第597章 修罗场

  图神经网络（gnn）在自动驾驶交互预测领域確实是前沿方向，特斯拉內部也有预研，但远未到量產落地阶段。

  非参数贝叶斯在线学习？

  这更偏向理论研究，实时性要求极高的车载规控系统目前几乎不可能承受其计算开销。

  顾南舟的问题，像一把精巧的钥匙，瞬间捅开了他理论认知与实际工程落地之间的那层窗户纸，暴露了一个他心知肚明却尚未完美解决的痛点。

  他坦诚地承认了当前方案的局限性，並简要探討了gnn的潜力与当前硬体瓶颈，也直言非参数贝叶斯在实时性上的巨大挑战。

  他看到屏幕那端的顾南舟快速在笔记本上记录著什么，脸上没什么表情。

  蒋雨宏紧接著拋出了第二个问题，这次是关於华兴mdc平台。

  “假设你加入团队，负责在mdc610平台上重构时空联合规划器。

  平台提供异构算力：昇腾npu负责bev特徵提取与目標跟踪，鯤鹏cpu负责高精度地图匹配与定位，同时gpu资源需共享给占用网络推理。

  如何设计你的算法模块调度框架，確保在城区复杂十字路口场景下（感知目標＞50个），规控环路时延稳定低於100毫秒？

  请具体说明关键路径优化策略及可能引入的延迟风险点。”

  这完全是一个基於华兴自研硬体平台的实战沙盘推演！

  需要对mdc架构、昇腾npu特性、实时作业系统调度有深入理解。

  陈奇惊对mdc的了解仅限於公开资料。

  他只能凭藉在特斯拉优化gpu算力的经验，结合对问题的理解，尝试性地提出基於任务优先级和资源预留的调度构想，並坦诚指出对昇腾npu特定计算单元利用率优化可能存在的知识盲区。