论文部分内容阅读
在GTC大会上，包括全球首款深度学习HPC、全新Pascal架构GPU和成熟的深度学习框架在内的人工智能领域的创新，能否让转型期的英伟达持续获得华尔街的信任？
当地时间4月5日9点， GPU技术大会（简称GTC）在“硅谷之都”美国圣何塞拉开帷幕。作为全球最大的GPU（图形处理器）企业，英伟达（NVIDIA）联合创始人兼CEO黄仁勋发表了长达2个小时的关于未来计算的演讲。
要知道，作为上游GPU企业，英伟达的每一步战略布局都将在全产业链产生四两拨千斤的巨大影响。近年来，英伟达一直面临PC市场整体疲软的困境，而与之相关的GPU游戏业务目前仍占公司总营收的八成。受PC市场拖累，英伟达自2012年起股价一直低迷于每股15美元左右。
但是，从去年开始它的股价却发生奇迹般的反弹！GTC大会当日收盘于每股35.75美元，和2015年中期的20.90美元相比大涨了70%。
其实，英伟达收入结构并未发生实质性逆转，不过一向注重预期的华尔街只为未来买单。那么，黄仁勋究竟向华尔街投资人讲述了一个怎样的全新故事？
业界从他2个小时的GTC演讲中就可一览无遗。在黄仁勋发布的SDK、VR、深度学习芯片、深度学习系统，以及深度学习汽车五大战略方向中，不难发现一半以上都与人工智能（AI）息息相关。
看来，这是黄仁勋在和人工智能玩对赌：赢了，英伟达顺利转型，产品版图开疆扩土，并继续受到华尔街青睐；输了，英伟达数十亿美元的研发投入将付之东流，企业恐怕也将因此陷入泥潭。
人工智能芯片新突破
去年，微软的超级深度网络、伯克利大学的Brett机器人、百度的“深度演讲”第二版，以及智能驾驶引得众专家纷纷创业，再到今年谷歌的AlphaGo战胜围棋九段李世石，人工智能炙手可热，也为GPU推开了一道发展的机遇之门。
黄仁勋就直言：“深度学习是个大生意（Deep Learning is a big deal）。” 的确，由于具备强大的并行计算能力，GPU如今已经成为人工智能中深度学习的热门处理器。
GTC大会首日，黄仁勋就发布了英伟达迄今性能最强的超大规模数据中心加速器 NVIDIA Tesla P100 GPU。
它采用了五项全新的突破性技术： 采用全新 Pascal 架构，相比前一代Maxwell架构，神经网络训练方案性能提升 12 倍；NVLink高速GPU互联技术，可实现带宽的 5 倍加速；全球最大的FinFET 芯片，16nm 工艺，153 亿个晶体管，从而可获得更佳性能和更佳能效；Pascal 架构将处理器和数据封装，显存带宽高达720GB/s，3倍于Maxwell架构；采用全新人工智能算法，半精度指令为深度学习提供了超过 21 Teraflops 的峰值性能。
黄仁勋认为，传统计算是“专家 时间”，新型计算是“算法 数据 HPC”。为此，英伟达当天还发布了全球首款深度学习超级计算机NVIDIA DGX-1，它正是基于全新的Tesla P100 GPU 打造，并集成了硬件、深度学习软件以及开发工具。为了卡位人工智能，这个处理器企业因此跳到了前台，做起了HPC细分市场的生意，这一模式上的突破令笔者感到惊讶。
据悉，DGX-1的吞吐量相当于 250 台 CPU 服务器。而相比一年前问世的NVIDIA Maxwell架构四路解决方案也快了12倍，这意味着深度学习中同样的学习任务以前需要25小时，现在仅仅需要2个小时。
当然，这款人工智能专门领域的HPC也价格不菲，建议售价高达12.9万美元。不过，黄仁勋算了一笔账：“同样计算能力的CPU服务器需要250台，以每台1万美元计算就要250万美元，服务器之间连接的网络设备还需要追加50万美元。”在他看来，12.9万美元相比300万美元，如果单从价格来看，这也无疑是一种创新方案。
据悉，DGX-1将于今年6月正式推向市场，而搭载了Tesla P100 GPU的IBM、惠普和戴尔深度学习服务器预计在2017年第一季度问世。
不惧FPGA
除了GPU之外，芯片业的另一热门当属FPGA（现场可编程门阵列），英特尔还在去年耗资167亿美元收购FPGA相关企业Altera。两种不同领域的技术因为人工智能的出现而有了交集的可能。那么专注GPU的英伟达怎么看呢？
