NVIDIA GPU技术大会黄仁勋对人工智能的6个总结
2016年9月13日消息，nvidia在北京举办了gpu技术大会（gpu tech conference），这也是gtc第一次在国内举办。在这次大会上，nvidia发布了tesla p4、p40深度学习芯片，此外黄仁勋也在北京与数以万计的ai、游戏行业的开发者们分享了他对gpu和未来计算的认知。以下内容是根据黄仁勋在gtc china 2016上的演讲实录整理。
一、4年以前，alexnet第一次带来了深度学习的爆发
2012年一个年轻的研究员叫alex krizhevsky。在多伦多大学ai实验室，他设计了一个可以学习的软件，这个软件靠自己就能进行视觉识别。深度学习这个时候已经发展了一段时间，可能有20年。
alex所设计的这个网络，它有一层一层的神经网络，包括卷积神经网络、激发层、输入和输出，可以进行区分。这样一个神经网络可以学会识别影像或者是规律。深层神经网络所带来的结果是它会非常有效，会超出你的想象，但是它进行训练需要的计算资源超过了现代计算机的能力，它需要几个月的时间去训练一个网络才能真正地识别图像。
alex当时的看法是，有一个叫做gpu的新型处理器，通过一种叫cuda的计算模式，可以适用于并行计算，用于非常密集的训练。2012年他当时设计了叫alex的网络，提交给了一个大规模计算视觉识别大赛，是一个全球的竞赛，并且赢得了这个大赛。
alexnet战胜了所有由其他计算视觉专家所开发的算法。alex当时只用两个nvidia gtx580，在通过数据训练了几天后，alexnet的结果和质量引起关注。所有搞计算视觉的科学家，所有的ai科学家都非常关注。在2012年，alex krizhevsky启动了计算机深度学习的基础，这是现代ai的一个大爆炸。他的工作和成果在全世界引起了很大反响。
我相信那个时刻会被记住，因为它确实改变了世界。之后有很多研究开始围绕深度学习进行。2012年斯坦福大学的吴教授（吴恩达）和我们开发了一个非常大规模的gpu配置用于深度学习的训练，很快在三年之后每一年都会有新的网络出来，能够不断地战胜其他方案获得更好的记录。
二、声音和视觉输入铺垫了构造ai世界的基础
到了2015年，谷歌和微软都实现了人类般的视觉识别能力。它是由软件写就的，在gpu上经过训练可以实现比人类更高的视觉识别能力。2015年百度也宣布他们的语音识别达到了超越人类的水平，这是非常重要的一个事件。这是第一次计算机能自己写程序，实现超过人类的水平。
视觉和语音是两个非常重要的感官输入，是人类智能的基础。现在我们已经有了一些基础的支柱，让我们能够进一步推进ai的发展，这在之前是难以想象的。如果声音和视觉的输入值不可靠的话，怎么能够有机器可以去学习，可以有人类一样的行为。我们相信这个基础已经有了，这也是为什么我们认为现在是ai时代的开始。
全世界的研究者都看到了这些结果，现在所有的ai实验室都开始使用gpu跑深度学习，这样他们也可以开始建立未来ai的基础。基本上所有的ai研究者都开始用我们的gpu。
gpu的核心是模拟物理世界，我们用gpu创建虚拟世界用于游戏、设计，用于讲故事，比如制作电影。模拟环境、模拟物理属性、模拟周围所看到的世界，构建虚拟世界的过程如同人类大脑在想象时进行的计算。因为深度学习的发展，使我们的工作进入新的阶段，人工智能。对人类智能的模拟会是我们所做的最重要的工作之一，而且我们对此非常激动。
三、gpu计算渗透到深度学习各个领域
今天也是我们第一次在中国举办gtc大会，这次很大一部分内容会是关于人工智能和深度学习。我们是一个计算公司，sdk对于我们来讲是最重要的产品，gtc是我们最重要的一场盛会。大家可以看一下过去几年的成长，这是非常了不起的增速。
