如今，摩尔定律是否能够适应如今崭新的计算架构？摩尔定律是以蓝线表示，有一个难以突破的平台期。主要难点之一在于，线程做的比较小会有很大的挑战。但是deep learning 还在不断发展，因此需要全新的架构支持，并且需要沿着比摩尔定律更高的计算量趋势发展，才能匹配全新的计算模式，才能在 AI 时代体现良好的计算能力。

　　我们预计到 2025年，GPU 有很大的需求量。GPU 时代兴起的原因在于，GPU 提供了与之前 general purpose computing 不同的模式。我们可以看到，在屏幕左边，底层是CUDA，上面是系统，算法和应用。GPU 在支撑全新架构的前提下，能够支撑现有的计算力。

　　我们可以对 CPU 与 GPU 做一个简单的比较。GPU 与 CPU 的特点不同，GPU是一个简单的多核处理器，再结合CUDA之后，很有利于做并行运算。这是GPU的简单架构，当然也有很多有特色的东西，包括多个streaming multiprocessor，即流的多处理器，上面会包int F16,F32,F64的处理核。因此，GPU很适合做并行运算。

　　Deep learning 是并行运算很好的应用场景。这是一个简单的神经网络。可以与大家简单分享一下我们为何这么设计 deep learning 的网络。最早，是对于人脑假说性的理论模拟。70 年代，两位德国的生物学家解剖猫的大脑时，认为神经元是一层一层的，神经元之间有反射弧，他们假说当电流通过神经元之间的反射弧时，是一个激活的状态。他们提出了一套理论。之后，在DNN 架构出来之后，用 DNN 做具有特征的数据识别，有良好的效果。前层的 layer 是后层的浅层表现，因此带有 pattern 的语音、图像数据能够分类。在深度神经网络中，每一个节点都可以被模拟成计算核。GPU承担了每一个深度神经网络节点的计算，这也是 GPU 符合 DNN架构的原因。因此，GPU是线下训练的唯一选择。

　　Deep learning 其实包括两部分，第一部分是线下的训练，在云端或者加载GPU 的服务器端做训练；另一部分是做线上的推理。在线下训练，之后将训练好的模型放到线上去做推理，这是目前 deep learning 较为普适的模式。

　　Deep learning 的模式较为适合三类数据，computer vision 数据，语音数据，自然语言处理数据。这张PPT展现从 GPU 到 SDK 到 framework 到上层的应用。GPU带来的 deep learning 创造了全新的计算时代，也给初创公司带来很多机会。

　　AI的机会很多，在单一技术和组合式产品中，都有良好的市场。

　　我们可以从初创公司中看 deep learning 中有哪些机会：1）健康医疗，比如皮肤癌的研究在用 deep learning 做；2）零售，主要解决商品选择和支付问题。Focal 公司解决如何让传统零售业爆发活力的方案，核心技术是对物体的识别。客户进入实体店后，有类似于pad 的装置，用手推车进行购物，当挑选完商品后，不用结账，自动识别。同时，当商品从货架取下后，系统会自动补货。这个公司主要面向零售业的细分市场；3）金融。美国有一家投资公司，用了无人机和卫星图片，天天在美国上空扫庄稼地，利用 DNN 网络做图片识别，看看某几类庄稼的长势如何，并在期货交易所做对冲。可以通过历史数据比对，看是欠收还是多收；4）安全；5）IoT，比如机器人、无人机公司。目前有陪伴机器人，服务机器人，用无人机撒农药，这些都是针对特殊场景的很好的应用；6）无人驾驶，代表了 deep learning 技术与未来交通行业的结合；7）网络安全。有些公司用 deep learning 做对于病毒、恶意模式的判断，这些方案能够实时升级，判断新来的病毒属于哪一类。因此，AI的机会很多，在单一技术和组合式产品中，都有良好的市场。