今年Computex 2017期間，NVIDIA解決方案架構與工程部門副總Marc Hamilton接受筆者訪談時，便曾針對Intel提倡以FPGA形式推動人工智慧系統，以及Google以TPU形式加快深度學習效率的應用模式表明看法，認為藉由GPU作為加速基礎的作法還是較有彈性，無論建立以雲端或裝置端為主的深度學習所推動人工智慧，透過GPU的方式基本上還是較實際方式。
而在此次於10月下旬即將展開的GTC台灣場次之前，Marc Hamilton藉由近期與各地區合作夥伴巡迴溝通，再度與台灣媒體、分析師說明目前NVUIDIA在人工智慧技術領域布局現況，同時也說明針對越來越多廠商強調裝置端的學習運算模式，NVIDIA主要還是著眼於雲端背後的巨量數據分析學習，藉此建構更具體的人工智慧系統。
就Marc Hamilton說明，從NVIDIA的角度來看的話，基於GPU的運算模式依然是核心所在，因此無論是Intel提倡以FPGA形式推動人工智慧系統，或是像Google藉由TPU推動雲端加速運算效率，GPU的運算模式相較下更能對應不同運算框架，同時也具備可佈署於雲端或裝置端的運算架構。
整體上比起Google提出TPU僅能用於TensorFlow為學習框架的雲端應用，甚至僅能由使用者向Google租賃，而FPGA運算形式整體建置成本效益並不比GPU高，相對而言比較適合Intel此類資金充足廠商應用，因此若要滿足更多中小型企業佈署需求，以GPU為主的深度學習模式教具吸引力。
同時，以目前NVIDIA提供選擇包含從裝置端的Jetson TX系列開發板、DGX-1超級電腦，乃至於對應雲端運算需求的HGX-1，幾乎涵蓋絕大多數深度學習應用需求，讓更多廠商能藉由NVIDIA GPU運算資源推動各類人工智慧技術，甚至在發展擴充、調整更具彈性。
不過，對於目前越來越多廠商如Qualcomm、海思半導體旗下行動處理器均開始導入深度學習運算設計，甚至蘋果稍早揭曉的A11 Bionic處理器也內建類神經網絡演算引擎，藉此實現裝置端的深度學習應用，NVIDIA似乎尚未計畫布局行動端的深度學習模式。
但在Marc Hamilton看法認為，其實最關鍵的作法並非全面由裝置學習使用者行為，而是將相關蒐集數據回傳至雲端進行深度學習，裝置端的學習主要還是以修正細微行為差異，或是輔助預測可能使用模式，進而讓整體運算效率可具體提升。
因此就NVIDIA立場來看，裝置端的學習行為雖然同樣重要，但實際上更能讓裝置端學習產生價值的關鍵，依然還是在於背後雲端的學習成效，而兩者其實依然處於缺一不可的共存狀態，只是NVIDIA更關注的是雲端面的深度學習加速所產生應用。
