后来从2011年以后开始的话，包括很多院校研究机构，他们开始尝试用这个深度学习就是神经网络训练的这种方式，来从事人工智能的一个工作。它的一个出现带来一个很大的提升，就是把机器交汇到一个非常高的准确度，比如说95%以上。现在我们在做一些这个图片的识别、人脸识别这块已经超过人眼，我们能达到99%点几的这个准确率。

我们再看一下，真正深度学习作为一个很好的帮助，实现高准确用人工智能的一个手段，今天已经渗透到好多的行业，不管从互联网的一些服务，包括一些医药，包括一些传媒娱乐，包括一些数字安全跟城市安全的一些问题，包括我们前面两个专题再介绍到的汽车自动驾驶。深度学习的一个诞生的话，它是我们讲一个全新的计算模式，这点的话要跟大家稍微做一点阐述。

从过去来讲，j2直播，我们理解到的一个计算都是一个非常精确的一个计算，因为我们有一个数学的公式，是可以描述1+1等于2，这样的一个描述。今天来讲，我们通过深入学习来讲，实际上是可以帮我们来计算一些我们无法用公式来做描述的这样的一些应用的一些范畴，譬如说下围棋确实没有一个准确的一个公式，或者说一个推理可以来描述这么一件事情，但是我们可以通过样本来训练来教会这个机器，他学会这个技能，因此来讲的话，深度学习是另外的新的一个业务模式，一个计算模式。

我们训练完这个模型之后，可以把软模型的拿出来，atv，拿到一个示范到云端，在数据中心来云端来给大家来提供服务。这典型的一个案例：比如说我们现在在微信做语音的识别，我们说一段话，他能把这个的话翻译成文字，类似这样的一个应用的场景，然后另外就是我可以把的模型训练好的模型搬到一个嵌入式设备当中。那么这个嵌入式设备可以是个机器人，当然也可以是一个汽车，到了汽车就是我们谈到的自动驾驶。

为了给整个神经网络做一个训练，我们做了一台设备，叫做DGX-1。大家会问说做处理器，为什么要做一台系统，当然我们做这台系统是我们的一个考量，这个配置很常规，这里边主要在讲这个东西，主要是有八个高性能的一个gpu，再加上gpu之间的一个通信的一个链接。

我们为什么要做这台机器？你要知道，一旦我们在做机器的视觉识别的时候，我就会发现我有太多的东西要是教会这个机器来做识别。今天我们的人可以通过眼睛，我们可以识别边很多的东西，花草、物件、水果、动物等等非常多的东西，在深度学习的过程当中，需要我们在不同的业务中，去训练神经网络，去教会这个机器来做这个识别。

大家要知道这种训练量非常大，那因此如果说是我们能有一台设备非常高效的，非常快速的把我来实现某一类科目的训练，这样对一个整个人工智能走向应用层面，走向一个生产的环节会有巨大的一个帮助，这就是大概我们做的这台设备的一个初衷。

这么一个深度学习超级计算机，它可以相当于250台普通X86服务器的计算能力，也就是一个中等规模的一个数据中心的一个计算能力。同时的话，这里边我们在整个这个机器当中部署了非常多的工具，这个工具也包括了很多开源的神经网络，包括一些深度学习的框架训练框架等等。

为什么要做这个工作呢？我们做事有一个宗旨，就是要降低技术的一个门槛，快速把这个技术落地帮助到企业的一个生产跟运营，大家不用花太多的时间去优化去学习这些神经网络，我们就可以提供很多的工具帮助大家来快速的进入到我实质上的工作。

另外，在整个的平台上，我们也跟非常多的人工智能领域的一些领先者先驱，包括它做的框架，以及包括像纽约大学做的部分课题与项目等等，这样的一些科研机构跟公司去合作，把他们的开源的一些软件部署到系统当中，以方便大家来快速地来开展应用的开发。

整个DGX 1在全球包括在一些科研机构已经得到很多的一些应用，我这里边随便举几个例子。

譬如纽约大学，他们承接了一个课题，如何用人工智能来分析一个棒球运动员，他在体育赛场的一些行为，并且给出来一些建议，如何帮助运动员来提升他的一个运动的一个技能。

还有伯克利大学做的项目，就是如何在设计一个机器人时，让这个机器人摔倒了再站起来。这个东西我们过去来讲是否能通过很多的物理的一些公式来做，那么今天他们尝试了一个新的方法，就是直接让机器人不断的去试错，是一直在试，直到它最后它找出来一个很有效的方式让自己站起来。