两个月前，在台北电脑展上，英伟达CEO黄仁勋自豪地举起一颗不到手掌大小的芯片：这是未来智能机器人的“大脑”。
很多游戏迷听说Nvidia发布了新卡，兴奋地搜索相关消息。
但环顾四周，新闻发布会谈到了“十年来最重要的创新”和“世界上第一个光线追踪GPU”。
关于新产品在游戏中的应用，老黄并没有过多提及。
游戏的粉丝们有些失望。
核弹还是那个核弹，皮夹克还是那个皮夹克。
然而发布会上反复提及和展示的关键词却并非他们所熟悉的3A大作。
类似的情况也出现在显卡评测视频中。
当一位up主通过机器学习的训练效果讲解NVIDIA Titan V显卡的性能时，弹幕立即显示“我听不懂”和“你在说什么？”游戏迷可能不太买账，但对于英伟达来说，人工智能是这家以图形和计算起家的半导体公司最好的机会。
在深度学习爆发的那些年，擅长的英伟达 GPU向量和矩阵运算被许多学者和研究人员用来进行研究和训练自己的算法模型，甚至像 Google Brain 和 Andrew Ng 这样的顶级人工智能研究团队和科学家也使用它们。
随着时间的推移，NVIDIA 也将注意力转向了深度学习。
学习，这个行业刚刚兴起的领域，还不够聪明，这几年，NVIDIA在人工智能领域积累了自己的经验，也开始做出新的判断。
专注于底层计算能力，已经开始思考上层应用的方向。
人工智能的第一阶段是自动化编程软件的发展。
第二阶段是将软件应用到行业自动化中。
这种自动化带来的效率提升将会刺激原有的市场。
在今年的台北电脑展上，黄仁勋将人工智能的发展分为三个阶段。
第三阶段是人工智能走出计算机，影响外界。
按照黄仁勋的定义，我们目前正处于人工智能发展的第二阶段，即人工智能已经开始初步应用到各个行业。
例如，在工厂的人机协作中，大型机械在使用过程中很容易误伤人员。
不过，如果这些设备都配备了传感器，能够检测周围是否有人，并实时判断是否减速，那么在使用过程中就会安全很多。
另一个例子是传统的卸垛和堆垛设备。
只要在设备中添加深度传感器，就可以确定盒子的大小、位置和重心。
此时，机器可以确定最佳操作位置并尽快完成该过程。
操作。
在超市里，销售人员每天打烊后都要花几个小时来整理和清点当天剩余的商品。
现在市场上有机器人可以完成点货、理货的功能。
这些设备可以为商店节省大量资金。
人力少。
这些是现在已经投入使用的一些智能机器，但在英伟达高级软件经理李明博士看来，这些智能机器还远远不够。
添加一点智能来解决当前场景中最紧迫的问题，看似是一个智能机器，但实际上它并没有像想象中那样对整个机器人本身有很大的提升。
李明博士认为，这些智能机器人普遍存在一些问题：一是软件成本上涨过快。
在安全、服务、工厂等不同场景下，有不同的需求，这些需求体现在软件编程和软件架构的逻辑上。
它会推翻整个局面，从而导致软件开发成本居高不下。
其次，根据场景不同，单机使用时需要单独调试。
以工业机器人的机械臂为例。
在工厂里，需要量身定制车床，设定具体的操作参数，比如距离生产线的距离，50cm或60cm。
生产线上绝对不允许有10cm±的误差。
第三，现有的机器人无法应对环境的变化，例如工厂内光线的变化或户外可能发生的各种事故。
第四，软件更新，当功能增加或修改时，需要做很多额外的工作，比如改变程序的逻辑，甚至重新编程等。
正如黄仁勋前面提到的，人工智能分为三个阶段。
智能化始于软件，机器人从完成固定程序动作的普通机器进化到今天的“有点智能”机器人，这些都依赖于人工智能在各自行业的初步应用。
。
因此，解决智能机器的上述问题，需要回归到软件层面和人工智能层面。
机器如何学习？人工智能的发展变得越来越抽象和复杂。
从早期的简单判断是或否，到后来的精确识别，可以在复杂场景中找到特定目标，再到后来出现了AlphaGo这样可以主动决策的AI，甚至是AlphaGo Zero这样的智能。
快速成长完全可以通过自学来实现。
可见，软件的智能水平领先于我们常见的硬件智能。
