Los conductores que suelan utilizarán navegadores en sus desplazamientos estarán familiarizados con este problema: si los carriles de una carretera están muy juntos, el sistema no sabe en cuál se encuentra el vehículo. El GPS no es lo suficientemente preciso para reconocerlo, ya que solo está capacitado para determinar la posición en un rango de dos a diez metros. Porsche Engineering está trabajando en un sistema que utiliza inteligencia artificial (IA) para calcular una posición más precisa a partir de los datos del GPS. “Esto hace posible, por ejemplo, identificar la trazada ideal en un circuito”, dice Joachim Schaper, responsable de Inteligencia Artificial y Big Data en Porsche Engineering. Los cálculos necesarios se pueden realizar en el propio coche, mediante un ordenador compacto equipado con unidades de procesamiento de gráficos (GPU).
La plataforma de hardware pertenece a Nvidia. “Cuando escuchas el nombre, no piensas necesariamente en el sector automotriz”, dice Schaper. Los usuarios de ordenadores personales suelen asociar Nvidia a las tarjetas gráficas. O, mejor dicho, a tarjetas gráficas especialmente rápidas. Esta buena reputación del fabricante americano se remonta a principios de la década de 2000, cuando salieron al mercado los primeros videojuegos con gráficos 3D elaborados. En aquel momento, quienes quisieran disfrutar de juegos como Quake 3 o Far Cry sin saltos de pantalla necesitaban un hardware potente. Y rápidamente se hizo conocida la tarjeta gráfica GeForce de Nvidia. Se convirtió en un éxito de ventas y llevó a la empresa, fundada en 1993, a los primeros puestos de fabricantes de hardware. A comienzos del nuevo milenio,
Investigadores de IA como nuevo grupo de clientes
A principios de la década de 2010, Nvidia se dio cuenta de que había surgido un grupo completamente nuevo de clientes que no estaban interesados en los juegos de ordenador. Se trataba de los investigadores de inteligencia artificial. Se había corrido la voz en la comunidad científica de que las GPU eran perfectamente adecuadas para tareas complejas en el campo del aprendizaje automático. A la hora de crear algoritmos de IA, las GPU que realizan operaciones de manera paralela son claramente superiores a los procesadores secuenciales convencionales (unidades centrales de procesamiento o CPU) y pueden reducir significativamente los tiempos de cálculo.
Nvidia vio la oportunidad antes que la competencia y lanzó al mercado el primer hardware optimizado para IA en 2015. Fue en ese momento cuando la compañía se centró de inmediato en el sector del automóvil, aprpvechando el lanzamiento de la plataforma Nvidia Drive. El sistema PX 1 era capaz de procesar imágenes de 12 cámaras conectadas y ejecutar simultáneamente programas para evitar colisiones o monitorizar al conductor. Tenía una potencia equiparable a más de 100 ordenadores portátiles. Varios fabricantes utilizaron la plataforma en sus primeros prototipos de vehículos autónomos.
Crecimiento constante en el sector automotriz
Inicialmente, Nvidia llevó a cabo una estrategia basada en el hardware, suministrando procesadores a los OEM (fabricante de equipo original). En este momento, su negocio en automoción se asienta sobre dos pilares: los sistemas gráficos de las pantallas del interior del coche y el hardware para las funciones de conducción asistida o automatizada. El año pasado, las ventas de Nvidia en el sector del automóvil alcanzaron los 700 millones de dólares, lo que corresponde al seis por ciento de sus ventas totales; el volumen de negocio en este campo crece de manera sostenida desde el año 2015. Jensen Huang, fundador y CEO de Nvidia, ve aquí grandes oportunidades de mercado. “Los vehículos del mañana son superordenadores de inteligencia artificial rodantes. En un futuro solo sobrevivirán dos de las numerosas unidades de control que hay ahora:
Para lograr una presencia aún más sólida en el mundo del automóvil, Nvidia ha cambiado su estrategia: la empresa ya no se centra únicamente en los chips, sino que ofrece un paquete completo de hardware y software. “Los clientes pueden crear su propia solución y ahorrar en el desarrollo de base”, explica Ralf Herrtwich, director de Software de Automóvil de Nvidia. Un fabricante que quiera ofrecer un vehículo semiautónomo, puede obtener tanto el hardware para evaluar las imágenes de la cámara como las redes neuronales de Nvidia, por ejemplo, para implementar un sistema de reconocimiento de señales de tráfico. Este sistema modular es abierto, a diferencia de lo que suele ser habitual. “Todas las interfaces quedan a la vista. De este modo, el fabricante puede adaptar el sistema a sus propios requisitos ”, explica Herrtwich.