对此，黄仁勋一手拿着Tesla M40，一手拿着Tesla M4，回应说：“没有理由使用FPGA或者专用芯片。我们的GPU不仅高效节能，而且采用的是通用架构，可以进行转码、图像处理、深度学习。这两款产品已经成为我们增长最快的业务，被全球的互联网企业所采用。”据悉，前者提供后台的计算性能，专为训练深度学习神经网络设计，后者则定位为低功耗小巧型加速器，用于机器学习前端图像与视频的采集处理和传输。
据悉，谷歌和国内的百度、阿里和京东等互联网企业都在应用Tesla M系列GPU。
也是一家软件公司
如果说此次英伟达通过发布全球首款深度学习超级计算机NVIDIA GTX-1，从处理器后台跳到了前台，那么从2007年发布并行架构软件平台CUDA开始，黄仁勋就不再认为英伟达是家纯粹的GPU企业了。在此次GPU大会上，黄仁勋一开场就这样强调：“我们是一家软件公司。”
在战略新品发布环节当中，软件新品是黄仁勋最先发布的，即NVIDIA SDK系列的更新产品。
这些更新包括NVIDIA CUDA 8。英伟达并行计算平台的最新版本可以让开发者直接使用Pascal架构一系列的全新特性，包括统一内存和 NVLink。该版本还包括全新的图表分析库 nvGRAPH。后者可用于机器人路径规划、网络安全和物流分析，将 GPU 加速的应用扩展到大数据分析领域。
英伟达还发布了cuDNN v5，一个 GPU 加速的深度神经网络基元库，可提供Pascal GPU支持、循环神经网络和用于医疗、油气和其他行业的增强特性。据悉，cuDNN的深度学习框架包括谷歌的TensorFlow、加州大学伯克利分校的Caffe、蒙特利尔大学的Theano和纽约大学的Torch，这些还能驱动亚马逊、脸谱和谷歌等所用的深度学习解决方案的运行。
也正因为有了来自CUDA的软件基础，今天夺人眼球的全球首款深度学习HPC才得以从GPU跃升为可以直接使用的产品。因为作为系统，它必须包括全面的深度学习软件套件，比如NVIDIA深度学习GPU训练系统 （DIGITS）和cuDNN v5等，使得研究人员和数据科学家能够快速、便捷地训练深度神经网络。
GTC大会上，全球首款深度学习HPC、全新Pascal架构GPU、成熟的深度学习框架，这些人工智能领域的创新是否能让转型期的英伟达持续获得华尔街的信任？毕竟，转型是一场有关自身未来的对赌游戏，而黄仁勋为英伟达选择了人工智能。
当地时间4月5日9点， GPU技术大会（简称GTC）在“硅谷之都”美国圣何塞拉开帷幕。作为全球最大的GPU（图形处理器）企业，英伟达（NVIDIA）联合创始人兼CEO黄仁勋发表了长达2个小时的关于未来计算的演讲。
要知道，作为上游GPU企业，英伟达的每一步战略布局都将在全产业链产生四两拨千斤的巨大影响。近年来，英伟达一直面临PC市场整体疲软的困境，而与之相关的GPU游戏业务目前仍占公司总营收的八成。受PC市场拖累，英伟达自2012年起股价一直低迷于每股15美元左右。
但是，从去年开始它的股价却发生奇迹般的反弹！GTC大会当日收盘于每股35.75美元，和2015年中期的20.90美元相比大涨了70%。
其实，英伟达收入结构并未发生实质性逆转，不过一向注重预期的华尔街只为未来买单。那么，黄仁勋究竟向华尔街投资人讲述了一个怎样的全新故事？
业界从他2个小时的GTC演讲中就可一览无遗。在黄仁勋发布的SDK、VR、深度学习芯片、深度学习系统，以及深度学习汽车五大战略方向中，不难发现一半以上都与人工智能（AI）息息相关。
看来，这是黄仁勋在和人工智能玩对赌：赢了，英伟达顺利转型，产品版图开疆扩土，并继续受到华尔街青睐；输了，英伟达数十亿美元的研发投入将付之东流，企业恐怕也将因此陷入泥潭。
人工智能芯片新突破
去年，微软的超级深度网络、伯克利大学的Brett机器人、百度的“深度演讲”第二版，以及智能驾驶引得众专家纷纷创业，再到今年谷歌的AlphaGo战胜围棋九段李世石，人工智能炙手可热，也为GPU推开了一道发展的机遇之门。
黄仁勋就直言：“深度学习是个大生意（Deep Learning is a big deal）。” 的确，由于具备强大的并行计算能力，GPU如今已经成为人工智能中深度学习的热门处理器。
GTC大会首日，黄仁勋就发布了英伟达迄今性能最强的超大规模数据中心加速器 NVIDIA Tesla P100 GPU。