今年gtc有16000名人员参加。下载我们sdk的开发人员增长了3倍，达到了40万开发人员。但最了不起的数字是深度学习开发人员在两年之内有了25倍的增长，现在下载我们的深度神经网络实验室引擎的开发人员已经增长了25倍，下载了5万5千次。
大家到底用它干什么呢？很多都是ai研究人员，他们来自于全球各地，现在所有的实验室都会使用我们的gpu平台来做自己的ai研究，有软件公司、互联网软件提供商，还有互联网公司、汽车公司、政府、医疗成像、财务、制造等公司。现在用gpu深度学习的领域是非常广的，非常了不起的。
四、大脑的运作就像gpu的计算
大家要问为什么ai研究人员选择gpu，alex他们发现gpu的并行运算实际是非常符合深度学习网络的计算特征。那么进一步来讲，为什么gpu对深度学习来讲是非常适合的工具呢？我想给大家讲一个不是那么严肃的例子说明一下为什么gpu非常重要。
大脑就像一个gpu。比如我让大家想象乒乓球，大家闭上眼睛，你们大脑会形成一个几个人打乒乓球的图像，如果让大家想象功夫熊猫，那么脑子里会出现是类似的功夫熊猫图像。所以我们的大脑在思考时会生成一些图片。反过来，gpu的构架也像大脑一样，它不是由一个处理器进行序列的运算，我们的gpu有上千个处理器，非常小的处理器组合在一起来共同解决问题，这上千个处理器会进行数学计算、互相连接、分享信息，最终能够解决一个很大的问题，就好像是我们的大脑一样。所以说大脑就像gpu，因为大脑可以产生图片，而gpu也像人的大脑一样，所以有可能这种新的计算模式、新的计算模型可以解决虚拟现实的问题，它确实是非常适合gpu的。
深度学习是一种新的计算模式，它会涉及软件的方方面面。深度学习首先要设计一个网络并且对网络进行训练，针对一个网络的训练需要几十亿甚至更多的操作，涉及上百万甚至有更多的数据，通过这些数据对网络进行训练，需要很长的时间。如果没有一个gpu，这个过程可能需要好几个月，但gpu把这个时间压缩到几天内，这也是为什么gpu能够帮助大家更好地解决问题。
五、寻找比摩尔定律进化得更快的计算模式
训练是深度学习的一个基础，这个网络有了之后，你希望运用这个网络来进行预测，进行推理，进行归类，要对一个信息进行推理，比如有几十亿人每天在网上问很多的问题，有可能是图片，文字，语音，将来有可能是视频这种形式。在数据中心当中gpu推理能够非常快地响应。所以深度学习的第一部分是训练，第二部分是推理。
深度学习的第三部分，有些人叫iot，智能设备、智能终端，也许是摄像头、汽车、机器人，也许是话筒，这样互联设备就变成了智能设备。物联网需要有ai进行驱动，需要深度神经网络进行驱动，大量的智能终端根本目标是需要去识别去归类进行交互，要快要准确，并且尽量在低功耗状态下实现所有这些功能。
在接下来这些时间，软件的开发会和以前不一样，我们运行软件的方法也会不一样，在上面的运算也会不一样，很多设备上要运行什么东西会不一样，所以深度学习将会影响到到计算的各个方面。
现在我们看一下训练，首先我们应该意识到训练的复杂性。前面提到了训练可能是几十亿甚至万亿的运算，模型越大数据越多，结果就会越准确，数据多，加上大模型、大的计算量将会带来深度学习更好的结果，这是非常根本的、非常重要的。
微软有一个叫resnet的识别网络，如果跟alexnet比较，alexnet神经网络是8层，总计算量是1.4g的浮点运算，错误率是16%。8层和1.4g，错误率是16%，意味着什么？这是当时最好的。当时计算视觉专家研发的算法大部分错误率可能比16%更高，这说明用传统计算视觉方式的局限性很大，准确率没有那么高。
