如今，摩爾定律是否能夠適應(yīng)如今嶄新的計(jì)算架構(gòu)？摩爾定律是以藍(lán)線(xiàn)表示，有一個(gè)難以突破的平臺(tái)期。主要難點(diǎn)之一在于，線(xiàn)程做的比較小會(huì)有很大的挑戰(zhàn)。但是deep learning 還在不斷發(fā)展，因此需要全新的架構(gòu)支持，并且需要沿著比摩爾定律更高的計(jì)算量趨勢(shì)發(fā)展，才能匹配全新的計(jì)算模式，才能在 AI 時(shí)代體現(xiàn)良好的計(jì)算能力。

預(yù)計(jì)到 2025年，GPU 有很大的需求量。GPU 時(shí)代興起的原因在于，GPU 提供了與之前 general purpose computing 不同的模式。GPU 在支撐全新架構(gòu)的前提下，能夠支撐現(xiàn)有的計(jì)算力。

對(duì) CPU 與 GPU 做一個(gè)簡(jiǎn)單的比較。GPU 與 CPU 的特點(diǎn)不同，GPU是一個(gè)簡(jiǎn)單的多核處理器，再結(jié)合CUDA之后，很有利于做并行運(yùn)算。這是GPU的簡(jiǎn)單架構(gòu)，當(dāng)然也有很多有特色的東西，包括多個(gè)streaming multiprocessor，即流的多處理器，上面會(huì)包int F16,F32,F64的處理核。因此，GPU很適合做并行運(yùn)算。

Deep learning 是并行運(yùn)算很好的應(yīng)用場(chǎng)景。這是一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)?？梢耘c大家簡(jiǎn)單分享一下我們?yōu)楹芜@么設(shè)計(jì) deep learning 的網(wǎng)絡(luò)。最早，是對(duì)于人腦假說(shuō)性的理論模擬。70 年代，兩位德國(guó)的生物學(xué)家解剖貓的大腦時(shí)，認(rèn)為神經(jīng)元是一層一層的，神經(jīng)元之間有反射弧，他們假說(shuō)當(dāng)電流通過(guò)神經(jīng)元之間的反射弧時(shí)，是一個(gè)激活的狀態(tài)。他們提出了一套理論。之后，在DNN 架構(gòu)出來(lái)之后，用 DNN 做具有特征的數(shù)據(jù)識(shí)別，有良好的效果。前層的 layer 是后層的淺層表現(xiàn)，因此帶有 pattern 的語(yǔ)音、圖像數(shù)據(jù)能夠分類(lèi)。在深度神經(jīng)網(wǎng)絡(luò)中，每一個(gè)節(jié)點(diǎn)都可以被模擬成計(jì)算核。GPU承擔(dān)了每一個(gè)深度神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的計(jì)算，這也是 GPU 符合 DNN架構(gòu)的原因。因此，GPU是線(xiàn)下訓(xùn)練的唯一選擇。

Deep learning 其實(shí)包括兩部分，第一部分是線(xiàn)下的訓(xùn)練，在云端或者加載GPU 的服務(wù)器端做訓(xùn)練；另一部分是做線(xiàn)上的推理。在線(xiàn)下訓(xùn)練，之后將訓(xùn)練好的模型放到線(xiàn)上去做推理，這是目前 deep learning 較為普適的模式。

Deep learning 的模式較為適合三類(lèi)數(shù)據(jù)，computer vision 數(shù)據(jù)，語(yǔ)音數(shù)據(jù)，自然語(yǔ)言處理數(shù)據(jù)。這張PPT展現(xiàn)從 GPU 到 SDK 到 framework 到上層的應(yīng)用。GPU帶來(lái)的 deep learning 創(chuàng)造了全新的計(jì)算時(shí)代，也給初創(chuàng)公司帶來(lái)很多機(jī)會(huì)。

探討當(dāng)今時(shí)代的 AI，以及今后的AI會(huì)朝什么方向發(fā)展

AI的機(jī)會(huì)很多，在單一技術(shù)和組合式產(chǎn)品中，都有良好的市場(chǎng)。從初創(chuàng)公司中看 deep learning 中有哪些機(jī)會(huì)：1）健康醫(yī)療，比如皮膚癌的研究在用 deep learning 做；2）零售，主要解決商品選擇和支付問(wèn)題。Focal 公司解決如何讓傳統(tǒng)零售業(yè)爆發(fā)活力的方案，核心技術(shù)是對(duì)物體的識(shí)別?？蛻?hù)進(jìn)入實(shí)體店后，有類(lèi)似于pad 的裝置，用手推車(chē)進(jìn)行購(gòu)物，當(dāng)挑選完商品后，不用結(jié)賬，自動(dòng)識(shí)別。