它采用了五项全新的突破性技术： 采用全新 Pascal 架构，相比前一代Maxwell架构，神经网络训练方案性能提升 12 倍；NVLink高速GPU互联技术，可实现带宽的 5 倍加速；全球最大的FinFET 芯片，16nm 工艺，153 亿个晶体管，从而可获得更佳性能和更佳能效；Pascal 架构将处理器和数据封装，显存带宽高达720GB/s，3倍于Maxwell架构；采用全新人工智能算法，半精度指令为深度学习提供了超过 21 Teraflops 的峰值性能。
黄仁勋认为，传统计算是“专家 时间”，新型计算是“算法 数据 HPC”。为此，英伟达当天还发布了全球首款深度学习超级计算机NVIDIA DGX-1，它正是基于全新的Tesla P100 GPU 打造，并集成了硬件、深度学习软件以及开发工具。为了卡位人工智能，这个处理器企业因此跳到了前台，做起了HPC细分市场的生意，这一模式上的突破令笔者感到惊讶。
据悉，DGX-1的吞吐量相当于 250 台 CPU 服务器。而相比一年前问世的NVIDIA Maxwell架构四路解决方案也快了12倍，这意味着深度学习中同样的学习任务以前需要25小时，现在仅仅需要2个小时。
当然，这款人工智能专门领域的HPC也价格不菲，建议售价高达12.9万美元。不过，黄仁勋算了一笔账：“同样计算能力的CPU服务器需要250台，以每台1万美元计算就要250万美元，服务器之间连接的网络设备还需要追加50万美元。”在他看来，12.9万美元相比300万美元，如果单从价格来看，这也无疑是一种创新方案。
据悉，DGX-1将于今年6月正式推向市场，而搭载了Tesla P100 GPU的IBM、惠普和戴尔深度学习服务器预计在2017年第一季度问世。
不惧FPGA
除了GPU之外，芯片业的另一热门当属FPGA（现场可编程门阵列），英特尔还在去年耗资167亿美元收购FPGA相关企业Altera。两种不同领域的技术因为人工智能的出现而有了交集的可能。那么专注GPU的英伟达怎么看呢？
对此，黄仁勋一手拿着Tesla M40，一手拿着Tesla M4，回应说：“没有理由使用FPGA或者专用芯片。我们的GPU不仅高效节能，而且采用的是通用架构，可以进行转码、图像处理、深度学习。这两款产品已经成为我们增长最快的业务，被全球的互联网企业所采用。”据悉，前者提供后台的计算性能，专为训练深度学习神经网络设计，后者则定位为低功耗小巧型加速器，用于机器学习前端图像与视频的采集处理和传输。
据悉，谷歌和国内的百度、阿里和京东等互联网企业都在应用Tesla M系列GPU。
也是一家软件公司
如果说此次英伟达通过发布全球首款深度学习超级计算机NVIDIA GTX-1，从处理器后台跳到了前台，那么从2007年发布并行架构软件平台CUDA开始，黄仁勋就不再认为英伟达是家纯粹的GPU企业了。在此次GPU大会上，黄仁勋一开场就这样强调：“我们是一家软件公司。”
在战略新品发布环节当中，软件新品是黄仁勋最先发布的，即NVIDIA SDK系列的更新产品。
这些更新包括NVIDIA CUDA 8。英伟达并行计算平台的最新版本可以让开发者直接使用Pascal架构一系列的全新特性，包括统一内存和 NVLink。该版本还包括全新的图表分析库 nvGRAPH。后者可用于机器人路径规划、网络安全和物流分析，将 GPU 加速的应用扩展到大数据分析领域。
英伟达还发布了cuDNN v5，一个 GPU 加速的深度神经网络基元库，可提供Pascal GPU支持、循环神经网络和用于医疗、油气和其他行业的增强特性。据悉，cuDNN的深度学习框架包括谷歌的TensorFlow、加州大学伯克利分校的Caffe、蒙特利尔大学的Theano和纽约大学的Torch，这些还能驱动亚马逊、脸谱和谷歌等所用的深度学习解决方案的运行。
也正因为有了来自CUDA的软件基础，今天夺人眼球的全球首款深度学习HPC才得以从GPU跃升为可以直接使用的产品。因为作为系统，它必须包括全面的深度学习软件套件，比如NVIDIA深度学习GPU训练系统 （DIGITS）和cuDNN v5等，使得研究人员和数据科学家能够快速、便捷地训练深度神经网络。
GTC大会上，全球首款深度学习HPC、全新Pascal架构GPU、成熟的深度学习框架，这些人工智能领域的创新是否能让转型期的英伟达持续获得华尔街的信任？毕竟，转型是一场有关自身未来的对赌游戏，而黄仁勋为英伟达选择了人工智能。