如果通过深度学习，我们在过去几年中可以实现3.5%的错误率，3.5%这是在几百万的图像当中进行测试152层的一个网络，几年之前只有8层，现在是152层，总共的计算能力是22.6g/flps，这是18倍的增长，这就表明了深度学习存在的问题。三年之内深度学习的计算负载增长了18倍，这比摩尔定律快很多。
所以问题变得越来越复杂，越来越难，但是计算的能力却没有相应速度的增长，这也是为什么整个行业都开始寻找新的计算模式，为他们都开始来考虑使用gpu计算。
另一个案例更加惊人，是关于语音识别。语音识别是自然语言理解的基础，自然语言理解也是智能的基础。这是百度吴恩达的实验室的工作，2014年有2500万的参数在这个模型当中，训练的材料是7000小时的语料8%的错误率。2015年的训练数据是此前的2倍，深度学习网络是原来的4倍大，2倍的数据量，4倍的网络复杂性，实现的错误率是5%，就在1年之内百度的dps错误率降至了40%左右。但是需要付出什么样的代价？就是计算量的增长。
深度学习的方法花了这么长的时间才真正出现，因为这样的方法从计算条件来说是没有办法实现的，此前没有任何计算机可以对这样的网络进行训练，直到gpu出现用于深度学习的出现。这是我讲的为什么我们对这样新的计算模式非常振奋，为什么现在在我们这个计算行业当中这个时刻非常重要。
同时这个趋势在未来还会继续，大家要记住我们现在还是5%的错误率，我们希望是0%的错误率。每个人的声音都可以被识别，甚至是做得更好，可以去理解词的语义，所以我们还有很多更大的计算需求。
六、ai会自上而下地改变计算系统
pascal是我们针对深度学习进行优化的gpu架构。pascal的处理器是真正的奇迹，pascal是一个全新的架构，用立体的晶体管制成，用立体的封装，用3d的堆栈，所有这些使得我们的pascal架构实现了巨大的性能提升，新的指令级和新的制造制成、新的封装方式，以及新的互联连接方式把多个gpu连到一起，这样它们可以做一个团队来开展工作。我们花了3年的时间，1万个人年的投入，完成了这项我们自己史上最大的工作。
我们也认识到处理器还只是开始。在ai计算这块有这样一个新的计算模式，计算系统架构也会发生变化，处理器的设计会发生变化，算法会发生变化，我们开发软件的方式会发生变化，系统的设计也会发生变化。
我们有一个新的超级计算机，在一个盒子的大小之内，这就是叫dgx-1，替代了大约250台服务器，整个数据中心都缩成了一个小盒子的大小。这个超级计算机完全是重新设计的。看一下我们处理器的成就再加上dgx-1，使得我们在一年之内的性能有65倍的提高。相比较这个alex第一次用我们gpu来训练他的网络的时候，这是65倍的提高。这比摩尔定律的速度要快很多，比整个半导体的发展要快很多，比任何其他的在计算的进步方面要快很多。
无线充电符合真正意义上的无线技术吗
USB无线门铃有什么好处？
清华大学研发出存储芯片“诊疗一体化”技术
荣耀“会轻功”新机再曝光：纤薄侧颜非常吸睛，矩阵式后摄设计
谷歌说了，已经拥有量子霸权，能够打败世界上所有最快的超级计算机！
NVIDIA GPU技术大会黄仁勋对人工智能的6个总结
LED串联与并联驱动电路特性的解析
我们可以搞苹果吗
Diodes宣布推出AL1665单级返驰式及降压升压控制器 可用于可调光的LED照明安装
测试负责人和测试工程师有什么区别
汽车行业如何利用人工智能来实现智能制造
大数据分析对电子商务的影响
变压器为什么会烧毁，它的原因有哪些
曝LG将把LED业务全数转让给中国企业
医疗行业未来将可能维持持续增长趋势
