图像识别和语音识别——GPU 深度学习已经为机器学习、感知、推理和解决问题提供了基础。GPU 的使用从模拟人类想象引擎开始，魔术般地跳跃到视频游戏和好莱坞电影中惊人的虚拟世界里。现在，英伟达的 GPU 能够运行深度学习算法，模拟人类智能，作为计算机、机器人和自动驾驶汽车的大脑，感知并理解这个世界。就像人类想象和智能是连在一起的一样，计算机图形和人工智能在我们的架构中也是一同运作的。人脑有两种模式，GPU 也有两种模式。这或许就解释了为什么英伟达的 GPU 被广泛用于深度学习，英伟达也逐渐成为大家熟知的「人工智能计算公司」。

一种用于新计算模型的端到端平台

作为一个新的计算模型，GPU 深度学习正在改变软件的开发过程和运行方式。过去，软件工程师创造了程序并精心编码算法。现在算法能从成堆的现实世界的例子学习，软件可以自己编写出来。编程实际上是编码指令，深度学习就是创建和训练神经网络。这个网络可以被部署到数据中心，通过学习大量新数据来执行推断（infer）、预测和分类工作。网络还能被部署到如相机、汽车和机器人之类的智能设备中来理解世界。有了新的经验后，新数据会被收集来进一步训练和精炼这个网络。从数十亿的设备中学习能让网络上的设备变得更加智能。神经网络会收益于 GPU 处理和大型网络效应的指数增长。也就是说，它们会以一种比摩尔定律更加快的方式变得更加聪明。

旧有的计算模型是「指令处理」密集型的，而这种新的计算模型须要海量的「数据处理」。为了推进人工智能的全面进展，我们正在建立一个端到端的人工智能计算平台，一个能够跨越训练、接口以及数十亿设备的架构很快就会出现。

我们从训练开始。我们的新 Pascal GPU，投入 20 亿美元，动用了数千名工程师，花了三年时间才弄好。它是第一台用于深度学习的经过优化的 GPU。Pascal 训练的网络比 Kepler GPU（Alex Krizhevsky 在这篇论文中使用的 [1]）训练的网络要大 65 倍，而且速度更快。一个单一的配备 8 个 Pascal GPU 与 NVLink 连接的计算机，创造了有史以来吞吐量最高的互连，训练网络的速度比传统的服务器快 250 倍。

很快，每天数百亿个来自互联网的请求（queries）都会需要人工智能，也就意味着，每个请求将需要超过数十亿词数学运算。云服务上的总装载量需要足够大以保证实时响应。

有了更快的数据中心推理性能，我们发布了 Tesla P40 and P4 GPUs。P40 将数据中心的推理吞吐量加速了 40 倍。P4 仅需要 50 瓦的电源，设计用于加速 1U OCP 服务器，典型的超大规模数据中心。软件是英伟达深度学习平台中重要组成部分。在训练上，我们有 CUDA 和 cuDNN。在推理（inference）上，我们发布了 TensorRT，一个优化的推理引擎。TensorRT 通过在一个层内和跨层融合操作，修剪低贡献权重，降低 FP16 或 INT8 的精确度，以及其他多个技术，在不影响精度的情况下，提升了性能。

终有一天，数十亿个智能设备会利用深度学习来实现看似智能的任务。无人机会自动导航飞到仓库，寻找并拿到特定的物品。便携的医药器械会利用人工智能当场检测血液样本。智能相机能够学会仅在我们关心的情景中提醒我们。我们创造了高效能的人工智能超级计算机，Jetson TX1，atv，应用到那些智能物联网设备中。只有信用卡大小的模块，Jetson TX1 可以仅用 10 瓦的电源，达到 1TeraFLOP FP16 的工作性能。它和我们最强大的 GPU 拥有相同的构架，并且可以运行所有相同的软件。

简单地说，我们提供了一个端到端的人工智能计算平台——从 GPU 到深度学习软件和算法，从训练系统到车内的人工智能计算机，从云到数据中心到 PC 到机器人。NVIDIA 的人工智能计算平台无处不在。

适用于所有领域的人工智能计算

我们端到端的平台是保证每个领域都能接入人工智能的第一步。NVIDIA GPU 深度学习下的全球生态系统正在快速扩张。突破性的成果引发了一场将人工智能运用到消费者网络服务的竞争——搜索、识别、推荐、翻译以及更多。云端服务供应商，从阿里巴巴、亚马逊，到 IBM 和微软，让大大小小的公司都用上了 NVIDIA GPU 深度学习平台。全球最大的企业技术公司已经在基于英伟达的 GPU 配置服务器。很高兴能够在我们的 GTC 巡回中强调我们在重要领域中的战略：