Los productos de Nvidia son "sistemas en un chip"
Con esta estrategia de apertura que permite la adaptación por parte del cliente, la empresa estadounidense tiene como objetivo expandir su negocio al máximo, lo que en última instancia también impulsa el desarrollo de los productos. “Podemos optimizar mejor nuestro hardware si sabemos cómo lo utilizan nuestros clientes”, explica Herrtwich. Y pone un ejemplo: la mayoría de los productos de Nvidia son "sistemas en un chip" (SoC por sus siglas en inglés). Esto significa que un procesador se combina con otros componentes electrónicos en un semiconductor. El sector de la automoción utiliza chips con entradas de vídeo integradas a las que se conectan cámaras externas. Pero, ¿cuántas entradas de datos se necesitan? ¿Cómo se debe diseñar la conexión de red? Estas preguntas solo pueden responder si existe un contacto estrecho con los clientes, dice Herrtwich. El experto en inteligencia artificial Schaper tiene una opinión similar: “La información de otros fabricantes de equipos originales es importante”. En el momento actual, es fundamental trabajar de manera conjunta en los procesos de desarrollo.
Además de hardware y software, Nvidia pone a disposición de los OEM en su propia infraestructura. Por ejemplo, los fabricantes pueden colaborar en la formación de redes neuronales en los centros de datos de Nvidia, donde miles de GPU funcionan en paralelo. Hay que tener en cuenta que un algoritmo de conducción autónoma primero debe aprender a reconocer un peatón, un árbol u otro vehículo. Para ello, se utilizan millones de imágenes de tráfico real sobre las que se han marcado manualmente los objetos correspondientes. Mediante ensayo y error, el algoritmo aprende a identificarlos. Este proceso requiere mucho trabajo (como etiquetar los objetos) y requiere una gran capacidad informática.
Tres preguntas a Ralf Herrtwich
¿Cuándo llegará la inteligencia artificial (IA) al automóvil?
En realidad, ya ha llegado. Está en el interior de algunos coches actuales. Varios fabricantes ofrecen control por voz basado en IA como parte de los sistemas de infoentretenimiento. Además, los vehículos son cada vez más capaces de percibir su entorno y reaccionar ante las situaciones que se pueden plantear, como muestran los sistemas de asistencia a la conducción. En este campo, el de los asistentes, la inteligencia artificial desempeña un papel cada vez más importante.
¿Cuándo se hará realidad la conducción?
Los vehículos autónomos ya se están probando en áreas localizadas, especialmente en lugares donde hace buen tiempo. Sin embargo, por el momento vemos la aplicación en el mercado particular como un soporte a la conducción, es decir, haciendo uso de los tres primeros niveles de autonomía. En general, los próximos años se caracterizarán por una competencia entre dichos sistemas, es decir, por la cuestión de cuál de ellos puede dominar la mayoría de las situaciones.
¿Cómo cambia la inteligencia artificial el ecosistema automotriz?
Cuanto más relevante se vuelve a las funciones de software, más cambia el papel de los proveedores de nivel 1, que son los de mayor importancia en la cadena de suministro. En el futuro, podemos imaginar una constelación triangular: los OEM trabajarán con empresas de tecnología como Nvidia en el desarrollo de procesadores y módulos de software, mientras que los proveedores de nivel 1 fabricarán la unidad de control.
Por qué las GPU son los mejores ordenadores de inteligencia artificial
Las GPU están especializadas en cálculos geométricos que permiten girar un cuerpo en la pantalla, acercar o alejar la imagen. Son particularmente buenas realizando los cálculos matriciales y utilizados para ello. Esta es una ventaja en el desarrollo de redes neuronales, cuya estructura es similar al cerebro humano y constan de varias capas en las que los datos se procesan. Para entrenar a estas redes, las multiplicaciones de matrices son clave y esta es justo la especialidad de las GPU. Además, tienen mucha memoria para almacenar resultados intermedios y modelos de manera eficiente.
Otro punto a favor de las unidades de procesamiento de gráficos (GPU) es su capacidad para gestionar tareas paralelizables, ya que pueden hacerlo mucho más rápido que los procesadores convencionales (CPU). Cuando se trata de redes neuronales, son posibles de reducir el tiempo de desarrollo hasta en un 90 por ciento.