NVIDIA要做一家“人工智能公司” 这个市场到底有多大？

　　黄仁勋在1993年创立了一家叫做NVIDIA的公司，于1999年发明了图形处理器GPU，从此GPU就改变了世界。特别是在游戏领域，NVIDIAGPU几乎已经成为了游戏设备的标配。如今，NVIDIA获得超过7300个专利，其中包括很多对现代计算有深刻影响的技术。

　　6年前，黄仁勋开始意识到人工智能对于未来人类社会的巨大影响力，开始带领公司整体往人工智能方向转型。2016年，NVIDIA密集发布了全线人工智能GPU芯片、系统、软件和服务，而公司定位转向成为“世界上伟大的人工智能公司之一”。

　　NVIDIA全球副总裁兼中国区总经理张建中说：“NVIDIA现在是一家人工智能公司，我们不再单一生产GPU芯片，而是系统性提供人工智能解决方案，包括芯片、服务器、软件和服务等。我们不再是一家GPU公司。”

　　从NVIDIA的AI产品布局说起

　　尽管NVIDIA从6年前开始布局人工智能AI产品，但到了2016年才推出了比较完整的产品线，特别是在2016年9月13日的GTC CHINA 2016(NVIDIAGPU技术大会)上发布的推理加速器Tesla P4/P40，形成了深度学习的核心产品。

　　可能有人会问，什么是“推理加速器”?

　　首先，NVIDIA选取的人工智能路线为基于神经元网络的深度学习算法，而这一算法有两大核心组成部分，分别是“训练”用于获得神经元网络模型，以及把训练好的神经元模型用于“推理”。简单理解，把基于神经元网络的深度学习用于图像识别，比如用海量花卉类图片“训练”出神经元网络模型，这个模型就能用于识别新图片里的花卉(“推理”)。

　　其次，NVIDIA于两年前宣布了新一代PASCAL GPU芯片架构，这是NVIDIA的第五代GPU架构，也是首个为深度学习而设计的GPU，它支持所有主流的深度学习计算框架。在今年上半年，NVIDIA针对“训练”推出了基于PASCAL架构的Tesla P100芯片以及相应的超级计算机DGX-1;而在9月的北京GTC大会上，NVIDIA针对“推理”推出了基于PASCAL的产品Tesla P4/P40，主要区别在于小尺寸的P4可用于任何服务器，而大尺寸的P40则需要定制服务器。

　　为什么要针对“推理”设计加速器呢?这是因为用于深度学习的神经元网络模型正在变成规模巨大。以百度用于语音识别的神经元网络为例，这个模型从2014年的2500万个参数暴涨到2015年的1亿个参数，而浮点运算则从2014年的2ExaFLOPS(每秒百亿亿次浮点计算)飙升到2015年的20ExaFLOPS，但错误率却下降了40%。而2015年Image Net大赛的冠军，即微软的残差网络ResNet达到了152层，而2012年的冠军Alex Net却只有8层。这就是推理加速器的诞生缘由，即针对上百层和数以万计参数的神经元网络的大规模并行计算。

　　所以，Tesla P100是用于“训练”的GPU，Tesla P4/P40是用于“推理”的GPU，这两个产品都是针对企业和数据中心而设计。在更小型设备的物联网层，NVIDIA则在今年3月推出了第二代嵌入式计算机Jetson TX1用于无人机、机器人、智能摄像头等，以及9月推出的第二代自动汽车驾驶计算机Drive PX2。