AI人工智慧、虛擬/擴增實境（VR/AR）與自動駕駛技術，在過去一年引起很高的市場關注，而一舉躍升成為當前最火紅的熱門話題，特別是以深度學習（Deep Learning）為首的AI應用，過去幾個月來，因為Google的AI電腦AlphaGo接連大敗歐洲和南韓國圍棋棋王，更在全世界吹起一股AI風潮，使得現在不只有大型科技或網路公司要大力投資AI，就連各國政府也都要砸重金扶植AI產業。
目前一些大型科技或網路業者，例如Google、Facebook、亞馬遜AWS、IBM、微軟與百度等，都陸續已在雲端服務中融入AI服務，做為電腦視覺、語音辨識和機器人等服務用途，甚至，也開始有越來越多規模較小的新創或網路公司，如Api.ai、Drive. ai、Clarifai與MetaMind等，打算將AI開始應用在各行各業的領域上。
GPU開始在AI應用逐漸嶄露頭角
然而，決定這些AI服務能不能獲得更好發揮的關鍵，不只得靠機器學習的幫忙，甚至得借助深度學習的類神經演算法，才能加深AI未來的應用。這也使得近年來，GPU開始在一些AI應用當中逐漸嶄露頭角。這是因為不論是AI、VR/AR，還是自動駕駛技術的應用，雖然各有不同用途，但他們普遍都有一個共同的特色，都是需要大量平行運算（Parallel Computing）的能力，才能當作深度學習訓練模型使用，或者是將圖形繪製更貼近真實呈現。
所謂的平行運算泛指的是將大量且密集的運算問題，切割成一個個小的運算公式，而在同時間內並行完成計算的一種運算類型。而GPU則是最能夠將平行運算發揮到極致的一大關鍵，這是因為GPU在晶片架構上，原本就被設計成適合以分散式運算的方式，來加速完成大量且單調式的計算工作，例如圖形渲染等。所以，過去像是高細膩電玩畫面所需的大量圖形運算，就成為了GPU最先被廣為運用的領域，現在，VR/AR則是進一步打算將原本就擅於繪圖運算的GPU發揮得更淋漓盡致，來呈現出高臨場感的3D虛擬實境體驗。
當然在遊戲繪圖運算外，後來GPU也被拿來運用在需要大量同質計算的科學研究中使用。甚至近年來，GPU也開始因為深度學習的關係，而在一些AI應用當中擔任重要角色。
深度學習其實是機器學習類神經網路的其中一個分支，深度學習本身是由很多小的數學元件組合成一個複雜模型，就像是腦神經網路一般，可以建構出多層次的神經網路模型，來分別處理不同層次的運算工作，這些神經網路本身並不做判斷，只重覆相同計算工作，使得GPU在深度學習方面可以獲得很好的發揮，而隨著網路、雲端和硬體技術成熟所帶來巨量的資料，也造就了現在所需完成訓練的深度學習模型，比起以前更需要大量高階GPU的平行運算能力，才足以應付得了。
GPU平行運算性價比贏過CPU
因為AI、VR/AR與自駕車應用需求提高後，也促使GPU重要性與日俱增，甚至為了因應深度學習與AI應用趨勢，新世代GPU反而希望盡可能在晶片中裝入了更多電晶體和核心數，來提高大量同性質的資料計算能力。若是以Nvidia新的Tesla P100系列的GPU加速器產品來舉例說明的話，在這個GPU加速器內總共裝有3,584個CUDA核心數（單精度條件下），其內含的電晶體數更一舉超過了150億顆，數量幾乎是前一代Tesla M40 GPU的翻倍，在雙精度條件下的浮點運算能力，更高達有5.3 TFLOPs。
當然GPU之外，CPU本身也具有計算處理的能力，不過在處理平行運算時，臺灣大學資工系副教授洪士灝認為，GPU的CP值（性價比）比CPU還要高。這是因為GPU原本就擅長處理大量高同質性的資料計算工作，而CPU則擅於通用型任務的資料處理，所以對於一些需要大量單調式運算工作的應用，就很適合使用GPU來執行，例如利用深度學習神經網路訓練模型來實現AI應用，或者是用繪圖運算呈現VR/AR所需的高細膩畫面，都很適合用GPU的方式來進行計算。
另外從Nvidia官方所公布的一份CUDA C Programming Guide設計指南中也揭露了在2013年前的過去10年間，GPU與CPU兩者在單精度與雙精度浮點運算（Floating-Point Operations Per Second，FLOPS）發展的比較差異。整體來看，GPU與CPU發展越到後期，兩者在浮點運算處理能力的差距，有逐漸被拉大的趨勢，這是因為越到後面才推出的新款GPU，更加強調浮點運算的重要性，而盡可能要提高GPU浮點運算的處理能力。所以，現在許多超級電腦內都有使用GPU，來大幅提高浮點運算的實力。
從Nvidia官方所公布的一份CUDA C Programming Guide設計指南中也部分揭露了在2013年前的過去10年間，GPU與CPU兩者在單精度與雙精度浮點運算發展的比較差異。
