自动驾驶是人工智能(AI)的关键应用领域之一。自动驾驶汽车(AV)配备了多个传感器，如摄像头、雷达和激光雷达，这有助于它们更好地了解周围环境并进行路径规划。这些传感器产生大量的数据。为了理解这些传感器产生的数据，自动驾驶汽车需要类似超级计算机的几乎即时处理能力。开发自动驾驶系统的公司严重依赖人工智能，以机器学习和深度学习的形式有效处理大量数据，并对其自动驾驶系统进行培训和验证。虽然人工智能、机器学习和深度学习有时可以互换使用，但它们所指的概念并不相同。

用最简单的术语来说，人工智能是计算机科学的一个分支，它涵盖了所有与使机器变得智能有关的内容。因此，当一台机器根据一套解决问题的规则完成任务时，这种智能行为可以被描述为人工智能。机器学习和深度学习是创造或训练人工智能的方法。机器学习是对结构化数据和算法的研究，机器使用这些数据和算法在没有特定指令的情况下执行特定任务。

机器学习是人工智能的一种应用，它使系统能够从经验中学习和改进。深度学习是机器学习的一个子集，或者说是机器学习的下一个进化。深度学习的灵感来自于人类大脑中的信息处理模式。它利用复杂的神经网络，在神经网络继续学习和评估输入数据的同时，提取更详细的特征。深度学习可以是有监督的或无监督的:有监督的学习依赖于标记的训练数据，而无监督的学习利用较少结构化的训练源。开发AV技术的公司主要依靠机器学习或者深度学习，或者两者兼而有之。

机器学习和深度学习的一个主要区别是，深度学习可以在无监督练习中自动发现用于分类的特征，而机器学习需要使用更严格的规则集手动标记这些特征。与机器学习相比，深度学习需要强大的计算能力和训练数据来提供更准确的结果。在过去的几年里，深度学习帮助企业加快了AV开发计划。这些公司越来越依赖深度神经网络(DNN)来更有效地处理传感器数据。dnn可以让自动驾驶汽车学会如何利用传感器数据自主导航，而不是手动编写一套规则让自动驾驶汽车遵守，比如“看到红色就停车”。

这些算法的灵感来自人类大脑，这意味着它们通过经验学习。据深度学习专家英伟达(NVIDIA)的一篇博客称，如果DNN看到不同条件下的停车标志图片，它可以自己学会识别停车标志。然而，开发自动驾驶汽车的公司被要求编写一整套dnn，每个dnn都专门用于一个特定的任务，以保证自动驾驶的安全。对于自动驾驶需要多少dnn没有设定限制;随着新功能的出现，这个列表实际上还在增加。

为了真正驾驶汽车，每个DNN产生的信号必须被实时处理，这是由高性能计算平台完成的。人工智能首次用于自动驾驶可以追溯到2005年的第二届美国国防高级研究计划局(DARPA)自动驾驶汽车挑战赛，斯坦福大学赛车队的自动机器人汽车“斯坦利”赢得了比赛。获胜团队由斯坦福大学人工智能实验室主任、计算机科学副教授塞巴斯蒂安·图恩(Sebastian Thurn)领导，他们将胜利归因于机器学习的使用。

斯坦利配备了多个传感器，并由包括机器学习算法在内的定制软件支持，它可以帮助车辆找到路径、检测障碍物并避开它们，同时保持在赛道上。图恩后来在谷歌领导了“自动驾驶汽车项目”，谷歌最终在2016年成为Waymo。Waymo一直在广泛利用人工智能，使完全自动驾驶成为现实。该公司的工程师与谷歌Brain团队合作，将DNN应用于行人检测系统。利用深度学习技术，工程师们能够将行人检测的错误率降低100倍。