华为云全新上线 Serverless 应用中心，支持一键构建文生图应用
湿敏电阻器的型号命名方法
北京四合院三维数字化改造项目
pipeline高端玩法—优先级介绍
FPGA对其电源提出了一些独特的挑战
一、4年以前，alexnet第一次带来了深度学习的爆发
2012年一个年轻的研究员叫alex krizhevsky。在多伦多大学ai实验室，他设计了一个可以学习的软件，这个软件靠自己就能进行视觉识别。深度学习这个时候已经发展了一段时间，可能有20年。
alex所设计的这个网络，它有一层一层的神经网络，包括卷积神经网络、激发层、输入和输出，可以进行区分。这样一个神经网络可以学会识别影像或者是规律。深层神经网络所带来的结果是它会非常有效，会超出你的想象，但是它进行训练需要的计算资源超过了现代计算机的能力，它需要几个月的时间去训练一个网络才能真正地识别图像。
alex当时的看法是，有一个叫做gpu的新型处理器，通过一种叫cuda的计算模式，可以适用于并行计算，用于非常密集的训练。2012年他当时设计了叫alex的网络，提交给了一个大规模计算视觉识别大赛，是一个全球的竞赛，并且赢得了这个大赛。
alexnet战胜了所有由其他计算视觉专家所开发的算法。alex当时只用两个nvidia gtx580，在通过数据训练了几天后，alexnet的结果和质量引起关注。所有搞计算视觉的科学家，所有的ai科学家都非常关注。在2012年，alex krizhevsky启动了计算机深度学习的基础，这是现代ai的一个大爆炸。他的工作和成果在全世界引起了很大反响。
我相信那个时刻会被记住，因为它确实改变了世界。之后有很多研究开始围绕深度学习进行。2012年斯坦福大学的吴教授（吴恩达）和我们开发了一个非常大规模的gpu配置用于深度学习的训练，很快在三年之后每一年都会有新的网络出来，能够不断地战胜其他方案获得更好的记录。
二、声音和视觉输入铺垫了构造ai世界的基础
到了2015年，谷歌和微软都实现了人类般的视觉识别能力。它是由软件写就的，在gpu上经过训练可以实现比人类更高的视觉识别能力。2015年百度也宣布他们的语音识别达到了超越人类的水平，这是非常重要的一个事件。这是第一次计算机能自己写程序，实现超过人类的水平。
视觉和语音是两个非常重要的感官输入，是人类智能的基础。现在我们已经有了一些基础的支柱，让我们能够进一步推进ai的发展，这在之前是难以想象的。如果声音和视觉的输入值不可靠的话，怎么能够有机器可以去学习，可以有人类一样的行为。我们相信这个基础已经有了，这也是为什么我们认为现在是ai时代的开始。
全世界的研究者都看到了这些结果，现在所有的ai实验室都开始使用gpu跑深度学习，这样他们也可以开始建立未来ai的基础。基本上所有的ai研究者都开始用我们的gpu。
gpu的核心是模拟物理世界，我们用gpu创建虚拟世界用于游戏、设计，用于讲故事，比如制作电影。模拟环境、模拟物理属性、模拟周围所看到的世界，构建虚拟世界的过程如同人类大脑在想象时进行的计算。因为深度学习的发展，使我们的工作进入新的阶段，人工智能。对人类智能的模拟会是我们所做的最重要的工作之一，而且我们对此非常激动。
三、gpu计算渗透到深度学习各个领域
今天也是我们第一次在中国举办gtc大会，这次很大一部分内容会是关于人工智能和深度学习。我们是一个计算公司，sdk对于我们来讲是最重要的产品，gtc是我们最重要的一场盛会。大家可以看一下过去几年的成长，这是非常了不起的增速。
