文章|编辑来源 | 4月，人工智能第三次浪潮风起云涌，行业风起云涌。
在“GTIC全球（智能）科技峰会”感受时代脉搏，预见未来。
3月10日，由智喜喜、AWE、集果等联合主办的“GTIC全球（智能）科技峰会”在上海证大喜玛拉雅中心正式开幕。
学术界、投资界、创业界、产业链在此展开激烈角逐，包括英伟达、Neato Robotics、科大讯飞、商汤科技、科沃斯机器人、纳恩博机器人、威马汽车、奇点汽车、宇视科技、歌尔股份、地平线机器人等近40家大咖云集轮流上台。
作为上半年人工智能领域的最高级别峰会，GTIC聚焦“机器人产业”、“汽车新势力”、“家庭物联网生活”等领域，探索掘金机会、消费技术变革下的升级和生态建设，带来前沿的实践经验和判断。
在上午的演讲环节，NVIDIA全球副总裁兼中国企业事业部总经理李深伟发表了主题为“人工智能深度学习——一种新的计算模型”的演讲，详细介绍了NVIDIA对人工智能浪潮的利用。
成为行业先锋的过程和思路。
以下为演讲要点： 1、CUDA架构的诞生是深度学习的关键节点。
NVIDIA CUDA架构之前的GPU对于深度学习计算能力并没有强大的支持。
CUDA架构诞生后，普通学者和程序员可以更轻松地使用GPU进行高性能计算。
2016年，在图像识别数据库ImageNet竞赛中首次使用深度学习和NVIDIA GPU，将ImageNet的识别率提高到85%。
自此，深度学习与GPU的合作正式启动。
2017 年，NVIDIA 和 Ng Enda 合作探索 GPU 如何加速深度学习。
截至目前，百度的语音识别率已经超过人类。
，ImageNet识别率达到96%，超越人类。
2、无论是工业设计、制造、设计，还是我们都熟悉的电影制作，NVIDIA都是这个行业的标准。
并且在2006年NVIDIA进入高性能预算后，70%的人已经使用NVIDIA产品作为高性能计算产品。
而这也是大家最关心的。
在这波AI浪潮中，我们现在看到基本上人工智能领域的研究有8%都是在NVIDIA支持的平台上进行的。
针对人工智能和深度学习，NVIDIA还发布了软件开发平台SDK，这是Kikuda用于家庭学习的家庭库。
目前，它在全球的下载量已超过20万次。
3、GPU已成为高性能计算的最佳平台。
CUDA已经拥有30万名开发者，占据了高性能计算应用的绝大多数。
在解决方案方面，NVIDIA提供了业界最好的计算平台Tesla P40。
对于大学科研、初创公司、研究所等缺乏大数据中心的客户来说，老牌超级计算机DGX-1是一个不错的选择。
它集成了最先进的GPU，并集成和优化了我们熟悉的深度学习平台。
DGX-1不仅在国外很常见。
虽然它的整个算力只是一个小机器，但它的整个算力就像是放在一个机箱里的服务器一样。
你不需要一个大型的数据中心，拥有一个相当于服务器计算能力的设备来进行AI和深度学习的研究。
4.这一切都是从年底开始的。
NVIDIA注意到深度学习的浪潮后，我们进行了大量投资。
短短3年时间，GPU硬件已经发展了三代，整体性能提升了65倍。
这是NVIDIA对深度学习和AI行业的承诺。
以下为沉巍在“GTIC全球（智能）技术峰会”上的演讲全文： 今天我特别荣幸地向大家汇报NVIDIA近年来在高性能预算以及深度学习和人工智能各方面的历程。
请允许我花几分钟时间向您介绍 NVIDIA。
NVIDIA成立于2008年，我们在2008年发明了GPU。
我们是世界上最大的GPU公司。
大家都知道 NVIDIA。
在进入深度学习之前，NVIDIA 是全球最大的游戏计算平台提供商。
目前已有超过 1 亿用户在使用 NVIDIA 游戏计算平台。
NVIDIA也是专业图形工作监视器和显示计算平台的提供商，也是这个行业的标准。
我们现在看到，无论是工业设计中的制造和设计，还是我们都熟悉的电影制作，英伟达都是这个行业的标准。
