电动汽车

扶摇？真的能让小鹏冲天？ 8月2日，基于阿里云智能计算平台，小鹏汽车在乌兰察布建成国内最大的自动驾驶智算中心“扶摇”，专用于自动驾驶模型训练。根据小鹏方面公布的数据，“扶摇”算力可达600PFLOPS，将小鹏自动驾驶核心模型的训练速度提升了170倍。 这个超级计算机的性能到底有多强？简单的看数据，似乎没有更深刻的印象。根据ISC 2022国际超级计算大会公布的第59届超级计算机Top500榜单显示，排名第二的日本“富岳”的算力为442PFLOPS。国内的超算神威·太湖之光排名第六，算力为93PFLOPS，由此可见小鹏的“扶摇”算力还是相当优秀的。 很多鹏友和小伙伴，可能对这种超级计算机在自动驾驶里有什么作用还不是非常的了解，其实这个就如同何小鹏在发布会上所的说的那样：自动驾驶技术的不断突破，就意味着数据量越来越大，因而也就需要越来越大的算力对数据进行处理，尤其是训练神经网络模型。 通俗易懂的说，大概有以下几个功能： 1.视觉技术的深度训练。 2.长尾场景的不断学习。 3.高精地图的持续扩展。 首先来聊聊视觉技术的深度训练，要理解这个场景，我们先简单了解下自动驾驶的一些基础，小鹏的自动驾驶技术锚定用视觉作为根本基础，这就决定了要对视觉进行深度训练。比如说，我们的肉眼看到一个苹果，就能够理解这是一个苹果，但是怎么教会计算机呢？计算机看不到苹果，它能看到的只是一个个的像素，计算机把苹果的样子记忆成若干个位置和色彩的固定组合，当计算机再看到这样的固定组合之后，就意识到“这是一个苹果”。 整个学习的过程，就像是孩子学习东西一样，可能一开始只知道红色圆的苹果，后面开始知道绿色苹果，后来知道苹果也可以切成一半，甚至一片片的状态。这些都需要一次次的输入、对比、纠正、完成机器图像认知。为了不断提高准确度，系统会一次次把输出出来的误差进行反向输入，让识别误差率不断缩小，直到进入一个更高的正确范围。 而在日常行车中，摄像头能够看到的东西几乎是包罗万象，每个东西都要依靠视觉技术训练，可以想象这个对计算机训练的算力要求有多高。所以，一个高性能的计算中心是非常重要的，在发布会上，何小鹏也表示，由于有了“扶摇”，过去一周算不完的数据，现在一天就可以搞定。由此可见，在扶摇的加持下，小鹏的视觉识别能力，将有进一步的提升。 其次来说说长尾场景的不断学习。在我们日常驾驶过程中，常常会遇到各种各样的长尾场景，也就是通俗意义上说的少见场景，比如高速上有个小松鼠，比如前面卡车上装在了一批“停车”的标志牌……这些场景，对于人类驾驶员来说，是比较容易处理的问题，但是对于计算机来说，可就太难了，毕竟它看到的不是具体的内容，而是一堆无意义的数字代码，所以就不能认识小松鼠，也会错误的把运输中的“停车”当成真正的“停车”标记。 所以，这个时候如果仅仅依靠人工标记基本上是无法完成这个可怕的任务，因为这个涉及到的场景太多了，有了扶摇之后，我们就可以对各类数据进行自动化标注，并以此训练神经网络模型。在大量训练数据的喂养下，让汽车的识别能力变得“见多识广”、更加聪明，可以识别不同条件状况下的各种长尾场景，实现精确度的不断提升，更形象的说，就有点类似“不停的去做以前做错的题目”。 最后，就是高精地图的扩展。众所周知的是小鹏正在加快速度落地城市NGP的能力，而在目前而言城市NGP还对高精地图有着强依赖，那么这就带来一个问题，城市高精地图不仅仅涉及到的范围广阔，而且对更新时效也要求很高，需要不断的更新和进化，小鹏方面曾经表示这个更新的速度甚至需要做到“天”这个级别，这也对超级算力有着巨大的需求，而恰好“扶摇”也满足了这个方面的需求。 在超强算力的支持下，小鹏或可能进行实时测算式的地图绘制，也意味着或将可以迅速地对道路上的变化做出反应。例如，今天某地的道路有交通管制，那么所有的小鹏NGP都会主动绕开这条路线，而不是像现在这样，还需要被动地等地图供应商的更新。 最后，值得一说的是，超算的这些功能实际上是一个更长期的效果，并不意味着马上就能够见到成效，但是小鹏的超算让我们看到，当更多产品还在比拼有几个车载激光雷达，用合作的算法来讲故事的时候，小鹏已经提前进入了智能汽车的下半场。 如不智能，何必小鹏？