人工智能全面进化 引领科技突破性发展

人工智能、机器学习、深度学习的差异

人工智能（Artificial Intelligence, AI）的概念在许多小说、电影中，已经被多次地讨论与呈现，有的谈论AI对于人类的帮助，甚至谈到AI是否有意识与感情，有的则描述AI对人类所带来的威胁，呈现出未来的末世光景。无论AI对于人类会有哪些利弊得失，AI的发展已经是大势所趋，并朝向改善人类生活的方向前进，未来AI最终会演化到哪种程度，目前则尚无定论。

AI是一种广泛的概念，指由人类制造出来的机器所表现出来的智能型态，通常是指通过计算机程序来呈现人类智能型态的技术。除了AI之外，机器学习（Machine Learning）与深度学习（Deep Learning）这两个名词也经常被提及。我们可以用一个同心圆来将这三个名词定义一个范围，人工智能便是最外围的圆圈，再来则是中间的机器学习，最内层的则是深度学习。

机器学习最基本的做法是使用算法来解析数据，并从中学习数据，然后对世界上的事物进行确定或预测。因此，与其使用一组特定的指令手动编码软件程序来完成特定任务，不如使用大量数据和算法，对机器进行“培训”，从而使机器能够学习如何执行任务，这便是机器学习的基本概念。

深度学习则是一种实现机器学习的技术，来自早期机器学习人类的思考模式来实现的人工神经网络。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的讲就是具备学习功能。人工神经网络已经被用于解决各种各样的问题，例如机器视觉和语音识别，这些问题都是很难被传统基于规则的编程方式所解决。

AI的概念在上个世纪40年代计算机发明之后，便已经被学界讨论，但受限于计算机的运算速度，许多想法仍停留在纸上谈兵的理论阶段，但自2015年以来，随着图形处理器（GPU）快速发展与广泛可用性，使并行处理变得更快、更便宜、更强大，让实现人工神经网络的深度学习成为可能，扩展了AI的整个领域，例如无人驾驶汽车、智能语音助手等。在深度学习的帮助下，人工智能甚至可以达到我们长期以来的科幻梦想，像是能为人类做各种事情的人型机器人。

NVIDIA为人工智能应用加速

NVIDIA在1999年发明了GPU, 这极大地推动了 PC 游戏市场的发展，重新定义了现代计算机图形技术，并彻底改变了并行计算。最近，GPU 深度学习为现代 AI 这个新的计算时代带来了新动力 - GPU 在能够感知和理解世界的计算机、机器人和自动驾驶汽车中发挥着大脑的作用。藉助了NVIDIA超过15年的CUDA开发经验，通过采用GPU加速的库强化了底层CUDA原函数的优势，诸如线性代数、高级数学和并行化算法之类的众多库，为计算密集型应用程序生态系统奠定了基础，NVIDIA的软件库都提供了最简单的GPU入门方法，通过采用NVIDIA CUDA-X AI库，得以实现机器学习与分析的各种算法。

开发AI应用程序首先要训练具有大型数据集的深度神经网络，NVIDIA推出的GPU加速的深度学习框架，为设计和训练自定义深度神经网络提供了灵活性，并提供了与Python和C/C++等常用编程语言的界面。每个主要的深度学习框架（例如TensorFlow、PyTorch等）都已经通过GPU进行了加速，因此数据科学家和研究人员无需进行任何GPU编程，即可在数分钟内提高工作效率。

对于AI研究人员和应用程序开发人员而言，采用Tensor内核的NVIDIA Volta和Turing GPU可加快培训速度并提高深度学习性能，FP32和FP16混合精度矩阵乘积将极大地提高资料吞吐量，并减少AI训练时间。此外，NVIDIA深度学习软件开发工具包（SDK）包含高性能库，这些库实现了构建模块API，可直接在其应用中实施训练和推理。

NVIDIA TensorRT™是用于高性能深度学习推理的SDK，它包括深度学习推理优化器和运行器，可为深度学习推理应用程序提供低延迟和高吞吐量。在推理过程中，基于TensorRT的应用程序的运行速度比仅基于CPU的平台快40倍，借助TensorRT，可以优化在所有主要框架中训练的神经网络模型，以高精度对低精度进行校准，最后部署到超大规模数据中心、嵌入式或汽车产品平台。

NVIDIA也成立了深度学习学院（Deep Learning Institute, DLI）提供有关AI、加速计算和加速数据科学的实践培训。通过DLI的自定进度的个人在线培训、针对团队的面对面研讨会，以及适用于大学教育工作者的可下载课程资料，研发人员、数据科学家和学生可以通过云中的GPU获得实践经验，并获得能力证明以支持专业发展。

NVIDIA的NGC则是用于深度学习、机器学习和高性能计算（HPC）的GPU优化软件的中心，数据科学家、研发人员可以专注于构建解决方案，收集见解并交付商业价值。