如(rú)今，摩爾定律是(shì)否能(néng)夠适應如(rú)今← 嶄新的(de)計(jì)算(suàn)架構？摩爾定律是(shì)以藍(lán)≈♦✘線表示，有(yǒu)一(yī)個(gè)難以突≥✘破的(de)平台期。主要(yào)難點之一(yī)在于，線程做的(d∏₩<e)比較小(xiǎo)會(huì)有(yǒu)很("α☆hěn)大(dà)的(de)挑戰。但(dàn)是(shì)deep lea≤↓׶rning 還(hái)在不(bù)斷發展，因此需要 £÷(yào)全新的(de)架構支持，并且需要(yào)沿←  ₩著(zhe)比摩爾定律更高(gāo)的(deα↓$)計(jì)算(suàn)量趨勢發展，才能(néng)匹配全新的(de)計(jì)算(suàn)模§•₽式，才能(néng)在 AI 時(shí)代體(tǐ)現(xiàn)良好(hǎoε ♠)的(de)計(jì)算(suàn)能(néng)力。

預計(jì)到(dào) 2025年(n™<"ián)，GPU 有(yǒu)很(hěn)大(dà)的(de)需求量。GPU 時(shí↔♣¶₽)代興起的(de)原因在于，GPU 提供了(le)與之前 ge♥ σλneral purpose computing 不(bù)同♦‍‍的(de)模式。GPU 在支撐全新架構的(de)前提下(xià)，能(néng)夠≈​δ≥支撐現(xiàn)有(yǒu)的(de)計(jì)算(suàn)力。

對(duì) CPU 與 GPU 做≠γ←一(yī)個(gè)簡單的(de)比較。GPU 與 CPU 的(de)特點不(₹<bù)同，GPU是(shì)一(yī)個(gè)簡單的(de)多(duō)核處理(♦£lǐ)器(qì)，再結合CUDA之後，很(hěn)有(yǒu)利于做并行(xíδ≈ng)運算(suàn)。這(zhè)是(shì)GPU的(de)簡↑♦✔單架構，當然也(yě)有(yǒu)很(hěn)多(duō)有(yǒ♣βσ¶u)特色的(de)東(dōng)西(xī)，包括多(duō)個(gè)'™↔≠streaming multiproces✘♠₹≥sor，即流的(de)多(duō)處理(lǐ)器(qì)，上(shàng)面會(hu€λ♣ì)包int F16,F32,F64的(de)處理(lǐ☆σγε)核。因此，GPU很(hěn)适合做并行(xín£÷g)運算(suàn)。

Deep learning 是(shì)并行(xíng)運算(suàn)很(hěn✔φ★Ω)好(hǎo)的(de)應用(yòng)場(chǎng★$✔)景。這(zhè)是(shì)一(yī)個(gè)簡單的(de)神經網絡。可(kě)✔∞以與大(dà)家(jiā)簡單分(fēn)✘∏≥↓享一(yī)下(xià)我們為(wèi)何這(zhè)麽設計(jì) deep learπ★¥λning 的(de)網絡。最早，是(sh©$<πì)對(duì)于人(rén)腦(nǎo)假說(shuō)性的(de)理(lǐ)論模拟•≤。70 年(nián)代，兩位德國(guó)的(de)生(shēng)物(wù)∞©§>學家(jiā)解剖貓的(de)大(dà)腦(nǎo)時(shí)，認為(wèi)神經元是(shì)•∑一(yī)層一(yī)層的(de)，神經元之間(jiān)有(yǒu)反射弧，他(tā)們假​"說(shuō)當電(diàn)流通(tōng)過神經元之間(jiānα±★©)的(de)反射弧時(shí)，是(shì)∞' ✔一(yī)個(gè)激活的(de)狀态。他(tā)們提出了(le)一(yī)套理(lǐ)Ω♠論。之後，在DNN 架構出來(lái)之後，用(yòng) DNN₹≥‌< 做具有(yǒu)特征的(de≈εβ)數(shù)據識别，有(yǒu)良好(hǎo)的(de)效果。前層的(de) laε★π≤yer 是(shì)後層的(de)淺層表現™®¥‍(xiàn)，因此帶有(yǒu) patteγ‌≠rn 的(de)語音(yīn)、圖像數(shù)據能(néng)夠分(fēn)類。在深度神經 ♣網絡中，每一(yī)個(gè)節點都(dōu)可(© kě)以被模拟成計(jì)算(suàn)核。GPU承擔了(le)每一(yī)個(gè)深度ε±✔ 神經網絡節點的(de)計(jì)算(suàn)，這(zhè)也(yě)是(shì) GPU 符₹‌合 DNN架構的(de)原因。因此，GPU是(shì¶₽£ε)線下(xià)訓練的(de)唯一(yī)選擇。φ®₽‌

