Чип AI обрабатывает одновременные рабочие нагрузки

Компания также сделает свои модели искусственного интеллекта для автономных транспортных средств доступными для разработчиков.

На конференции компании по технологиям графических процессоров (GTC) в Сучжоу, Китай, генеральный директор Nvidia Дженсен Хуанг (Jensen Huang) вышел на сцену, чтобы представить Drive AGX Orin, SoC следующего поколения в автомобильном портфеле компании.

Orin следует за Drive AGX Xavier, выпущенным чуть менее двух лет назад на выставке CES 2018. Xavier - нынешняя флагманская SoC Nvidia для ускорения искусственного интеллекта в транспортных средствах.

Orin с 17 миллиардами транзисторов почти вдвое больше, чем Xavier, у которого было 9 миллиардов, и предлагает почти в 7 раз большую производительность (200 TOPS для данных INT8). Компания сообщила, что, несмотря на свой размер, Orin предлагает в 3 раза большую энергоэффективность, чем Xavier.

«[Это] огромный прирост [производительности], но речь идет не только о TOPS, это об архитектуре, разработанной для очень сложных рабочих нагрузок, очень разнообразных и избыточных алгоритмов, которые должны выполняться внутри автономного транспортного средства, которое будет - сказал Дэнни Шапиро, старший директор по автомобильной промышленности в Nvidia.

Генеральный директор Nvidia Дженсен Хуанг представляет Орина аудитории на конференции компании по технологиям графических процессоров в Китае (Изображение:Nvidia)

Orin будет использовать 12 процессоров Hercules ARM64 вместе с ядрами графического процессора Nvidia нового поколения и новыми ускорителями глубокого обучения и компьютерного зрения, о которых компания не сообщила.

Он будет использоваться в автономных транспортных средствах (в различных конструкциях от уровня 2 до уровня 5) и робототехнике, где требуется одновременная работа множества нейронных сетей и других приложений при достижении уровней безопасности ISO 26262 ASIL-D. Используя платформу Nvidia Drive, Orin будет программно совместим с Xavier.

Семейство Orin будет включать в себя ряд конфигураций, основанных на единой архитектуре, и будет доступно для производственных нужд заказчиков в 2022 году.

Федеративное обучение

Nvidia также объявила о партнерстве с Didi. Didi - поставщик транспортных услуг на основе приложений (аналогично Uber), работающий в Азии, Латинской Америке и Австралии.

Didi будет использовать графические процессоры Nvidia в своем центре обработки данных для обучения алгоритмов машинного обучения и платформу Nvidia Drive для логических выводов в своих автономных транспортных средствах уровня 4. В августе компания выделила подразделение по автономному вождению в отдельную компанию. Он также запустит облачные сервисы виртуальных графических процессоров для клиентов на базе графических процессоров Nvidia.

В отдельном объявлении Nvidia сообщила, что будет делать предварительно обученные модели для глубоких нейронных сетей (DNN), которые она разработала для Nvidia Drive, в свободном доступе для разработчиков автономных транспортных средств. К ним относятся модели для обнаружения светофоров и знаков, а также других объектов, таких как автомобили, пешеходы и велосипеды. Они также включают в себя алгоритмы восприятия пути, обнаружения взгляда и распознавания жестов.

Orin предложит 200 TOPS, что в 7 раз больше, чем у Xavier, при трехкратном повышении энергоэффективности (Изображение:Nvidia)

Важно отметить, что эти модели можно настроить с помощью инструментов, предоставляемых компанией, и можно обновлять с помощью федеративного обучения. Федеративное обучение - это метод, при котором обучение выполняется локально на периферии, с сохранением конфиденциальности данных, прежде чем центральная модель будет обновлена ​​результатами обучения из нескольких источников.

«Беспилотный автомобиль с искусственным интеллектом - это программно-определяемый автомобиль, необходимый для работы по всему миру с самыми разными наборами данных», - сказал Дженсен Хуанг, генеральный директор Nvidia. «Предоставляя разработчикам антивирусных программ доступ к нашим DNN и расширенным инструментам обучения для их оптимизации для нескольких наборов данных, мы обеспечиваем совместное обучение между компаниями и странами, сохраняя при этом право собственности на данные и конфиденциальность. В конечном итоге мы ускоряем реализацию глобальных автономных транспортных средств ».