语音等全面的控制。在医疗方面，利用深度学习技术，英伟达和麻省总医院正在训练电脑识别高达100亿份医学影像，为疾病诊断、监测和治疗做出努力，此外英伟达还和美国国家癌症研究所一起，推进癌症的深度学习研究。

上述所有布局，都展示了英伟达利用GPU在深度学习上的优势，进一步加强自己在技术领域的地位并扩展自己的市场，希望获得更大的回报。回顾十几年前，谁又能想到这样一个主攻GPU显卡的公司能发展至如此庞大的地步，甚至即将深入、掌控我们的生活。

小知识：什么是深度学习
说起深度学习，人们总觉得非常遥远。实际上深度学习并非凭空出现，而是一个仿真、模拟大脑思考事物方式的过程。深度学习只是机器学习的一个分支技术，由于其技术、算法和目前的软硬件环境匹配度较高，因而得到了快速的发展。

深度学习的技术原理是由David Hubel和Torsten Wiesel提出的。他们于1958年在约翰·霍普金斯大学(The Johns Hopkins University)工作时，通过研究猫的瞳孔区域和大脑皮层神经元的对应关系，发现一种名为"方向选择性细胞"的神经元，这种神经元主要是用于测量物体边缘的方向。随后在其他一些研究中显示，大脑通过对采集到的信息进行不断迭代和抽象，经过多层处理，最终得到了我们大脑反应的信息。

深度学习通过模拟大脑处理图像的方法查找关键单元。

我们用一个例子要说明深度学习是怎样一个过程：假设有一个机器，它不懂阅读，但是明白每个字的意思。当它看到一段话时，实际上由于整段话太长，它并不理解这段话的意思。这个时候，机器可以通过认识每个字并不断地学习由字组成的词，从而得知词的意思；然后用词推及短语，了解到短语的意思，最后再读懂组成的句子。这是一个不断学习和迭代的过程，通过"字-词-短语-短句-段落"的迭代，最终理解一段话的意思。

以深度学习中比较常见的图像识别为例，机器其实不懂任何图像所表达的意思，在机器眼中，像素层面的图像就是一个个数字。但通过一些采样算法，机器能够识别出显著不同的图像边缘并记录这些边缘的特征。虽然有了一些特征数据，但是在像素尺度上，这些数据实际上是零碎的、不可辨识的，它不代表任何东西。这个时候，通过多次的组合和迭代处理，机器开始拥有了将这些特征点逐渐逼近原图含义的能力，最终在多次迭代和组合、学习、对比后，机器能够给出原图有关信息的答案。