那么，人工智能在硬件上的部署遇到了哪些困难呢？首先是计算能力。
硬件，尤其是移动机器人所能承载的算力是非常有限的，这与AlphaGo这样的AI不同，它是靠全公司的算力来训练的。
经过这么长时间的发展，人工智能在网络处理的信息种类、复杂程度和数量上都发生了翻天覆地的变化。
网络类型方面，从早期的AlexNet、GoogleNet，到现在的各种GAN（生成对抗网络）以及各种深度强化学习网络，各自的网络结构各不相同，开发者常常会遇到适应最新网络的问题。
遇到麻烦了。
网络变得越来越复杂，处理的信息量也呈指数级增长，对计算能力的要求也越来越高。
实际上有一些机器人对处理单元的尺寸有更多的限制，但配备了更高的智能水平。
升级的障碍。
其次是训练环境。
对于AlphaGo和DeepMind来说，科学家可以设定一个基本规则，让它永远在计算机中运行，不断训练，技能变得越来越强大，但机器人的训练远没有这么简单。
在去年的GTC大会上，黄仁勋展示了加州大学伯克利分校AI实验室进行的曲棍球机器人实验。
在只有一米左右的直线上，伯克利的曲棍球机器人“阿达”经过几次尝试才变得熟练。
掌握将球击入球门框的技巧。
“这只是曲棍球！”黄说。
“如果我想举起一辆车怎么办？如果我想开门怎么办？如果我想让机器人配合医生做手术怎么办？”我们不能让机器这样学习。
在此，NVIDIA高级软件经理李明博士指出，使用深度强化学习来训练机器人时存在三个主要障碍。
首先，现实世界的训练过程太慢且昂贵。
谷歌的机器人实验室曾经花了三个月的时间使用14个机械臂完成了30万次拾取动作，还配备了一整套工程师团队来“照顾”这些机器人。
对于其他公司或者普通研究人员来说，这样的成本是完全无法承受的。
其次，训练部分非常危险，可能会造成一定程度的伤害。
机器人在训练过程中直接与物理世界交互。
任何碰撞都可能对身体造成伤害，甚至可能对训练“随行”人员造成伤害。
第三，搭建培训环境非常耗时耗力。
以自动驾驶为例。
如果要训练汽车在面对前车追尾时的表现，很难从日常生活中收集数据，更不用说设置类似的场景了。
NVIDIA 的答案 在今年的台北电脑展新闻发布会上，NVIDIA 发布了 NVIDIA Isaac 机器人平台，该平台包括 NVIDIA Isaac 硬件、软件和虚拟世界机器人模拟器。
同样在本次发布会上，黄仁勋还发布了全球首款专为机器人打造的处理器NVIDIA Jetson Xavier。
他手里拿着这台只有手掌大小的电脑，对媒体说：“这就是智能机器人的未来大脑。
” Jetson Xavier 拥有超过 90 亿个晶体管，每秒可进行超过 30 万亿次操作，处理能力甚至比高性能工作站还要强大。
同时，Xavier拥有6个高性能处理器，包括1个Volta Tensor Core GPU、1个8核ARM64 CPU、2个NVDLA深度学习加速器、1个图像处理器、1个视觉处理器和1个视频处理器。
超高的算力让可直接部署在终端机器人上的Jetson Xavier为机器人的感知和计算提供基础算力保障。
软件方面，Jetson Xavier配备了工具箱，包括API工具包Isaac SDK、智能机器加速应用Isaac IMX以及高逼真度虚拟仿真环境Isaac Sim。
NVIDIA在2016年GTC上首次发布了Isaac虚拟仿真环境的部分内容。
只需要一个普通的游戏引擎，开发者就可以创建一个非常模拟的虚拟环境。
在这个 VR 世界中，开发人员可以在其计算能力支持的情况下尽可能多、尽可能快地训练机器。
训练完成后，机器可以直接部署到机器人上，完成物理世界中的测试。
这解决了训练环境中的许多问题。
在英伟达看来，机器人毕竟必须具备超级边缘计算能力，而目前远远超出当前机器人应用需求的Jetson Xavier是一款为下一代自主机器打造的AI计算芯片，由Isaac平台支持未来，机器将无处不在地帮助我们的日常生活和工作，提高整个社会的效率，这最终将在不久的将来成为现实。