董方亮：这个问题我简单谈一下我个人的理解，因为我们觉得现在是一个 AI 的时代，这个 AI 时代的特征就是对计算的需求会比之前高很多，那么计算需求比之前高很多呢，要通过几个方面去解决。

　　第一个是要提高计算能力。

　　第二个就是说慢慢的我们认为 General Purpose 的 computing 会被专业领域的计算机所取代。同时我们认为 AI 这个产业，如果用化去看，现在 AI 产业可能是100，过了 5 年以后它可能变成 1000 甚至 1 万的市场，我相信这样的市场，每一种处理器不管是 GPU 还是 FPGA 或是 Asic ，可能都会占据不同的市场的份额，或者是占据不同的这种层面，我觉得这可能是以后的一个发展趋势。

　　因为这个市场，我个人觉得有非常好的发展前景，这样这个市场会做的很大，这样大家都会找到这个市场里非常好的位置。

　　硬件起家的英伟达会不会越来越“软”？

　　雷鸣：另外刚才您也讲到了，就是说所谓的通用计算，还有现在各个领域也在做计算，我知道 NVIDIA 除了通用的 GPU ，还有其他的。你说运算行业之外，将来的发展是 GPU 在通用计算里面起到最主要的作用，还是以 GPU的运算方式为一种主题的，包括在自动驾驶、医疗所谓的这种生命科学，比如说基因技术都会 Deep learing 出一种特殊的 GPU 或者解决方案去解决这些问题？

　　董方亮：雷老师这个问题问的特别好。首先来讲，我们认为很多细分的市场，它需要这种比较能满足细分市场需求的处理器或者一种解决方案，那么从 GPU 的角度来讲，比如说针对自动驾驶，其实我们自动驾驶不是单独用GPU，我们是用到 SOC 的方案，也就是说我们自己有自己的 CPU 加我们的 GPU，只是说我们会很大程度上依赖于 Deep learing 的这种计算能力。所以来讲，比如说在自动驾驶的这种领域，我们会有自己SOC 的方案，我们 SOC 是我们自己的 CPU 加我们自己的 GPU ，这是一个硬件方案，同时在软件方面也有准备，比如说我们第一个是底层的 CUDA，第二个是 CUDA 之上加速的库，还有网络的优化，还有上层的应用，从硬件到软件整个构建了自动驾驶的生态系统，这是我们看来自动驾驶比较好的解决方案。

　　如果推广到其他领域，我们认为，比如说我们在 IVA 领域就是智能监控领域，或者智能分析的这种领域，我们也有专门的产品，我们这个产品除了硬件型的还有一些软件的知识，这都是在特定的领域，我们会去找比较好的方案和产品去支持和配套。

　　雷鸣：就是说，GPU 为核心的话，你再结合一些 CPU 或者外围的一些设备，给一个产业提供更接近产业的解决方案。这里面我想了解一下，我们说从现在往未来看的话，也看到一个很有意思的趋势，比如说像 Deep learing，其实一个典型的我们叫互联网或者软件企业，其实它在深度学习各个方面，在全球是非常领先的，我们也看到它在踏入通用计算硬件的领域，有所谓的 TPU，我也看到咱们这边就，硬件之外可能也在做一些软的东西，像行业解决方案，最后往未来看，它会发展成为一种像软件时代或者说电脑时代，做硬件的就做硬件，做操作系统就做操作系统，做应用就是做应用的，还是说会变成将来就在一个产业里面有一种垂直化的倾向？比如说我这个硬件、软件然后服务通吃，这个你怎么看？NVIDIA 是硬件起家的，会不会一直往软的方向做的越来越远？

　　董方亮：从 NVIDIA 的角度来讲，其实当年我们在做视觉计算的时候，我们认为当年不是纯做显卡，NVIDIA 的GPU 和我们的显卡之所以现在能在市场上得到很高的认可度，其实是依托于我们构建了一个比较好的 SDK 的生产链，我们有专门的 SDK，我们的 SDK 包括了在对应这种场景的，比如说火焰场景、水场景、特效场景，这些场景其实都有 SDK 支持，也就是说当有游戏的开发者开发的时候，他调用我们的引擎，他自己不用重新再写这样的代码，他可以调用我们的引擎，调用引擎是一个双赢的局面，游戏开发者可以聚焦于游戏推广，聚焦于游戏情节的设置包括上市包装。对我们来讲，好处就是当消费者使用英伟达显卡的时候，玩这款游戏特效是为英伟达做支撑，因为英伟达做的支撑，我们表现的效果非常好，我们把这种成功经验从视觉计算放到 AI 计算的时代，我们也会在软件方面做很多的 SDK。比如说我们自动驾驶，有一套针对自动驾驶的 SDK 包括解决方案，其他的也有配套的解决方案。