時至2018年，全球各汽車製造大廠、共享交通平台與網路科技領導廠商無不投入研發自駕車技術。然而，因技術仍持續發展中而無法確立的政府法規、制度與實際測試環境的極度不確定性，實際上路測試對大多數的廠商而言都是絕大挑戰。任何一則上路測試的消息除引起當地居民的安全擔憂，也擔負著眾多關心數位科技創新公眾的具體期待。
Uber自駕車上路實測計畫於本月18日在亞利桑那州坦佩市（Tempe）撞死一位橫向走過馬路民眾的不幸事件，成為自駕車史上第一起車禍致死第三人的案件（編按：死亡的並非駕駛或乘客，2016年曾有佛州Tesla駕駛於自動駕駛模式下撞車致死意外），加上上週五（3月23日）在加州101號公路上TESLA X衝撞翻滾起火，造成駕駛重傷送醫不治的不幸案件，預期將使汽車製造商的自駕車上路測試計畫更添變數。
自駕車不上路測試，可行嗎？
自動駕駛系統必須要完成上路測試是一般人對於標準汽車正式進入市場銷售前的基礎認知。在未引入自動駕駛系統前，多數汽車進入市場前的測試，除了實際一般人使用的道路測試外，多半會選擇專用、特地設計符合測試規格的車場，由專業駕駛進行道路測試。為了符合實際道路應用情景（例如行人、大/小各型車款混合、路樹、街道裝置、氣候、光線與實際場景的複雜電子訊號干擾等），自動駕駛系統必須實際上路收集相關訊號，以供模型訓練與推論，除累積測試公里數極慢，也更增加現實道路環境的不確定性。
NVIDIA於今日（美西時間3月27日）提出一種新型自動駕駛系統測試方法Drive Sim，透過生成模擬器生成實際道路測試所需的資料串流（包含生成Lidar、各種汽車感測器、前/後/車側等鏡頭所收集到的資料流），即時提供給NVIDIA自家的第四代自動駕駛解決方案DRIVE Pegasus處理運算，以每秒三十次的方式進行模型調整與推論來達成測試自動駕駛系統的目的。
這種新型自動駕駛系統測試方法在方法論架構上，非常類似生成對抗網絡（GAN, Generative Adversarial Network）；透過生成模擬器來產生測試資料，與自動駕駛系統反饋平衡的模式來找到最佳結果。透過生成模擬資料來進行道路測試的優勢，是可以不受時間、空間限制，不斷針對特定場景，例如雨天、下雪道路、山路或正對陽光、背光等實際道路情景快速進行重複、平行測試，快速累積道路測試哩程經驗，且不會造成現實道路環境的不確定性。
然而，該生成模擬測試方法是否確實有效，除依賴每一波生成模擬系統所生出資料與真實資料的高相近程度（讓生成資料與真實世界環境資料極為相近），也非常仰賴自駕系統反饋後，生成模擬系統正確反應產出下一波資料的合理性。該模式需要高度整合影像模擬與因果推論的專家與成果。
黃仁勳也特別解釋自家自動駕駛運算系統的演進路線，包含最早提出的 Drive PX Parker、第二代 Drive PX 2、至第三代 Drive Xavier、第四代 Drive Pegasus，以及目前尚在測試階段的 Orin。
黃仁勳稍早在GTC演講會後強調，稍早Uber自駕車的不幸事件應該讓所有發展自動駕駛系統的公司更加謹慎，但不代表所有科技團隊應該停止發展自駕系統。所有自駕研究團隊應該小心、謹慎地從這起意外稍後的詳細調查報告中學到一些經驗，記取這些經驗繼續發展自駕系統。NVIDIA表示，目前全球已經有超過370家左右，包含汽車製造商、卡車或巴士製造商，汽車系統整合解決方案商、共享交通平台、自動送貨公司等不同領域的的各類交通解決方案企業正與NVIDIA的自駕系統部門進行不同層次的合作，尤以中國企業進展飛速；黃仁勳樂觀預期，在2020年上市的所有電力驅動車（EV, Electric Vehicle），全部都會具備某種程度的自動駕駛功能。
由於自駕車需經過訓練、測試、實際駕駛等一連串的開發流程，NVIDIA表示這個方法論目前仍處於內部整合開發測試階段，會在稍後該模擬方案達成一定水準後開始與客戶驗證合作。
