为了使汽车能够“看”、“听”、“理解”、“交谈”和“思考”，人工智能（AI）或机器学习模型需要正确收集、结构化并理解大量视频、图像、音频、文本、LIDAR和其他传感器数据。

这些模型大多基于深度学习网络，通常称为神经网络，即可以通过分析大量数据来学习任务的复杂数学系统。例如，通过处理数千张猫的照片，神经网络可以学习识别猫。[1]

您可能从未听说过神经网络，但实际上，您很可能已经在频繁与其进行互动。这项技术可以识别您发布到Facebook照片中的面孔、识别手机命令并在Microsoft Skype等互联网服务上进行语言间互译。

正是这项技术推动了自动驾驶机器人（包括自主驾驶汽车）的发展。但是它面临着一项巨大的挑战，而其中最大的挑战便在于处理从传感器生成的数据量，并根据这些数据得出正确的决策。更不用说这些网络在部署之前便需要学习的大量数据。

“如果给孩子看一张猫的照片，他们无需思考便会认出另一只猫。”我们的高性能材料首席策略师David Mueller博士说，“但是您需要向AI系统展示数百万只猫的图片，以使其能够可靠地识别出另一只猫。自动驾驶汽车正面临着相同的问题。只需考虑一下您开车时大脑的工作量，您在做出很多决定时甚至可能想都没想。例如，如果另一辆车突然超车，您的脚会立刻踩向刹车，而且可能在您还没有意识到之前，就已经做出踩刹车的动作了。您此前看到过类似事件，对其进行了处理，了解了其含义并采取行动。所有这些都只基于您有限的先前经验，而且就在一瞬间。”

对于自动驾驶汽车来说，学习做同样的事情需要大量的输入数据和非常聪明的算法。

“大脑凭借令人难以置信且高效快速的启发法或‘经验法则'来做出决策。”Mueller继续说道，“即使在缺少信息的情况下也可做出合理决策。在大多数情况下，我们依赖潜意识直觉做出正确判断，尤其是在以前从未经历过的情况下。”

因此，如何教授无人驾驶汽车进行调整就变得至关重要，例如，当没有遇到这种情况时，它如何才能不经过培训就做出调整。

仅一辆自动驾驶汽车中的传感器预计每小时便会产生80 GB的数据量，即每天5 TB。这相当于1200部高清电影。[3]这些大量数据必须获得实时处理，  

其中的最大挑战在于，如何有效管理所有这些在行驶中生成的数据。

“负责‘指挥’最新型自动驾驶汽车的计算机可被称为小型超级计算机。”Mueller解释说，“Nvideas的最新开发项目旨在于2022年实现第5级自动驾驶，使用750 W的功率提供令人惊叹的200 TOPS（每秒万亿次操作）。”[4]

但是每小时消耗750 W用于数据处理，将对电动汽车的续航里程产生巨大影响。

Mueller建议：“通过使用神经形态芯片，将能够以更加轻松和节能的方法制造自动驾驶汽车。”

神经形态芯片的设计以大脑中的神经元网络为蓝本。这些所谓的尖峰神经网络（SNN）不仅处理1和0，还通过交换微小的电信号脉冲进行操作，仅当输入信号达到临界阈值时才会“触发”，与生物神经元同理。

如搭配合理的传感器，这些SNN能够极为高效地运行，因为这些只有当发生了有意义的变化时才开始处理，

而且其性能也更高，因为它们可以同时存储和处理信息，就像人脑中的神经元和突触一样。传统计算机按顺序运行命令，不断在内存和处理器之间来回转移接收到的数据包，而神经形态计算机则是在很大程度上同时处理和存储数据。就像人类的大脑一样，这使其在速度更快的同时更加节能。

这种芯片的潜力在于，通过像大脑一样运作，它们可以帮助自动驾驶汽车等AI系统学习技能，并更有效地执行任务。

“如今，真正的神经形态芯片仍处于早期阶段，尤其是采用尖峰神经网络的芯片。但是，这些在实现自动驾驶方面拥有惊人的潜力。”Mueller说。

从智能手机到5G网络，近年来的每一项数字技术进步都依赖于先进的半导体材料。无人驾驶汽车也不例外。为了创建这些系统所需的高级计算，需要同样高级的高质量半导体材料和制造工艺。

因此，咨询公司普华永道（PwC）估计，到2022年，面向汽车行业的半导体销售额将增长11.9%。[5]这种趋势与自动驾驶汽车的巨大市场潜力、汽车的持续电动化趋势，以及车载助手和车载娱乐系统的发展密切相关。

“我们的高科技材料正在推动所有功能日益强大的微芯片、传感器和其他技术的发展，这些正是自动驾驶汽车的‘骨干力量’。”高性能材料业务部门首席执行官毕康明(Kai Beckmann)表示，“从车载计算、GPS到显示屏，所有这些都依赖于高效、先进的半导体解决方案。”