Alexnet神经网络是2012 年国际ImageNet计算机图形识别大赛的冠军深度学习算法，著名的开源深度学习算法Caffe就是基于Alexnet。而到2015 年的 ImageNet 大赛中所有的最好成绩，都是基于深度学习且在 GPU 加速的深度神经网络，这也难怪《连线》杂志惊叹GPU在人工智能时代的崛起。

 

　　Pascal GPU 架构的优势在于：引入了NVIDIA独家的新高速总线NVLink，专门用于GPU以及GPU与CPU的高速互连，GPU最高能够以 160 GB/s的双吐带宽访问系统内存，相当于 PCIe传统带宽的5 倍;采用了目前最快、容量最高的堆叠式内存技术HBM2，Tesla P100也是全球首款采用 HBM2 内存的GPU;显著改进编程模型的统一内存，以单一统一虚拟地址来访问系统中所有CPU 和 GPU内存，极大简化了程序的可移植性及数据吞吐能力等。

 

　　微软研究院首席语音科学家黄学东表示：“微软正在开发具有 1，000 多层的超级深度神经网络。NVIDIA Tesla P100 的惊人性能将让微软 CNTK 能够加速实现人工智能的突破。”

 

　　80万的AI服务器，到底值不值?

 

　　NVIDIA DGX-1的定价为12，900美金，约合80万人民币。那么，这个价格到底值不值呢?

 

　　NVIDIA DGX-1提供8 颗 Tesla P100 加速器、每颗 GPU 16GB 内存、7TB 固态硬盘 DL 高速缓存等配置，吞吐量相当于250台E5双路X86服务器。那么，按2万元人民币一台E5服务器简单估算，250台即500万的成本，这还不包括机房、网络、能源等额外成本。而DGX-1采用 3U 架上型机箱，可单独使用也可以集成到集群当中，显然用DGX-1做集群更划算。

 

　　在集成的软件方面，NVIDIA DGX-1提供了一整套优化的深度学习软件，属于开箱即用型。在NVIDIA的开发者网站Developer.nvidia.com上，有一个Deep Learning深度学习专区，里面提供了Deep Learning SDK开发工具包、NVIDIA DIGITS图像分类与识别软件、Deep Learning开源框架等定制化软件为深度学习提供了全方位的软件支持，可供下载和使用。

 

　　其中，Deep Learning SDK开发工具包内含强大的工具及类库，可用于设计、开发和部署面向GPU优化的深度学习应用。其中的类库包括深度学习基础cuDNN、线性代数、稀疏矩阵、多GPU通信以及全面的CUDA C\C++开发环境。NVIDIA DIGITS深度学习管理调度平台为图像视频类数据分类和识别，提供了包括LeNet、AlexNet、GoogLeNet等在内的预设优化算法。除此之外，NVIDIA还定期更新开发者网站，为开发者提供更多的优化算法——如果说GPU已经是深度学习领域不能或缺的组成，那么这款面向人工智能机器学习的NVIDIA DGX-1则让更多企业抛开束缚，以更快的步伐迈向人工智能。

 

　　基于NVIDIA GPU的商用人工智能软件还有一个很大的优势，在于GPU的普适性：针对个人电脑的GeForce、针对云和超级计算机的Tesla、针对机器人和无人机的Jetson以及针对汽车的DRIVE PX等所有NVIDIA GPU都共用同一种架构。

 

　　百度、谷歌、Facebook、微软是首批把 NVIDIA GPU 应用于深度学习的企业，在近两年内与NVIDIA 在深度学习方面合作的企业激增了近 35 倍至 3，400 多家，涉及医疗、生命科学、能源、金融服务、汽车、制造业以及娱乐业等多个行业。

 

　　考虑到NVIDIA DGX-1在硬件、软件和集成服务等方面的明显优势，80万的价格并不为高。NVIDIA DGX-1显然能够大幅提升AI模型的学习和训练时间，加快对于来自物联网上各类图片、视频、语音等非结构化数据的处理速度，比如工业生产线检测的图片、医疗影像视频、道路交通图片与视频分析等等，帮助企业尽快、尽早地从AI算法中受益。

 

　　中科曙光成为NVIDIA DGX-1在中国最重要的战略合作伙伴之一，而全球领先的监控产品供应商、中国平安城市解决方案提供商海康威视也成为NVIDIA DGX-1的首单客户，后者将把DGX-1用于视频监控方面的深度学习超级计算机项目上。

 

　　NVIDIA DGX-1已经于今年7月正式上市，DGX-1的上市有望激活人工智能的大规模商用。对于企业来说，在跟投物联网项目的同时，需要开始考虑人工智能策略。在大的产业趋势到来之前，只有领先一步，才能步步占据先机。