整體來看，GPU與CPU發展越到後期，兩者在浮點運算處理能力的差距，有逐漸被拉大的趨勢，這是因為越到後面才推出的新款GPU，更加強了浮點運算的能力。
今年GTC大會聚焦AI、VR/AR與無人汽車應用
今年在美國聖荷西舉行的GTC技術大會（GPU Technology Conference），也因為AI、VR/AR、無人汽車的關係而格外備受矚目。今年總共吸引了全球超過5千人參加，更有將近上百位的全球媒體、分析師到場，還有多達2百家廠商參展，規模是歷年來最大。而做為主辦方的Nvidia今年氛圍也很不一樣，Nvidia不僅在現場同時發布多款與深度學習和AI有關GPU新品，還針對了原本就擅長的VR/AR與自動駕駛應用領域推出了新的開發工具和產品，希望就此能讓VR/AR與自動駕駛可以更進一步應用。
也正因為AI、VR/AR與自駕車讓GPU的應用更廣了，因而造就了GPU在這次GTC大會扮演的重要性和應用性明顯提高不少，特別是AI與深度學習的應用方面，今年更成為會場上最炙手可熱的技術話題，在為期4天超過240場大小場的GPU主題講座中，有半數以上都圍繞著AI與深度學習而打轉，這還不包括了來自2位人工智慧界的重量級AI大師，分別是IBM人工智慧研究和技術策略的IBM Watson 技術長Rob High與豐田汽車研究機構執行長Gill Pratt，今年都親自到場分享他們所觀察到的最夯AI技術和應用新進展。
Nvidia執行長黃仁勳在今年主題演說中也強調GPU未來角色的重要性，將替深度學習與AI開啟一種前所未有的全新運算模式（Computing Model），將促使深度學習成為未來企業甚至每個人，都不能加以忽視的大事（Big Deal ），甚至將開啟另一種AI即平臺的新服務模式（AI-as-a-Platform）。而為了搶攻AI與深度學習市場，Nvidia今年甚至還罕見地，首度發表世上第一臺整套式深度學習專用的超級電腦DGX-1。
.jpg)
Nvidia執行長黃仁勳在今年主題演說中數度強調GPU未來角色的重要性，將替深度學習與AI開啟一種前所未有的全新運算模式（Computing Model），將促使深度學習成為未來所有企業甚至每個人，都不能加以輕忽的大事（Big Deal ），甚至帶來一種AI即平臺的新服務模式（AI-as-a-Platform）。而為了搶攻AI與深度學習市場，Nvidia今年甚至還罕見地，首度發表世上第一臺整套式深度學習專用的超級電腦DGX-1。
AI專用伺服器將助企業加快深度學習應用
Nvidia在這臺深度學習專用的超級電腦DGX-1內，使用了伺服器專用的GPU加速器Tesla P100為基礎而打造完成，Tesla P100採用了新一代Pascal架構設計，比前一代Maxwell架構的GPU加速器，在用來訓練神經網路的效能方面，Nvidia宣稱，Tesla P100足足有提升12倍之多。
Nvidia在這組超級電腦內總共裝入8張Tesla P100加速卡，使得DGX-1在半精度（FP16）的浮點運算次數每秒高達有170TFLOPS，如此高度的運算能力，Nvidia甚至宣稱，只要有了DGX-1，就等同於擁用了250臺x86伺服器而搭建的運算叢集規模，將有助於企業在深度學習方面獲得更好的應用效果。
而靠著DGX-1的高度運算能力，也因而縮短了過去用來做為深度學習訓練所需花費的冗長時間，若以單組2路Xeon E5伺服器和DGX-1進行比較的話，根據Nvidia測試的結果，在做為AlexNet機器學習的模型訓練方面，DGX-1完成訓練所花費的時間要遠比Xeon E5伺服器還快許多，Xeon級伺服器得要花150小時才能做完的訓練，DGX-1只須2小時就能完成。若以訓練機器辨識照片來舉例的話，所代表的是，每天被餵給DGX-1機器做訓練的照片，數量高達有13億張。
除了GPU以外，這臺DGX-1還有配置了一個2路Xeon E5 CPU處理器，系統記憶體部分最大則可支援512GB DDR4的記憶體容量，並也配備有7TB大小的SSD硬碟，至於電力供給部份則是使用一臺3U高度3,200瓦的電源供應設備，還支援了NVLink 混合式立方網格 （NVLink Hybrid Cube Mesh）技術，可提供更高速GPU互連的能力，網路部分則提供了雙10GbE連接埠和一個100Gb的Quad InfiniBand高速網路介面，而使得每臺DGX-1機器的總傳輸頻寬，每秒最高可達768GB。