今年gtc有16000名人员参加。下载我们sdk的开发人员增长了3倍，达到了40万开发人员。但最了不起的数字是深度学习开发人员在两年之内有了25倍的增长，现在下载我们的深度神经网络实验室引擎的开发人员已经增长了25倍，下载了5万5千次。
大家到底用它干什么呢？很多都是ai研究人员，他们来自于全球各地，现在所有的实验室都会使用我们的gpu平台来做自己的ai研究，有软件公司、互联网软件提供商，还有互联网公司、汽车公司、政府、医疗成像、财务、制造等公司。现在用gpu深度学习的领域是非常广的，非常了不起的。
四、大脑的运作就像gpu的计算
大家要问为什么ai研究人员选择gpu，alex他们发现gpu的并行运算实际是非常符合深度学习网络的计算特征。那么进一步来讲，为什么gpu对深度学习来讲是非常适合的工具呢？我想给大家讲一个不是那么严肃的例子说明一下为什么gpu非常重要。
大脑就像一个gpu。比如我让大家想象乒乓球，大家闭上眼睛，你们大脑会形成一个几个人打乒乓球的图像，如果让大家想象功夫熊猫，那么脑子里会出现是类似的功夫熊猫图像。所以我们的大脑在思考时会生成一些图片。反过来，gpu的构架也像大脑一样，它不是由一个处理器进行序列的运算，我们的gpu有上千个处理器，非常小的处理器组合在一起来共同解决问题，这上千个处理器会进行数学计算、互相连接、分享信息，最终能够解决一个很大的问题，就好像是我们的大脑一样。所以说大脑就像gpu，因为大脑可以产生图片，而gpu也像人的大脑一样，所以有可能这种新的计算模式、新的计算模型可以解决虚拟现实的问题，它确实是非常适合gpu的。
深度学习是一种新的计算模式，它会涉及软件的方方面面。深度学习首先要设计一个网络并且对网络进行训练，针对一个网络的训练需要几十亿甚至更多的操作，涉及上百万甚至有更多的数据，通过这些数据对网络进行训练，需要很长的时间。如果没有一个gpu，这个过程可能需要好几个月，但gpu把这个时间压缩到几天内，这也是为什么gpu能够帮助大家更好地解决问题。
五、寻找比摩尔定律进化得更快的计算模式
训练是深度学习的一个基础，这个网络有了之后，你希望运用这个网络来进行预测，进行推理，进行归类，要对一个信息进行推理，比如有几十亿人每天在网上问很多的问题，有可能是图片，文字，语音，将来有可能是视频这种形式。在数据中心当中gpu推理能够非常快地响应。所以深度学习的第一部分是训练，第二部分是推理。
深度学习的第三部分，有些人叫iot，智能设备、智能终端，也许是摄像头、汽车、机器人，也许是话筒，这样互联设备就变成了智能设备。物联网需要有ai进行驱动，需要深度神经网络进行驱动，大量的智能终端根本目标是需要去识别去归类进行交互，要快要准确，并且尽量在低功耗状态下实现所有这些功能。
在接下来这些时间，软件的开发会和以前不一样，我们运行软件的方法也会不一样，在上面的运算也会不一样，很多设备上要运行什么东西会不一样，所以深度学习将会影响到到计算的各个方面。
现在我们看一下训练，首先我们应该意识到训练的复杂性。前面提到了训练可能是几十亿甚至万亿的运算，模型越大数据越多，结果就会越准确，数据多，加上大模型、大的计算量将会带来深度学习更好的结果，这是非常根本的、非常重要的。
微软有一个叫resnet的识别网络，如果跟alexnet比较，alexnet神经网络是8层，总计算量是1.4g的浮点运算，错误率是16%。8层和1.4g，错误率是16%，意味着什么？这是当时最好的。当时计算视觉专家研发的算法大部分错误率可能比16%更高，这说明用传统计算视觉方式的局限性很大，准确率没有那么高。