Deep learning 其實包括兩部分(fēn)，第一(yī)部分(≥∏ ≥fēn)是(shì)線下(xià)的(de)訓練，在雲端或者加載GPU 的(de)服≈↔β務器(qì)端做訓練；另一(yī)部分(fēn)是(shì)做線上(shàng‍₩​Ω)的(de)推理(lǐ)。在線下(xià)訓練，之後将訓練好(hβ§ǎo)的(de)模型放(fàng)到(dào)線上(shàng)去(q$×★ù)做推理(lǐ)，這(zhè)是(shì)目前 dee×₩♦λp learning 較為(wèi)普适的(de)模式。

Deep learning 的(de)模式較為(wè€↔↕→i)适合三類數(shù)據，computer vision 數(shù)據，β®××語音(yīn)數(shù)據，自(zì)然語言處理(lǐ)數(shù)據。δ÷♥這(zhè)張PPT展現(xiàn)從(cóng) GPU 到(dào) SDK∏♠ 到(dào) framework 到( ™dào)上(shàng)層的(de)應用(yòng)。GPU♠™帶來(lái)的(de) deep learn♠±¶"ing 創造了(le)全新的(de)計(jì)算(suàn)時(shí)代，也(y•β≤©ě)給初創公司帶來(lái)很(hěn)多(duō)機(jī)會₽✔&€(huì)。

探討(tǎo)當今時(shí)代的(de) AI，以及今後的(de)AI會(huì)朝什(shén‌≤♥)麽方向發展

AI的(de)機(jī)會(huì)很(hěn)多(duō)，在單一∞£(yī)技(jì)術(shù)和(hé)組合式産品中，都(dōu)有(y←→₽≤ǒu)良好(hǎo)的(de)市(shì±>≥)場(chǎng)。從(cóng)初創公司中看(kàn) deep learning δ≈≤ 中有(yǒu)哪些(xiē)機(jī)會(huì)：1）健康醫(yī)療，比如(rú)皮™&©膚癌的(de)研究在用(yòng) deep learning 做；2）零售，主要↔₩(yào)解決商品選擇和(hé)支付問(wèn)題。Focal ÷✔ 公司解決如(rú)何讓傳統零售業(yè)爆發活力的(de)方案，核心技(jì)術(shù£♥₩)是(shì)對(duì)物(wù)體(tǐ)的(de)識别。客戶進入實體(tǐ)店(d♦£iàn)後，有(yǒu)類似于pad 的(de)裝置，用(yòng)手推車(chē)進行(xíng≥&×↑)購(gòu)物(wù)，當挑選完商品後，不(bù)用(y≠¶♣↔òng)結賬，自(zì)動識别。

同時(shí)，當商品從(cóng)貨架取下(xià)後，系λ×♠統會(huì)自(zì)動補貨。這(zh∑♣è)個(gè)公司主要(yào)面向零售業(yè)的(de)細分(fēnα§←ε)市(shì)場(chǎng)；3）金(jī>σ&§n)融。美(měi)國(guó)有(yǒu)✘α>一(yī)家(jiā)投資公司，用(yòng♦$☆)了(le)無人(rén)機(jī)和(hé)衛星圖片，天天在美(měi) &國(guó)上(shàng)空(kōng)掃莊稼地(dì)，利用(yò£ ♥ng) DNN 網絡做圖片識别，看(kàn)看♣♥ (kàn)某幾類莊稼的(de)長(cháng)勢如(rú)何，并在期貨交易所做(zuβ♦₹ò)對(duì)沖。可(kě)以通(tōng)過曆史數(shù)據φγ‍ 比對(duì)，看(kàn)是(shì)欠收還(hái)是(shì)多(duō)收；4）安全δ★♠₽；5）IoT，比如(rú)機(jī)器(qì)人(rén)、無人(rén)↑ →機(jī)公司。目前有(yǒu)陪伴機(jī)器(qì)人(rén)，服務機(jī)器(qì)​÷€人(rén)，用(yòng)無人(rén)機(jī)撒農(nóng)藥，這(zhè)些ββ§←(xiē)都(dōu)是(shì)針對(duì)特殊場(chǎng)景的(de)很∞¥↕←(hěn)好(hǎo)的(de)應用(yòng)；6）無人(rén)駕駛，代表了(le) β¥deep learning 技(jì)術(shù)與未來(lái)交通(tōng)行(xíng→γ→¥)業(yè)的(de)結合；7）網絡安全Ω$€♠。有(yǒu)些(xiē)公司用(yòng) ™β☆deep learning 做對(du&&ì)于病毒、惡意模式的(de)判斷，這(zhè)些(xiē)方案能(nén‌•g)夠實時(shí)升級，判斷新來(lái)的(de)病毒屬于哪一(yī)類。