不僅如此，Nvidia在這臺DGX-1中加入許多新的深度學習軟體功能，像是新增加的Nvidia深度學習GPU訓練系統（Deep Learning GPU Training System，DIGITS），可用來協助企業設計一個完整且互動的神經網路，還支援了 CUDA深度神經網路圖庫（CUDA Deep Neural Network library，cuDNN ）的v5新版本，可用來做為設計神經網路時可供GPU加速的函式圖庫。DGX-1系統內也提供了一些深度學習優化的框架，例如Caffe、Theano與Torch等，另還搭配一套雲端管理存取的工具和一個容器應用儲存庫（Repository ）。
Nvidia這臺深度學習專用的超級電腦DGX-1，主要是使用了伺服器專用GPU加速器Tesla P100來打造完成的AI專用伺服器，因而在這臺機器內總共裝入8張Tesla P100加速顯卡，使得DGX-1在半精度（FP16）的浮點運算次數每秒可高達170TFLOPS，如此高度的運算能力，Nvidia甚至宣稱，這幾乎等同於用250臺x86伺服器而搭建的運算叢集規模，將助企業獲得更好的深度學習作用。
GPU將擠身成為AI伺服器界的一線主角
而從Nvidia這次所發布DGX-1的銷售策略來看，除了要積極搶攻深度學習與AI市場外，也不難看出Nvidia想要透過推出整套式AI專用的GPU伺服器，好讓自己也開始變身成為一家能提供特殊GPU解決方案的伺服器供應商。
而這樣的作法所帶來的其中一個改變，便是也開始讓GPU應用位置有了截然不同以往的轉變。相較於過去GPU只在遊戲或研究領域受到重視，但在伺服器應用當中，GPU始終淪為配角，CPU才是主角，CPU處理器規格決定了一臺伺服器工作效能的高低，但現在，在一些特殊深度學習或AI專用的伺服器當中，GPU受重視的程度有時反而還高過了CPU，GPU反倒竄升成為一線主角。
以前，CPU是伺服器效能高低的關鍵，但現在，在這些深度學習或AI等特定用途的伺服器當中，GPU則是變成了關鍵，GPU擁有的核心數量多寡，決定了能不能將深度學習與AI更進一步延伸應用，CPU反而變成了配角，兩者位置恰恰好顛倒了過來，不過這種情況，目前只有在一些特殊運算用途的AI設備中才看得到，但也確實反應了GPU應用位置，正在逐漸改變當中。
當然，除了AI與深度學習需要用到GPU外，另一個需要用到GPU的VR/AR應用也成為今年GTC大會的另一大熱門焦點。除了現場有Nvidia技術人員展示結合GPU技術的各類VR應用外，展區內也設有VR Village體驗區，參加者可以現場試用Oculus與HTC Vive這兩款已正式出售的VR頭戴式裝置，現場體驗VR帶來的沉浸式視覺效果。
而從這些VR展示體驗當中，也說明了VR技術已開始跨入大眾化的實用階段，而且不只運用在遊戲娛樂領域，其他專業領域也開始能與VR結合，像是Nvidia在這次大會中就推出了一個Iray VR新應用，能將原本設計好的3D場景或物件模型，經過Iray渲染技術，在虛擬實境中呈現貼近真實情境的影像渲染效果，讓VR不只是當作遊戲使用而已，未來就連設計後的3D製圖也能用VR渲染技術呈現。當然在持續提高VR影像畫面細膩度和更快速的即時反應的同時， VR技術的下一步也需要搭配更高階的GPU，才能達到更深度沉浸式的高臨場感體驗。
除此之外，在無人汽車應用方面也有新進展。Nvidia將參與協助打造首輛賽車用的無人汽車的計畫，將採用Nvidia自動駕駛平臺Drive PX2做為汽車電腦系統核心，未來這輛無人賽車完成以後，重量預估將達1噸重，並且將會參加即將在2016至2017年賽季，由Formula E電動方程式首度舉辦的Roborace無人駕駛賽事。這場無人賽車比賽，預估將會有10支隊伍，共20輛的無人汽車參賽，共同在同個賽車場上較勁。每輛無人賽車硬體配備都完全相同，所以最後決勝關鍵將決定於哪隻隊伍可以運用機器學習，甚至借助深度學習的類神經演算法，盡可能提高駕駛判斷的預測能力，才能做到在以毫秒為競速單位的賽車場上稱王。
Nvidia這次還首度用VR來呈現火星地理環境，讓穿戴者可以沉浸在有如真實火星圍繞的視覺感受當中，這些環境資料都是從蒐集科學專用衛星的精確影像資料，以及火星任務取得數年的探測數據，所建構出貼近火星地形和氣候的虛擬實境。Nvidia執行長黃仁勳現場還與蘋果共同創辦人Steve Wozniak遠端視訊連線，並邀請他現場示範如何用VR來玩火星探險遊戲，沒想到Steve Wozniak卻顧不得旁人，自己就在現場玩開了 ，惹得現場笑聲一片，連人稱科技頑童的他也難以抵擋VR的魅力，也正說明了VR技術已開始走入實用階段。
【相關報導請參考「GPU靠AI直攻運算龍頭」專題】