圖形芯片大廠NVIDIA(英偉達)于26日在中國臺北舉行的GPU技術大會(GTCTaiwan)上，創辦人暨CEO黃仁勛發布主題演講時表示，在全球AI深度學習運算的興起之下，人工神經網絡的運用凸顯出GPU運算的特性。而且，借由深度學習運算能夠延續遲緩成長多年的摩爾定律持續演進，并且成為目前人工智能技術主流演算方式。

2017年的NVIDIAGTCTaiwan訂出了包括“人工智能的多元應用”、“人工智能應用于工業生產”與“人工智能與產業發展”等三大大會主題，且邀請產官學界講師來分享借由GPU的運算，以協助各領域產業升級。并且，透過人工智能應用，達成產業數字轉型的目標。黃仁勛指出，當前一般的電腦運算依然需要CPU來進行。不過，在大量資料分析的工作上，借助GPU運算能力已經成為趨勢。所以，當前的人工智能技術主要是以仰賴CPU與GPU的分工與合作為運算架構來執行工作。

黃仁勛強調，在過去5年內，投資在人工智能新創產業上已經成長10倍，其總產值達66億美元的規模。在此同時，有關深度學習的論文發布，也在過去3年也成長10倍。其中，有超過3,000個論文內容被提出，可以想像的是，人工學習與深度學習的議題身受重視。于是，NVIDIA在GTC2017提出的GPUCloud服務，將可讓企業、新創公司借由云端協圖工作的方式，得到更強大的運算能力，借此達成各種深度學習的需求。其中包括人工智能模式的建立、電腦視覺應用、自動駕駛技術的發展，以及面對越來越多的物聯網使用需求等。

另外，借由深度學習模式，目前已經可透過GPU加速應用，來達成3D影像中的即時自然光影追跡、臉部表情與口語同步、動畫人物動作的自我表現、測量影像中的物件相對距離，或是讓機器手臂判斷與移動物件等技術。而面對這些未來的需求，NVIDIA也宣布推出學習模型加速器TensorRT3，使得深度學習效率大幅提升，進而在運算設備成本上進行明顯的節省。

黃仁勛進一步表示，借由TensorRT3速器，可以使得原本需要160組CPU，每秒分析4.5萬張照片的運算需求，簡略到只要配置8張TeslaV100的單組NVIDIAHGXGPU的電腦即可達成相同運算效能。而且，僅需要原本四分之一體積、二十分之一電力損耗，以及原本六分之一左右的成本支出就可以建構出這樣的運算能量。“這些節省下的成本就是金錢，這對企業來說非常的重要！”黃仁勛表示。

最后，黃仁勛表示，過去用在CPU制程上的摩爾定律已到尾聲，電晶體雖然每年持續增長50%，但CPU效能成長僅10%，使得CPU不可能再成長。因此，透過GPU運算的深度學習將是另一種解決方案。而NVIDIA的GPU是產業專用加速器，將能補足CPU在大量運算上的不足。而Nvidia也為自主運算時代打造一系列的平臺架構，包括Jetson超級電腦、JetPack開發人員套件、DIGITS、Issac機器人虛擬實驗室與深度學習單位等，以滿足當前自主機器的世代即將來臨的需求。

更多資訊請關注工業以太網頻道