7月28日 – 汽車產業正在經歷變革，產品開發周期變得越來越短。為提升技術領先地位，科技公司大陸集團投資搭建了屬于自己的人工智能（AI）超級計算機。
該超級計算機由運用 NVIDIA InfiniBand 互連技術連接的 DGX 系統提供動力支持。位于法蘭克福的超級計算機數據中心，為全球各地的開發人員提供計算能力和存儲功能。 人工智能使高級駕駛員輔助系統變得強大，令出行變得更加智能和安全，讓無人駕駛可以在中期實現商業落地。
大陸集團高級駕駛員輔助系統事業部項目管理系統負責人 Christian Schumacher 表示：“超級計算機是我們對未來的投資。這個最先進的系統可以同時進行至少 14 次以上的實驗，從而大大縮短我們訓練神經網絡所需的時間。”
Schumacher 表示：“在尋找合作伙伴時，我們看重兩個方面：品質與速度。該項目的時間非常緊張，我們計劃在一年之內完成。經過大量的測試和考察，大陸集團選擇了NVIDIA，這是一家為全球多臺最快的超級計算機提供動力支持的公司。”
NVIDIA企業計算部門負責人 Manuvir Das 表示：“NVIDIA DGX 系統能夠為像大陸集團這樣的創新企業提供了高成本效益且易于部署的企業級人工智能超級計算解決方案。大陸集團運用以 InfiniBand 互連技術連接的 NVIDIA DGX POD 對自動駕駛汽車進行訓練，可以設計出最智能的未來汽車以及構建與汽車設計配套的 IT 基礎設施。”
大陸集團的超級計算機由 50 多個 NVIDIA DGX 系統構成，與 NVIDIA Mellanox InfiniBand 網絡相連。根據公開的超級計算機 500 強榜單的數據，這個超級計算機的性能在全球汽車行業中獨占鰲頭。超級計算機采用混合模式，在需要時可通過云解決方案擴展容量和提高存儲性能。Schumacher 解釋說：“超級計算機是 IT 基礎設施設計中的一項杰作。為了使超級計算機具備如今的完整性能和功能，以及支持未來擴展的可擴展性，我們的團隊精確地規劃了每一個細節。”
高級駕駛員輔助系統利用人工智能使汽車能夠做出決策、輔助駕駛員并最終實現自主駕駛。雷達和攝像頭環境傳感器可為車輛提供原始數據。智能系統會實時處理這些原始數據，創建車輛周圍環境的綜合模型（感知），制定相應的駕駛策略（規劃）。
最后，需要對車輛進行控制，使其執行規劃的策略（行動）。但是，隨著系統變得越來越復雜，傳統的軟件開發方法和機器學習方法已經達到了極限。深度學習和仿真已成為基于人工智能的解決方案的基本開發方法。
通過深度學習，人工神經網絡可以讓機器從經驗中學習并將新信息與現有知識聯系起來，仿真人腦內部的學習過程。
但是，一個孩子只要看過幾十張不同款汽車的圖片就能識別出不同的汽車，而要讓神經網絡學會輔助駕駛員，甚至于自主駕駛車輛，卻需要用到數以百萬計張的圖片，用大量數據耗費數千個小時對其進行訓練。NVIDIA DGX POD 不僅減少了這一復雜過程所需的時間，還可縮短了新技術的上市時間。
大陸集團匈牙利達佩斯人工智能能力中心負責人 Balázs Lóránd 與其團隊一直致力于開發支持人工智能創新的基礎設施，他表示：“總的來說，我們預估完成全面神經網絡訓練所需的時間將從數周縮短至數天。在過去幾年里，我們的開發團隊的人數和經驗一直在增長。借助超級計算機，我們能夠根據需求更好地擴展計算能力，并充分發掘開發人員的全部潛力。”
目前，訓練神經網絡所用的數據主要來自大陸集團的測試車隊。車隊每天行駛 15000 公里左右，收集約 100 TB的數據，這一數據量相當于 50000 小時的電影。所記錄的數據可以通過回放來仿真實車測試，用于開展新系統訓練。超級計算機可綜合生成數據，這是一種高度消耗計算能力的用例，能夠讓系統從仿真環境下的虛擬行駛中進行學習。
對于開發流程而言，超級計算機具有多個優點： 首先，從長遠來看， 由于系統本身就可以即時創建必要的訓練場景，或將不再需要記錄、存儲和挖掘現實車隊生成的數據。其次，它提高了開發速度，因為虛擬車輛只要幾個小時就能走完現實汽車需要數周才能行駛完的路程。第三，綜合生成數據這一特性可以讓系統處理和應對不斷變化和不可預測的情況，最終使車輛能夠在變化無常的和極端的天氣條件下安全行駛，或者對行人的移動做出安全預測，為實現更高級別的自動化鋪平道路。
擴展能力是 NVIDIA DGX POD 概念背后的主要推動力之一。借助科技的力量，機器學習可以比任何人為控制下的學習學得更快、更好、更全面，并且隨著每一步的演化，其潛在性能將呈指數級的增長。
這臺超級計算機位于法蘭克福的數據中心，之所以選擇此處，是因為其靠近云服務提供商，更重要的是，這里有應用人工智能的環境，能夠滿足冷卻系統、網絡連接和供電方面的特定要求。計算機使用經認證的綠色能源供電，GPU 集群在設計上比 CPU 集群具有更高的能源效率。
