GPU在AI、VR和自动驾驶领域突破最大 NVIDIA副总裁张建中

站长搜索讯（郑可君） 2016年7月16日，奇点•极客公园创新者峰会在上海科技馆召开。NVIDIA全球副总裁、中国区总经理张建中在会上表示：今天GPU的应用已经非常广泛，在过去的一年当中GPU在三个领域当中的突破非常快：AI、VR，以及自动驾驶

站长搜索讯（郑可君） 2016年7月16日，奇点•极客公园创新者峰会在上海科技馆召开。NVIDIA全球副总裁、中国区总经理张建中在会上表示：今天GPU的应用已经非常广泛，在过去的一年当中GPU在三个领域当中的突破非常快：AI、VR，以及自动驾驶。

在AI领域，Deep Learning的基础在这几年内有以下这些大的发展：

1、 大数据。大数据的采集准确度越来越高，覆盖面也越来越广，这些大数据是有准确的价值的，也是实现人工智能网络的关键。

2、 计算力。英伟达把GPU发展到深度学习的专业计算机，一旦有了告诉计算能力，很多企业就有能力去搭建自己的Big Data的训练了。在做自动驾驶时，是需要很多大量的数据训练，让汽车能够进行图形图像的识别。在每一个阶段，都需要强大的计算能力，来确保数据的准确度。

除了在传统汽车的研究之外，英伟达也在探索一个新方法：能不能学习和模拟人的驾驶行为。

另外GPU在VR领域也有深度的应用，英伟达做了一个开源的系统，将很多中间件加在VR的Demo里面，同时增加新的VR声音。

以下是张建中的演讲实录：

各位来宾大家好！感谢极客公园的邀请，今天能够有幸在这里给大家分享一下NVDIA，GPU最近几年当中在几个领域的突破。我今天讲三个方面。GPU的应用，我们大概在20年前发明GPU，从那个时候GPU的应用就是简单在图形领域去计算的。今天GPU的应用已经非常广泛了。大概在过去的一年当中GPU在三个领域当中的突破是非常的快的。

其中第一大突破就是我们看到的在游戏跟VR领域的突破。把VR从一个古老的技术，大概60年前就有人研究VR，到今天才可以看到VR。另外人工智能算法的引入，我们知道很多创新公司，尤其是极客公园当中大部分的应用都是在基于人工智能的计算方面去发展起来的。第三个领域，今天很多汽车公司都想转型的地方，就是把汽车自动驾驶，无人驾驶。我今天就谈这三个领域。

第一个，我想讲AI，AI的部分，人工智能的发展在过去虽然是很多人去研究，但是在这几年当中，我相信大家听了阿尔法GO之后，每个人对人工智能都有全新的了解了。在阿尔法GO之前，绝大多数的研究、科研人员他们计算能力不够，很多算法没有办法实现。如果说搭建神经元网络去计算，有人可以做到1000多层。这个部分的突破，绝大部分的应用是在整个计算力的发展过程当中，逐步逐步产生的计算能力给我们大家带来的好处。如果说看一下人工智能当中，如果我们要看传统的研究方法，跟新的研究算法到底有什么不一样。我们举个例子，右边的这张图，我们看是传统的图形图象识别方法，大部分的研究人员是靠自己的经验，靠专家去搭建模型，所以说你的经验越丰富，我们的专家设计的模型越精确，效果就越好。

可是这些是跟科研人员本身的能力是密切相关的。大部分公司由于IP的原因，某些研究成果也不能分享给别人，所以导致图形图像识别领域当中进步就比较缓慢，过了很多年之后，识别的准确率也是非常难以提升的。我们可以看右边的这张图，在蓝色的点，就是我们过去几年当中靠传统的方法，模式识别的方法搭建图形图像识别，准确率在70%到75%之间，很难突破。随着模型复杂程度越来越高，这些准确度并没有特别的提升，无论你怎么做都很难。直到用新的研究方法，Deeplearning之后，就提升了很多，很多公司都能够达到90%以上。

