NVIDIA:GPU将取代CPU继续保持摩尔定律成长

　　在此次GTC活动中，NVIDIA黄仁勋再次强调因类神经网络为基础的深度学习运算模式兴起，进而凸显GPU运算能力更高特性，并且延续性能成长幅度趋缓多年的CPU在摩尔定律演进，成为目前人工智能技术主流演算方式，借此应用在各类技术领域发展。

　　就黄仁勋看法认为，电脑运算依然需要CPU进行基础运算与指令集处理，但在更大数据分析则需要借助GPU运算能力，因此目前主流人工智能技术均以CPU+GPU的组合为运算基础，此外也能通过更大运算性能驱动不同电脑使用模式，例如通过虚拟现实互动共同作的Holodeck，便让使用者能通过高解析虚拟现实图像在线协同作业。

　　目前投入人工智能的创新产业已经在过去5年内成长10倍，总计约带来66亿美元规模产值，同时关于深度学习的论文内容在过去3年也成长10倍，并且有超过3000个论文内容被提出。通过深度学习模式，目前已经可通过GPU加速方式实现3D图像中的即时自然光影追迹、人脸表情与口语同步、动画人物动作自动表现、确保图像中的物件相对距离，或是让机器手臂判断、移动正确物件等过往难以实现技术。
　　而为了进一步协助人工智能技术应用发展，黄仁勋宣布将采用Volta显示构架的DGX-1V，通过排名全球前25名内的超级电脑运算能力协助带动智能制造、物联网、智能城市、智能医疗等技术成长，并且协助更多创新团队通过人工智能技术推出更多创新服务。

　　同时，借助于NVIDIA今年在GTC 2017提出的GPU Cloud服务，将可让企业、创新团队通过云端协作方式取得更大运算能力，借此实现各类深度学习等训练需求，进而可应用在人工智能建立、电脑视觉应用、自动驾驶发展，或是对应越来越多的物联网设备使用需求，并且持续带动更多类神经网络模型生成。

　　针对学习模型运算部分，除了对应市场主流学习模型设计，NVIDIA日前也宣布推出学习模型加速器TensorRT 3，借此让深度学习效率大幅提升，进而可在运算设备成本做更明显节省，例如原本160组CPU以每秒分析4万5000张照片的演算需求，通过配置8张Tesla V100的单组NVIDIA HGX超级电脑即可达成相同运算性能，但在占用体积、使用电耗却明显不同，几乎仅需占用原本1/4体积、1/20电力损耗，甚至仅需原本1/6左右的成本支出。

　　黄仁勋强调，通过GPU加速带动云端服务器运算性能规模，将可持续推动超级电脑、云计算应用服务、公有云等成长，甚至可进一步带动整体产业走向全新改革。