如果通过深度学习，我们在过去几年中可以实现3.5%的错误率，3.5%这是在几百万的图像当中进行测试152层的一个网络，几年之前只有8层，现在是152层，总共的计算能力是22.6g/flps，这是18倍的增长，这就表明了深度学习存在的问题。三年之内深度学习的计算负载增长了18倍，这比摩尔定律快很多。
所以问题变得越来越复杂，越来越难，但是计算的能力却没有相应速度的增长，这也是为什么整个行业都开始寻找新的计算模式，为他们都开始来考虑使用gpu计算。
另一个案例更加惊人，是关于语音识别。语音识别是自然语言理解的基础，自然语言理解也是智能的基础。这是百度吴恩达的实验室的工作，2014年有2500万的参数在这个模型当中，训练的材料是7000小时的语料8%的错误率。2015年的训练数据是此前的2倍，深度学习网络是原来的4倍大，2倍的数据量，4倍的网络复杂性，实现的错误率是5%，就在1年之内百度的dps错误率降至了40%左右。但是需要付出什么样的代价？就是计算量的增长。
深度学习的方法花了这么长的时间才真正出现，因为这样的方法从计算条件来说是没有办法实现的，此前没有任何计算机可以对这样的网络进行训练，直到gpu出现用于深度学习的出现。这是我讲的为什么我们对这样新的计算模式非常振奋，为什么现在在我们这个计算行业当中这个时刻非常重要。
同时这个趋势在未来还会继续，大家要记住我们现在还是5%的错误率，我们希望是0%的错误率。每个人的声音都可以被识别，甚至是做得更好，可以去理解词的语义，所以我们还有很多更大的计算需求。
六、ai会自上而下地改变计算系统
pascal是我们针对深度学习进行优化的gpu架构。pascal的处理器是真正的奇迹，pascal是一个全新的架构，用立体的晶体管制成，用立体的封装，用3d的堆栈，所有这些使得我们的pascal架构实现了巨大的性能提升，新的指令级和新的制造制成、新的封装方式，以及新的互联连接方式把多个gpu连到一起，这样它们可以做一个团队来开展工作。我们花了3年的时间，1万个人年的投入，完成了这项我们自己史上最大的工作。
我们也认识到处理器还只是开始。在ai计算这块有这样一个新的计算模式，计算系统架构也会发生变化，处理器的设计会发生变化，算法会发生变化，我们开发软件的方式会发生变化，系统的设计也会发生变化。
我们有一个新的超级计算机，在一个盒子的大小之内，这就是叫dgx-1，替代了大约250台服务器，整个数据中心都缩成了一个小盒子的大小。这个超级计算机完全是重新设计的。看一下我们处理器的成就再加上dgx-1，使得我们在一年之内的性能有65倍的提高。相比较这个alex第一次用我们gpu来训练他的网络的时候，这是65倍的提高。这比摩尔定律的速度要快很多，比整个半导体的发展要快很多，比任何其他的在计算的进步方面要快很多。
无线充电符合真正意义上的无线技术吗
USB无线门铃有什么好处？
清华大学研发出存储芯片“诊疗一体化”技术
荣耀“会轻功”新机再曝光：纤薄侧颜非常吸睛，矩阵式后摄设计
谷歌说了，已经拥有量子霸权，能够打败世界上所有最快的超级计算机！
NVIDIA GPU技术大会黄仁勋对人工智能的6个总结
LED串联与并联驱动电路特性的解析
我们可以搞苹果吗
Diodes宣布推出AL1665单级返驰式及降压升压控制器 可用于可调光的LED照明安装
测试负责人和测试工程师有什么区别
汽车行业如何利用人工智能来实现智能制造
大数据分析对电子商务的影响
变压器为什么会烧毁，它的原因有哪些
曝LG将把LED业务全数转让给中国企业
医疗行业未来将可能维持持续增长趋势
华为云全新上线 Serverless 应用中心，支持一键构建文生图应用
湿敏电阻器的型号命名方法
北京四合院三维数字化改造项目
pipeline高端玩法—优先级介绍
FPGA对其电源提出了一些独特的挑战