并且在2006年NVIDIA进入高性能预算后，70%的人已经使用NVIDIA产品作为高性能计算产品。
而这也是大家最关心的。
在这波AI浪潮中，我们现在看到基本上人工智能领域的AI研究有8%是在NVIDIA支持的平台上开发的。
NVIDIA还发布了人工智能和深度学习的软件开发平台SDK，这是Kikuda家族学习的家族库。
目前，它在全球的下载量已超过20万次。
这一切从哪里开始？今年是人工智能元年，或者说深度学习爆发年。
在我们中国领军人物李飞飞在斯坦福大学主办的一场比赛中，有一个学生第一次使用了深度学习的方法，并且在Nvidia的GPU的参与下，他不仅一举夺得了这次比赛的第一名。
同时，本次竞赛也由计算机视觉算法竞赛转变为计算机视觉算法竞赛。
此前最高识别率仅为74%。
2016年使用深度学习和NVIDIA的GPU后，不仅获得了第一名，而且还获得了第一名。
并且整个识别率提高到85%。
从那时起，深度学习和 GPU 的世界就展开了。
自2016年比赛以来，深度学习方法就一发不可收拾。
2019年，NVIDIA很荣幸与我们（现为百度首席科学家）合作，发布了一份关于如何通过GPU的高性能预算能力加速深度学习发展的报告。
同时，从2010年到现在，比赛比例从2016年提升到85%后，就没有算法参与后续比赛了。
到2019年，深度学习的整体识别率超过96%。
这个深度学习识别率已经超过了人类图像识别率。
当然，更不用说2016年，百度在深度学习，尤其是深度语音识别方面的突破，已经超越了人类语音识别的识别能力。
而且，去年AlphaGo在围棋上的进步使用了大量海量深度学习CPU，这在过去是完全不可能实现的。
说起这个地方，大家可能会有很大的疑问。
这件事是突然发生的，还是有更深层次的背景？请允许我向大家汇报一下历史沿革。
说到Nvidia从2016年发明GPU到刚刚学习GPU的进展，就不得不说一下我们在2006年的重要突破，这也是我们在2006年第一次发布像Kuda这样的架构。
在2006年之前，90%的图像图形GPU的操作是针对图像操作的。
它是非常封闭的，是为游戏开发者和开发者提供的。
对于一般科研人员，或者是有高性能预算要求的学者和研究人员来说，这是一件非常困难的事情。
2006 年之前，每个人都很难使用 GPU。
印象中，前段时间听国内科研专家说，为了获得更好的计算资源，他们收集了很多游戏卡，与现有的X86服务器进行比较，目的就是探讨如何更好地利用计算资源。
GPU 的能力。
为此，大型运维公司也看到了这个趋势，所以在2006年我们发布了Kuda这样的架构。
第一次拥有这个架构后，普通科研人员可以使用普通的JAVA加语言来使用GPU的计算能力。
也就是说，从2006年开始，NVIDIA正式进入高级预算能力，也就是说，从那时起，全球大部分科研和高性能计算机中心都部署了NVIDIA设备进行计算和高性能预算。
但这里有几个重大突破，就不一一提及了。
其中之一就是给大家汇报一下，2018年的比赛让大家对GPU的使用有了更深入的了解。
到了这一年，AlphaGo也有了实际案例，GPU的应用达到了另一个层次。
作为一个26年前就涉足高性能计算的人来说，GPU成为了最好的选择。
高性能计算方面已经有超过100个应用，基本上大家的人工智能深度学习有%是GPU加速的。
在这里，我想借此机会向大家介绍一下，除了最近关于NVIDIA在高性能预算和人工智能方面的旅程的报告之外，我们还提供了什么样的解决方案。
我们还在深度学习方面投入了大量资金，特别是在企业数据中心提供解决方案。
无论线下学习，我们都有强大的技术支持。
我们还提供离线部署和推理。
解决方案。
比如我们的P40目前被大多数数据中心广泛使用，作为深度学习的最佳平台。
目前我认为它是深度学习最好的平台。
另外，去年我们还发布了数据中心在线部署或者推理的产品，非常适合。
离线训练后，需要应用。
如何快速将虚拟结果与实际业务结合起来？总之，它包括大量的视频边界和实时分析。
