針對研究資料不足情況，NVIDIA提出能以少量資料生成更龐大資料量的動態識別增強技術 (adaptive discriminator augmentation,ADA)，讓更多人工智慧技術應用能以少數資料量即可順利運作。此外，NVIDIA也宣布推出應用研究加速器計畫 (Applied Research Accelerator Program)，讓更多學術研究人工智慧技術應用成果，可以更快藉由以NVIDIA旗下GPU建置平台投入商業或政府應用環境。
依照NVIDIA說明，人工智慧運作基礎多半在於足夠的資料量，但在部分人工智慧分析研究時，往往卻因為資料量不足導致學習成果不佳。
因此，在NVIDIA提出的動態識別增強技術裡，則是讓人工智慧能藉由既有資料量進行一定程度調整，進而產生更多可供學習資料數量。
例如在一般影像識別應用裡，通常需要使用5萬至10萬張影像才能順利訓練高品質的生成對抗網路。藉由動態識別增強技術，則可將幾千張的影片內容透過裁剪、翻轉、變形，以及調整對比、色調、光亮等細節，讓可供人工智慧學習訓練使用影像數量大幅增加，進而提升人工智慧學習精度表現。
在NVIDIA的StyleGAN2模型示範中，便是利用數千張的藝術畫作作品，讓人工智慧能以有限資料量完成高精度的分析識別效果，同時也不會出現將相似影像判斷為相同內容的誤判結果。就整體結果來看，藉由動態識別增強技術提高學習精度的表現，實際上與透過足夠影像數量的學習結果幾乎相同。
雖然過去研究中也應用類似作法，但當時並未增加生成對抗網路模式，使得人工智慧後續開始模仿調整後的影像內容，導致產生全新不同影像學習結果，造成學習分析精度受到影響。在後來提出的動態識別增強技術，則是透過動態調整方式避免此類問題，並且讓學習精度可以大幅提升。
加快學術研究的人工智慧投入商業與政府應用
而為了協助更多學術研究的人工智慧技術能快速進入市場應用，NVIDIA此次提出的應用研究加速器計畫，則是可讓透過NVIDIA旗下GPU建置平台打造的人工智慧技術，能在更短時間內投入商業或政府應用環境。
在此項計畫中，將讓研究人員及合作組織能取得NVIDIA技術指導、硬體贊助、獎助金、應用支援、人工智慧訓練計畫，甚至包含各項建立人脈網路及行銷機會。同時，此項計畫初期會先聚焦在機器人與無人機應用領域，未來幾個月後則會接續加入資料科學應用、自然語言處理，以及包含語音識別與對話式人工智慧技術發展。
目前包含佛羅里達大學已經藉由Jetson平台，並且與Chemical Containers合作打可用於農業的造智慧噴灑器，而德國埃爾朗根紐倫堡大學則以Jetson平台打造倉庫自動化管理應用的無人機設備，另外麻省理工學院也同樣透過Jetson平台打造能以UV-C紫外線對物體表面進行消毒的應用設計。