去年，Waymo的首席技术官兼工程副总裁德米特里·多尔戈夫(Dmitri Dolgov)在Medium的一篇博客中强调了人工智能和机器学习如何帮助该公司开发了一套AV系统。“虽然感知是深度学习最成熟的领域，但我们也将深度网络(DNN)用于预测、规划、绘图和模拟等方方面面。通过机器学习，我们可以处理微妙和困难的情况;机动施工区域，让路给紧急车辆，并给平行停车的汽车留出空间，”多尔戈夫在博客中写道。

Waymo对其深度学习模块进行了广泛的训练，使其能够在道路上行驶超过1000万英里，并观察了数亿次车辆、行人和自行车之间的互动。该公司还在模拟中训练其深度学习模块——waymo声称已经在模拟自动模式下行驶了100多亿英里。根据研究公司Gartner的数据，到2025年，60%的基础设施和运营(I&O)团队将在全企业范围内使用人工智能(AI)增强的自动化。

与2020年的1%相比，这是一个重大增长，带来了更高的信息技术(IT)生产率、灵活性和可伸缩性。Gartner概述了分布式用户和应用程序对校园网的主要影响，并提供了具体的建议来应对迎面的挑战。华为深入研究校园网自主驾驶，探索提高自动化、智能化水平的途径。华为将自动驾驶网络(adn)分为L0 ~ L5 6个级别，每个级别的关键能力特征不同。

华为智能汽车解决方案事业部MDC产品部总经理李振亚表示:“目前，智能驾驶行业势头强劲，正朝着量产的方向发展。”华为致力于建设一个开放、标准化的MDC。基于其在硬件、软件和安全工程方面的扎实经验和成就，华为构建了最强大的智能驾驶计算平台MDC，加速了智能汽车的量产。”

李彦宏解释说，在大规模生产智能计算平台之前，必须解决一系列的挑战，包括硬件工程、软件工程和安全问题。这是一个复杂、系统的过程，需要将技术转化为工程能力。

在硬件工程中，车辆必须能够抵抗灰尘、水、冷凝和电磁干扰。在软件工程中，任何集中的计算平台都必须支持底层硬件资源的分离和共享，并且其自身的确定性延迟必须最小化。在安全工程中，交付符合ASIL D的确定性功能安全性，并考虑预期功能的安全性(SOTIF)是至关重要的。全面的网络安全架构和防御能力也至关重要，这需要多年的努力来发展。一般来说，智能驾驶计算平台需要2到3年的时间才能准备好大规模生产。

自2018年发布首款MDC产品以来，华为一直在建设大规模生产的能力。该公司设计的MDC严格符合汽车等级要求。在开发和验证阶段，除了夏季和冬季驾驶测试外，还在实验室进行了200多次设计验证测试。为了使MDC的性能最大化，华为对从芯片组、平台、操作系统到运营商和AUTOSAR自适应平台/经典平台的一切都进行了优化，使MDC在延迟方面走在行业的前沿。全面的安全架构和相关功能已经就位，以保护MDC硬件、平台、访问和应用程序。

华为对其MDC的研发路线图强调了统一的硬件架构、统一的软件平台，以及公司提供完整系列MDC的意图。MDC系列，现在包括MDC 210、MDC 300F、MDC 610和MDC 810，都由领先的平台和安全体系结构提供支持，并提供各种传感器接口。他们的计算能力范围从48个TOPS到超过400个TOPS。可演进的MDC Core软件(包括AOS和VOS)支持向前兼容性和长期演进，帮助客户保护自己的投资和积累能力。目前，MDC产品可以支持各种不同的用例，包括乘用车、商用车和从L2+到L5自动级别的专用车辆。

HUAWEI MDC是一个开放、标准化的平台，旨在促进智能驾驶行业的发展。华为将自己定位为行业发展的引擎和整个价值链整合的催化剂，目标是为该行业耕耘土壤。华为与传感器、执行器、应用算法等厂商紧密合作，构建基于MDC的技术生态系统。华为通过开放的计算平台，联合生态伙伴的努力，加快智能驾驶生态系统的建设，进入智能汽车的量产阶段。