在此次GTC Taiwan活動中,NVIDIA執行長黃仁勳再次強調因類神經網絡為基礎的深度學習運算模式興起,進而凸顯GPU運算能力更高特性,並且延續效能成長幅度趨緩多年的CPU在摩爾定律演進,成為目前人工智慧技術主流演算方式,藉此應用在各類技術領域發展。
就黃仁勳看法認為,電腦運算依然需要CPU進行基礎運算與指令集處理,但在更大資料分析則需要借助GPU運算能力,因此目前主流人工智慧技術均以CPU+GPU的組合為運算基礎,此外也能藉由更大運算效能驅動不同電腦使用模式,例如藉由虛擬實境互動共同作的Holodeck,便讓使用者能藉由高解析虛擬實境影像線上協同作業。
目前投入人工智慧的新創產業已經在過去5年內成長10倍,總計約帶來66億美元規模產值,同時關於深度學習的論文內容在過去3年也成長10倍,並且有超過3000個論文內容被提出。藉由深度學習模式,目前已經可藉由GPU加速方式實現3D影像中的即時自然光影追跡、人臉表情與口語同步、動畫人物動作自動表現、確保影像中的物件相對距離,或是讓機器手臂判斷、移動正確物件等過往難以實現技術。
而為了進一步協助台灣地區人工智慧技術應用發展,黃仁勳宣布將與中華民國科技部合作採用Volta顯示架構的DGX-1V,藉由排名全球前25名內的超級電腦運算能力協助帶動智慧製造、物聯網、智慧城市、智慧醫療等技術成長,並且協助更多新創團隊藉由人工智慧技術推出更多創新服務。
同時,借助於NVIDIA今年在GTC 2017提出的GPU Cloud服務,將可讓企業、新創團隊藉由雲端協作方式取得更大運算能力,藉此實現各類深度學習等訓練需求,進而可應用在人工智慧建立、電腦視覺應用、自動駕駛發展,或是對應越來越多的物聯網裝置使用需求,並且持續帶動更多類神經網絡模型生成。
針對學習模型運算部分,除了對應市場主流學習模型設計,NVIDIA日前也宣布推出學習模型加速器TensorRT 3,藉此讓深度學習效率大幅提昇,進而可在運算設備成本做更明顯節省,例如原本160組CPU對應每秒分析4萬5000張照片的演算需求,透過配置8張Tesla V100的單組NVIDIA HGX超級電腦即可達成相同運算效能,但在佔用體積、使用電耗卻明顯不同,幾乎僅需佔用原本1/4體積、1/20電力損耗,甚至僅需原本1/6左右的成本支出。
黃仁勳強調,藉由GPU加速帶動雲端伺服器運算效能規模,將可持續推動超級電腦、雲端運算應用服務、公有雲等成長,甚至可進一步帶動整體產業走向全新改革。