这个基础是在这几年当中有几个重要的发展，第一个互联网的应用，大数据的采集准确率越来越高。大数据的覆盖面是非常广泛的，如果你要看所有的O2O的系统当中，几乎它的数据覆盖到全部的国家和地区，所以大数据的应用涉及了所有有价值的数据。这些数据是实现人工智能训练网络的关键。第二个点就是计算力，你光有了数据，有了Deeplearning的算法，让这个算法不停的优化，你需要很大的计算设备，或者计算的基础架构帮助我们去训练这个Deeplearning的数据模型。而这些用传统的方法几乎很难做的，就算每个人都搭建一个世界上最快的超级计算机，也很难满足那么多公司数据计算的需要。NVDIA利用这个方法把我们在GPU当中的应用，发展到在一个深度学习的专业计算机里，我们在今年的春天发布了一个NVDIA，全球第一个Deeplearning超级计算机，DGX-1，用8个GPU放在一个服务器里面。用新的计算速度，用一种方法把它的数据总线，8颗GPU的计算力结合在一起。这样的计算能力，如果大家常用的X86的CPU的服务器做一个比喻的话，这台服务器的计算力相当于250台CPU的所有计算能力，就在一个小小的盒子里面。这样的超级计算机体积比较小，功耗比较低，就适合很多人工智能领域当中做研发的需要。

Deeplearning有了这样的计算能力，我相信很多的企业，就可以有能力自己搭建自己的工作站。这些结果的应用在很多地方是有用途的。第一个点就是做汽车的自动驾驶，汽车自动驾驶是需要很多大量数据进行训练，并且让这个汽车能够去进行图像、图形识别应用在汽车当中，让我们的汽车能够智能化自动驾驶。所以说，在今天你去看到所有的汽车公司，无论是传统的汽车公司，还是新一代的新能源汽车公司，每一家公司的研发都在投入大量的巨资建立自己的数据讯系统，让自己的汽车能够识别汽车周围的设备，周围的物体去做自动驾驶。

在自动驾驶当中步骤非常简单，总结成四个步骤，所有的汽车驾驶其实你首先要有一个高精的地图识别自己的路况，有一个精准的定位知道你的车在什么地位，然后看清你周边的物体，然后做出自动驾驶的决策让你的汽车采取不同的驾驶行为。这样一种决策方式在几乎每一个阶段，你最需要的就是需要强大的计算能力确保数据的准确性，无论是地图的数据采集，还是你的定位的精确性，这些计算能力要非常强大、准确，实时，才能保证我们的自动驾驶采取的都是正确的决策。

我们发现整个汽车当中，无论你在收集这些数据有多么复杂，汽车驾驶系统一定要采用两种方法去做一个训练模型。所以我们把它分成两个阶段，第一个阶段，我们要有一个强大的计算机，帮助我们收集很多汽车周边各种各样的数据进行训练，汽车不停的了解交通当中发生各种各样的状况。每一天街道上发生新的标志，每一个新的型号的车，每个车上各种各样的交通工具，新兴的交通工具也能够更新，这种训练的模型是长期性、迭代性的，每天都用这样的方法不停的收集数据训练我们的模型。如果你的汽车计算能力很强大，汽车本身就可以通过很快的计算获取最快的决策。NVDIA的DGX-2就是放在前端进行超级计算的。我们在计算当中，无论你的数据是结构化还是非结构化的数据，这个GPU都可以胜任。我们要把它跟后端和后端的计算机结合在一起，形成一个闭环。这样我们在任何一个汽车系统当中，无论这个汽车厂商是什么样的品牌，都会搭建后端系统和前端系统，确保每一辆汽车在马路上行驶的时候有足够大的信息量采取，做出最正确的角色，做出安全的驾驶行为。