同時(shí)，當(dāng)商品從貨架取下后，系統(tǒng)會(huì)自動(dòng)補(bǔ)貨。這個(gè)公司主要面向零售業(yè)的細(xì)分市場(chǎng)；3）金融。美國(guó)有一家投資公司，用了無(wú)人機(jī)和衛(wèi)星圖片，天天在美國(guó)上空掃莊稼地，利用 DNN 網(wǎng)絡(luò)做圖片識(shí)別，看看某幾類(lèi)莊稼的長(zhǎng)勢(shì)如何，并在期貨交易所做對(duì)沖?？梢酝ㄟ^(guò)歷史數(shù)據(jù)比對(duì)，看是欠收還是多收；4）安全；5）IoT，比如機(jī)器人、無(wú)人機(jī)公司。目前有陪伴機(jī)器人，服務(wù)機(jī)器人，用無(wú)人機(jī)撒農(nóng)藥，這些都是針對(duì)特殊場(chǎng)景的很好的應(yīng)用；6）無(wú)人駕駛，代表了 deep learning 技術(shù)與未來(lái)交通行業(yè)的結(jié)合；7）網(wǎng)絡(luò)安全。有些公司用 deep learning 做對(duì)于病毒、惡意模式的判斷，這些方案能夠?qū)崟r(shí)升級(jí)，判斷新來(lái)的病毒屬于哪一類(lèi)。

與大家分享一下一些 AI 的典型應(yīng)用。第一個(gè)應(yīng)用是在車(chē)?yán)镉谜Z(yǔ)音與車(chē)進(jìn)行交互；第二個(gè)應(yīng)用是基于圖像的物體識(shí)別，能夠在圖片庫(kù)中找到心儀的物品。在數(shù)據(jù)庫(kù)領(lǐng)域，這種基于圖片的應(yīng)用也很有意思。比如 SAP 在訓(xùn)練 DNN中，將廣告中公司的圖標(biāo)抓取出來(lái)，并給客戶(hù)一個(gè)報(bào)告，在這段視頻中，圖標(biāo)出現(xiàn)多少次，出現(xiàn)在什么位置，并判斷投資和品牌曝光度是否合理。這一特性，給SAP帶來(lái)很好的客戶(hù)反饋；第三個(gè)應(yīng)用是基于用戶(hù)行為作出判斷，比如喜歡什么類(lèi)型的電影。

我們與祖母可能交流困難，如何應(yīng)用 NLP 技術(shù)與她進(jìn)行交流，增強(qiáng)人與人之間的溝通；第二張圖片與醫(yī)療相關(guān)；第三張圖片中是微軟的工程師，是一個(gè)天生的盲人，微軟現(xiàn)在有一種眼鏡能夠進(jìn)行物體識(shí)別，這也是基于deep learning很好的應(yīng)用。

第一張圖是我們?cè)谄桨渤鞘兄凶ト√卣鼽c(diǎn)；第二張圖是服務(wù)型機(jī)器人；第三張圖是在農(nóng)業(yè)方面的應(yīng)用。因此，在 AI月 deep learning 的時(shí)代，有很多領(lǐng)域大家可以嘗試去做。

這張圖想與大家分享一下英偉達(dá)在自動(dòng)駕駛領(lǐng)域的應(yīng)用。我們將自動(dòng)駕駛變?yōu)锳I 的任務(wù)，模擬人進(jìn)行駕駛。當(dāng)人駕駛時(shí)，人需要知道周?chē)h(huán)境，車(chē)的位置，并作出相應(yīng)的駕駛策略，這也是AI的任務(wù)。1）感知：我們會(huì)用多樣的傳感器將周?chē)h(huán)境情況了解清楚；2）reasoning：判斷周?chē)h(huán)境是否安全；3）駕駛：依托于高精度地圖，高精度地圖能夠提供豐富的環(huán)境信息和精確的定位。

GTC 新產(chǎn)品解讀