「Punch Buggy」、「Slug Bug」，這個碰碰車的遊戲名稱雖不一致，我們卻都玩過，幼時手中拿著一部福斯金龜玩具車跟兄弟姐妹們的車子撞來撞去。深度學習技術的運作方式如出一轍，只是多了些數學公式、身上少了些黑青。
深度學習技術是一種按部就班重整資料的演算法，用於教導機器瞭解「未經結構分類的資料」，像是影像、語音及視訊等散落在試算表和資料庫外的資料。
GPU 在這些技術了扮演著要角，3月17-20日於矽谷召開的 GPU 科技大會即為深入瞭解相關知識的絕佳機會。GTC 會中將有二十餘場介紹 GPU 如何改寫汽車產業的演講內容。
深度學習技術又是怎樣的運作方式? 透過我們最新的自動駕駛車用電腦 NVIDIA DRIVE 即能一窺其中奧秘。同時在搭載 NVIDIA Tegra 處理器的電腦視覺技術加持下，DRIVE 讓車輛擁有令人稱奇的自我認知能力。
NVIDIA DRIVE 產品可在車內顯示行車資訊與車外感應器的影像。
NVIDIA 的工程師將攝影機裝在車上，拍攝40小時的影片，以顯示 DRIVE 的能耐；接著使用 Amazon Mechanical Turk 對每個影格以人工方式一一標示，將影片裡的 68,000 個物體進行分類。
訓練人工大腦
我們的工程師再將這些影像投入搭載強大 GPU 的伺服器人工神經網路。電腦科學家稱此程序為「訓練」，讓神經網路學習查看各種模式及辨識物體。
這有點像是孩童的學習過程，父母、朋友和打鬧的兄姐教導孩童如何辨識物體，接著孩童的大腦學習如何在更多情況下辨識這些物體。
這就是應用深度學習技術裡「深度」的時機點。神經網路通過深度學習技術學習從簡單到複雜各種程度的抽象內容，各層會分類某種資訊，仔細篩選後再傳到下一層。
DRIVE 會挑出各種車輛，甚至能看到幾部車後方的警車。
深度學習技術會堆疊這些資訊層，讓機器學習電腦科學家所謂的「層次表達」內容。第一層可能會尋找邊緣，下一層可能是尋找組成角的邊緣集合，再下一層可能是尋找邊緣模式，經過多層後神經網路即學習到「正在過馬路的行人」這個概念。
GPU 正是適用於這種學習的利器，能夠將訓練神經網路的時間從原本需耗時一年減至數天。GPU 可以一次執行多項計算內容，適合搭配用於對影像等無結構性資料進行分類的神經網路。在「訓練好」系統後，就能實際應用學習內容，像是自動駕駛車輛。
精準的視覺能力
這項技術如同即時雨，低成本攝影機和感應器讓車輛可以投入海量資訊，而 NVIDIA 的先進電腦視覺技術將這些資料變成車輛導航用的 3D 地圖。
深度學習技術更是深入發揮這些技術。搭載 Tegra X1 處理器的 NVIDIA DRIVE 系統利用神經網路建立的模型，使得 NVIDIA DRIVE 能掌握人類駕駛的習性。
DRIVE 將安裝在車輛四周的感應器所投入的資料，變成自我認知能力。
如此一來 NVIDIA DRIVE 就能迅速梳理出有用資訊，像是挑出各種車輛、區分警車和計程車、分辨救護車和貨車，或是原本靜止停放又準備上路的車輛。這項能力的應用範圍不限於車輛，NVIDIA DRIVE 還能找出人行道上的自行車騎士和心不在焉的行人。
深度學習技術還能辨識出人眼無法看出的影像，像是天候不佳時 DRIVE 仍能看到閃爍的電子看板或煞車燈。
或者是辨識出福斯的金龜車。相信我們：別用 GPU 來玩「Punch Buggy」（找金龜車遊戲）。