除了传统的汽车自动驾驶、安全驾驶，辅助驾驶的研究应用之外，我们也在探索一个新的方法。Deeplearning能不能用来学习和模拟类的驾驶行为。NVDIA做了一个训练系统。这个系统的设立就是通过人的驾驶行为的模拟，看看汽车是不是跟人一样，不需要懂得那么高精的数学模型，无论地图怎么样，还是路况怎么样，只是根据人的驾驶行为的方法学习如何开汽车。这个尝试让我们很清晰的发现，在这个应用当中，我们发现汽车可以透过训练的方法，很快学会人的驾驶行为，学会开汽车，我这里放一个视频，是我们在自己的园区搭建了一个汽车小的模型。

这个模型就是让我们的汽车在驾驶行为当中，它不懂任何的驾驶行为，人开车的时候会根据你前面看到的路况，决定你的方向盘怎么走，刹车怎么踩，用同样的方法把这些数据收集在一起，根据信息决策的。前期它肯定都不懂，看到障碍物都不知道怎么避开，它会一直碰撞到很多交通的标志。但是在实际的过程当中，过了一段之后，它就知道避开障碍物，直接上马路。这个简单的训练方法非常简单，时间也比较短，我们透过这样测试的方法，认为完全有理由相信在今后，如果说某一些研究单位花很多时间去研究人的驾驶行为，而让汽车不需要去了解，怎么样设计你的自动驾驶的方式，自动的实现自动驾驶也是有可能的。我们也希望给大家带来一个新的思路，用Deeplearning做很多很多以前没有办法想象，无法理解的一些领域。

我们完全有理由相信，Deeplearning在很多的领域当中，可以有一个很大的突破。这些突破就是打破了传统的科研的思路，我们希望Deeplearning可以给我们很多的软件工作人员，尤其是工程师，或者程序员打开思路，想象一下用计算机怎么样去写我们的软件，而不是我们自己写软件的。

另外一个部分就是GPU在新的领域当中的应用，就是VR。VR的突破在很多领域当中，我们都知道刚才我讲过在VR，大概是在60年前，可能是就有很多人研究。直到今天VR几乎已经可以走进消费的市场。而且最大的一个原因就是在过去的十年当中，GPU的计算能力大概提升了1500倍。这1500倍提升的计算量足以让我们GPU在很快的时间之内渲染更多的增速，让我们眼睛在VR头盔当中体验虚拟现实。但是其中有一个最重要的难题，如何在虚拟的世界当中模拟实际的物理世界。所以你要在里面增加很多很多的技术，NVDIA做了很多工作。在很多很多应用当中，无论重力的加速度，立体的爆破，流体的轨迹都可以通过GPU计算出来。怎么样开发使VR显得更加真实呢？我们做了一项技术，FUNHOUS，你们可以体验一下。我们把所有NVDIA各种不同的中间件全部加在VR的DEMO里面，在VR不光有图像，还有声音，怎么让VR跟实际的世界一模一样。通过我们的算法把声音跟图像和图形结合在一起，所以你看到的演示是非常真实的。

这个演示我在这边放一个小的片断，让大家感受一下很简单游戏的应用如何把这些功能带进去的。这是简单像游戏场一个小的演示，我们模拟一下VR的头盔。流体的部分是采取物理的方法，运动估计是有重力加速度的，不同的材质可以用不同的方法模拟出来。所以得到的效果跟真实世界是一样的，如果是篮球，可以看到重力加速度，如果破碎的碎片，你可以看出每一个碎片的运动轨迹，每一个碎片掉在地下还可以再次打击，可以让它碎得更加粉末状。很多的应用在VR的实际当中可以模拟出现实生活当中各种不同的物理状态，把每一个材质，金属、木头、皮革的，跟天然的各种各样的材质模拟进去。这样做出的VR内容就更加真实。

因为有这么多的计算能力，以前我们很多创造者就有能力把他们的想象发挥出来。我们也希望GPU在更多领域为大家服务，但是这三个领域是我们目前做的。希望大家在你们的科研领域当中不停的创新，希望GPU给每一个公司带来不同的商业机会，谢谢大家。