NVIDIA如何用AI創造AI？自駕車模型訓練與蒸餾技術分析

NVIDIA在GTC（GPU技術大會）2025春季場分享透過Omniverse數位攣生與Cosmos生成式世界基礎模建立的合成資料訓練自駕車模型，並利用蒸餾技術訓練更小巧的自動駕駛決策模型。

使用AI訓練AI

NVIDIA在GTC 2025春季場發表Halos自動駕駛安全系統堆疊，整合車輛架構、AI模型、晶片、軟體、工具、服務等多個面向，提供從雲端到車輛的整合式安全開發環境。另一方面也發表與GM（General Motors，通用汽車）共同利用AI、模擬和加速運算技術，合作開發下一代車輛、工廠和機器人。

延伸閱讀：【GTC 2025】黃仁勳演說深入分析：提出「終極摩爾定律」，追求相同耗電更高效能

GM將使用Omniverse平台建立生產線的數位孿生，在虛擬環境中驗證車輛生產與測試等流程並進行改善，以減少生產線的停機時間，提高製造安全性和效率，也將在車輛搭載Blackwell架構的DRIVE AGX電腦與DriveOS作業系統，以高達1000 TOPS的AI運算效能提供安全自動駕駛功能。

將焦點放在自動駕駛功能的AI模型訓練部分，NVIDIA推出的Omniverse數位攣生平台整合多種API與SDK，並支援OpenUSD格式3D物件模型檔案以及RTX渲染技術，能夠用於在電腦中建立虛擬工廠、機器人等數位攣生，適用於工業和機器人的工作流程模擬。Cosmos則是符合物理現象且開源的生成式世界基礎模型，能夠用於輸入文字或影片以生成虛擬世界。

結合這2項技術，開發者得以在電腦中建立逼真的3D場景，或是透過輸入提示詞的方式生成影片，並利用這些資料補充實際在道路駕駛過程拍攝的影片或各種感應器量測的數據，進行自駕車的模型訓練。

▲ GM將與NVIDIA共同利用AI、模擬和加速運算技術，合作開發下一代車輛、工廠和機器人。

▲ NVIDIA也發表Halos自動駕駛安全系統堆疊，提供從雲端到車輛的整合式安全開發環境。

▲ NVIDIA提供整合Omniverse與Cosmos等2項技術的閉迴圈（Closed Loop）訓練系統，透過真實世界的資料建立道路環境的數位攣生，並透過數位攣生訓練自駕系統。

▲ Omniverse與Cosmos能夠快速生成極大量的合成資料、影片，並作為自駕系統的AI訓練素材。

▲ 舉例來說，開發者可以使用Omniverse建立道路環境的數位攣生，並在其中訓練自駕系統。

▲ 由於數位攣生是透過3D開發環境建立，因此可以取得100%準確的車道、行道樹、建築物等物件標記，對於AI訓練有很大的幫助。

▲ Cosmos可以透過輸入提示詞生成各種行駛狀況的影片，補充AI模型的訓練素材。

▲ Omniverse搭配Cosmos也能生成各種不同天氣、時間、交通流量狀態的影片，能以更多不同的情況進行AI訓練，提高模型的在不同條件下的可靠度。

蒸餾模型降低駕駛時運算需求

NVIDIA也透過模型蒸餾技術降低自駕系統運作時的運算資源需求，將Cosmos較為復雜、聰明但消耗更多資源的原則模型（Policy Model）作為「老師」，教導佈署於自駕車上的「學生」模型。

「老師」會展示各種不同情況下的最佳行駛路徑，並讓「學生」不斷重復學習，過程中會透過Cosmos的Driver Evaluator評估系統對不同AI推論進行評分，並改善「學生」的路徑規劃，直到表現與「老師」接近。

然而道路駕駛還有很多不同挑戰，仍需透過前文提到的方式微調「學生」模型，以提高自駕系統的可靠度，最終讓「學生」能以參數量較小的模型達到理想的自動駕駛能力，降低自駕系統AI推論工作的運算需求。

▲ 模型蒸餾技術的概念為讓Cosmos的原則模型作為「老師」展示最佳行駛路徑，訓練「學生」模型（圖中藍色車輛）不斷重復學習。

▲ 系統透過Driver Evaluator評估系統對不同AI推論進行評分，並改善「學生」的路徑規劃，直到表現與「老師」接近。

Omniverse與Cosmos以及上述蒸餾模型最大的優勢在於可以進行自動化訓練，在幾乎不需介入的情況下不斷自動訓練與微調自駕系統的AI模型，等於是不需投入額外人力的前提下，只需花費伺服器運作所需的電力，就可以讓系統持續提升模型品質，帶來更可靠的自駕系統。

這個特點也呼應NVIDIA執行長黃仁勳於GTC 2025春季場開幕演說中提到的AI工廠概念，「輸入電力即可產出人工智慧」。

（回到【GTC 2025】系列報導目錄）