與大(dà)家(jiā)分(fēn)享一(yī)下(xià)γ♥π一(yī)些(xiē) AI 的(de)典型應用(yòng)。第一(yī)個(‍♦σgè)應用(yòng)是(shì)在車(chē)裡(lǐ)用(yòng)語音(α÷π✔yīn)與車(chē)進行(xíng)交互；第二個(gè)應用(yòng)是(shì)基于圖​εφ♦像的(de)物(wù)體(tǐ)識别，能(néng)↔α✘β夠在圖片庫中找到(dào)心儀的(de)物(wù)品。在數(↓$∞shù)據庫領域，這(zhè)種基于圖片的(de)應用(yòng)也(yě)很(hěn)×®✔≈有(yǒu)意思。比如(rú) SAP 在訓練 DNN中，将廣告中公司的(de)φ∑$圖标抓取出來(lái)，并給客戶一(yī)個±↓(gè)報(bào)告，在這(zhè)段視(shìα‍)頻(pín)中，圖标出現(xiàn)多(♣££duō)少(shǎo)次，出現(xiàn)在什(shén)麽位置，并判斷投資和(hé)®δ品牌曝光(guāng)度是(shì)否合理(lǐ)。這(zhè)一(yī)特性，給SA↑•€ P帶來(lái)很(hěn)好(hǎo)的(de)客戶反饋；第三個(gè)應用(yòng)是£δ♦(shì)基于用(yòng)戶行(xíng)為(wèi)作(¥♦±zuò)出判斷，比如(rú)喜歡什(shén)麽類型的(de)電(diàn)影(yǐng)。

我們與祖母可(kě)能(néng)交流困難，如(rú)何應用(yòng) NLP 技(jì)​ ≥術(shù)與她(tā)進行(xíng)交流，增強₹‍™人(rén)與人(rén)之間(jiān)的(de)溝通(tōng)；第二張圖片與醫(yī)'€∞療相(xiàng)關；第三張圖片中是(shì)微(wēi)軟的↑★☆™(de)工(gōng)程師(shī)，是(shì)一(yī)個(gè)天生(shēn≥•g)的(de)盲人(rén)，微(wēi)軟現(xiàn)在有(yǒu)一(yī)種眼鏡α♠÷能(néng)夠進行(xíng)物(wù)體♠÷✘σ(tǐ)識别，這(zhè)也(yě)是(shì)基于deep learning很(hěn)​γ♥好(hǎo)的(de)應用(yòng)。

第一(yī)張圖是(shì)我們在平安城(<Ωchéng)市(shì)中抓取特征點；第二張圖是(shì×♠→)服務型機(jī)器(qì)人(rén)；第三張圖是(shì)在農(nóng)業(≈εyè)方面的(de)應用(yòng)。因此，在 γ>αAI月(yuè) deep learning 的(de)時(shí)代，有(yǒu)很(×π"★hěn)多(duō)領域大(dà)家(jiā)可(kě)以嘗試去(qù)做(zu×β∞ò)。

這(zhè)張圖想與大(dà)家(jiā)分(fēn)享一(♠¥yī)下(xià)英偉達在自(zì)動駕駛領域的(de)應用(yòng)。我們将≤€≥♣自(zì)動駕駛變為(wèi)AI 的(de)任務，模φ¥✔±拟人(rén)進行(xíng)駕駛。當人(rén)駕駛時(shí)，人(rén)¥®≠∞需要(yào)知(zhī)道(dào)周圍環境，車(chē)的(de)位置，并作出相¥ (xiàng)應的(de)駕駛策略，這(•↕zhè)也(yě)是(shì)AI的(de)任務。1）感知(zhī)：我們會(huì)用(yòng₩ ¥★)多(duō)樣的(de)傳感器(qì)将周圍環境情況了(le)解清楚；×≥ 2）reasoning：判斷周圍環境是(shì)否安全；3）駕駛：依托于高(gāoΩ↕)精度地(dì)圖，高(gāo)精度地(dì)圖能(néng)夠提α> ☆供豐富的(de)環境信息和(hé)精确的(de)定位。

GTC 新産品解讀(dú)