解密英伟达Tesla P100、GP100、DRIVE PX2平台

副完整的高精度地图。所以，车内的DRIVE PX 2，云端的DGX-1配合发挥作用，形成了NVIDIA完整的自动驾驶技术平台解决方案。

　　将DGX-1和一枚因特尔的双核Xeon处理器作比较。这枚双核Xeon的运算速度为3 teraflop，但DGX-1的运算速度为170 teraflop。那么这意味着如果用这枚双核Xeon芯片来训练Alexnet网络结构模型的话，它需要150个小时，但DGX-1却只要两个小时就够了。

　　此外，NVIDIA将为自动驾驶汽车，打造名为"NVIDIA DIGITS"的端到端深度学习训练平台。该平台依靠DRIVE PX 2进行部署，通过网络让每一辆车都构建自己的深度学习网络。在此基础之上要建立"NVIDIA DRIVENet"的深度神经网络。它包括3个卷积码层，3700万个神经元，而信息在整个网络流经一次，会产生400亿次操作。

　　而涉及到具体应用层面，黄仁勋在GTC大会的主题演讲环节还透露称，参加今年首届Roborace 的无人驾驶赛车，将使用英伟达的 DRIVE PX 2 作为计算平台。明年，Drive PX 2还将被沃尔沃用于在瑞典哥德堡的实地自主驾车实验中。

　　看看最近恩智浦、高通和NVIDIA这三大芯片供应商在汽车领域都有哪些动作：

　　恩智浦NXP推出了一款用于模块化量产自动驾驶汽车的计算平台BlueBox，它的主要功能是将之前彼此隔离的单个传感器节点和处理器进行功能上的结合。而随着Android Auto重大更新的发布，芯片供应商高通也宣布未来将联手谷歌开发搭载有安卓操作系统的内嵌式车载娱乐信息系统平台，使用高通专为车机系统打造的骁龙820A和602A高性能处理器。当然NVIDIA今年也推出了DRIVE PX 2， Tesla P100以及超级计算机DGX-1，则是在深度学习领域火力全开。

　　这么看来，尽管自动驾驶技术还没有发展到Level 3这个阶段，各大芯片厂商已经陆续亮剑，祭出了各自的杀手锏。但产品的出发点还有所不同，优势领域亦各有差异，但芯片之争，已经开始。最后要吐个槽，虽然主打GPU的NVIDIA确实在深度学习应用上有优势，但业界一直吐槽他家的产品真是太贵了，价格一点都不亲民。你怎么看呢？