这是我们去年刚刚发布的，非常适合作为在线推理和应用的产品。
当然你会问，我们没有这么大的数据中心，我是研究单位，目前是一家初创公司。
我想发展人工智能和深度学习。
我还有机会使用 NVIDIA 解决方案吗？答案是肯定的。
我们还针对大学科学研究以及初创公司和研究机构。
去年我们发布了一款名为DGX-1的原型超级计算机，它集成了最先进的GPU和我们熟悉的深度学习平台并对其进行了优化。
DGX-1不仅在国外很常见。
这就像将服务器的计算能力放在一个机箱中。
你不需要大型数据中心，就可以拥有服务器计算能力的设备来从事人工智能和深度学习研究。
当然你会问，我们没有这么大的数据中心，我是研究单位，目前是一家初创公司。
我想发展人工智能和深度学习。
我还有机会使用 NVIDIA 解决方案吗？答案是肯定的。
我们还针对大学科学研究以及初创公司和研究机构。
去年我们发布了一款名为DGX-1的原型超级计算机，它集成了最先进的GPU和我们熟悉的深度学习平台并对其进行了优化。
DGX-1不仅在国外很常见。
虽然它只是一个小机器，但它的整个计算能力就像放置在单个机箱中的服务器一样。
你不需要一个大型的数据中心，就可以有一个相当于服务器计算能力的设备来进行AI和深度学习的研究。
这一切都始于年底。
NVIDIA注意到深度学习的浪潮后，我们进行了大量投资。
短短3年时间，我们在GPU硬件上的投入已经发展了三代，整体性能提升了65倍。
，这是英伟达对深度学习和AI行业的承诺。
此外，在深度学习和AI方面，NVIDIA的贡献不仅仅是GPU方面的硬件，还包括整个生态系统。
更重要的是，如何把深度学习带给AI从业者，我们甚至有更好的开发环境。
因此，NVIDIA在SDK上，也就是在软件部分上，进行了非常大的投入。
比如对于学习部分，NVIDIA做了一个CuDNN加速器。
针对大家熟悉的开发，我们做了很多优化，让这些AI和深度学习开发者可以方便的使用这些加速库，并且能够更好的进行性能的提升。
该部分的全球下载量已超过 200,000 次。
NVIDIA还在在线部署和推理方面投入了大量资金。
当您将深度学习训练的结果部署到新一代 NVIDIA 技术时，您可以更快、更高效地进行部署和推理。
该SDK包括目前部署的很多与视频、图像相关的应用，专门针对深度学习在部署和应用方面的开发。
我们可以同时处理边界码和视频更新。
接下来我们讲一下我们针对NVIDIA的解决方案的一些案例。
我不会谈论谷歌的部分。
目前可能有5000多个申请，这个就不多说了。
在这个地区，百度是我们非常典型的客户。
我们非常感谢百度首席科学家的支持。
我们投入了很多。
无论是在人脸和物体识别方面，还是在自动驾驶方面，我们都使用非常多的GPU应用。
另外，中国的一个大客户是阿里巴巴，它也使用了深度学习。
有一个非常好的应用。
有一个应用程序。
我拿出手机，再次拍了一张照片。
我可以进入阿里巴巴环境，看看这条领带在哪些商家。
更不用说双十一期间这么多海量的客户需求，我们如何处理客户服务。
这方面的应用有很多，都是深度学习人工智能方法的体现。
最后一个给大家分享的应用就是最近大家比较关注的智慧城市。
大家可以注意到，2018年全球的摄像头数量超过了10亿个。
摄像头部署之后，产生了如此多的海量数据，特别是如何处理图像数据，随着人工智能和深度学习的发展，正如刚才报道的那样专家们表示，无论是通过对NVIDIA平台的学习，还是在线实时编码处理和分析，相信NVIDIA能够为智慧城市的应用以及深度学习的应用提供更好的解决方案。
由于时间有限，我在这里向大家介绍一下NVIDIA的解决方案、NVIDIA的整个转型以及应用场景。
我相信这只是我们公司在人工智能和深度学习方面工作的开始。
我相信，在今天所有专家的共同努力下，AI和人工智能将会变得更好。
我们NVIDIA很高兴能够提供这样一个平台，与您一起推动人工智能的发展。